Prípadové štúdie vhodnosti metrík na identifikáciu a hodnotenie infografiky
Aktuálne neexistujú žiadne špecifické metriky určené na identifikáciu infografík v mapách či vyčíslovanie jej miery. Z prístupov využitých k hodnoteniu obrazov či máp boli vybrané Dotazníkové šetrenie, Kvantitatívna analýza obrazu, Vizuálne zhrnutie a metóda Machine learning. Uvedené prístupy sú založené na odlišných prístupoch hodnotenia obrazu než ponúka IGV, avšak môžu ho efektívne doplňovať a výsledky môžu vstupovať do vzájomného porovnania.
Prípadové štúdie prebehli na jednotnej vzorke 32 obrazov. Do testov tak vstupovala vzorka 16 máp a 16 infografík. Každý z vybraných metrických prístupov tak mohol byť jednotne porovnateľný z už prevedenými testami s IGV. Každá mapa z referenčnej vzorky bola podrobená hodnoteniu všetkými vybranými metrikami. V rámci hodnotenia samotného metrického procesu budú vo výsledku porovnané aj výsledky jednotlivých metrík v kontexte hodnôt, ktoré generovala metrika IGV.
Dotazníkové šetrenie je nástroj s potenciálom na získanie kvalitných informácií, ktorý však vyžaduje presnejšiu ucelenú presne definovanú skupinu otázok a veľkú skupinu účastníkov testovania.
Je použiteľné pre vyčíslenie príslušnosti obrazu k mapám či infografikám, avšak zber a analýza dát sú časovo náročná, a jeho výsledky sú ovplyvnené skupinou a počtom respondentov. Praktickú využiteľnosť nájde predovšetkým ako podporný výskum k exaktnej štúdii.
Kvantitatívna analýza obsahu je metóda so subjektívnymi výstupmi, závislá na odborných znalostiach a jasnom vysvetlení kódov, ktorými je hodnotený obraz.
Metóda preukázala obmedzenú použiteľnosť po vykonanom testovaní. Táto metodológia a prislúchajúce kódy môžu slúžiť predovšetkým ako popisná metrika obrazu, ktorá zhromažďuje a sumarizuje charakteristiky daného obrazu na základe určených kódov.
Vizuálne zhrnutie je jednoduchý a prehľadný spôsob hodnotenia s potenciálom ilustratívneho zobrazenia obsahu obrazu prostredníctvom nadefinovaného afínneho diagramu.
Jej účinnosť je výrazne ovplyvnená stanovenými doménami, ktoré definuje hodnotiteľ. Bez dôkladnej optimalizácie a adekvátneho nastavenia vstupných doména ich objektívnej identifikácie v hodnotených obrazoch sa však táto metóda stáva náchylnou k vysokému stupňu subjektivity zo strany autora
Machine learning je metóda s vysokým potenciálom k hodnotení obrazu, ktorá si vyžaduje tréning na väčšej vzorke dát a špecificky natrénované neurónové siete.
V súčasnosti, výsledné podobnostné klastre a klasifikácia sú formované výlučne na základe vizuálnej podobnosti a nezohľadňujú ďalšie faktory. Kombinácia metriky s dotazníkom alebo ďalšími subjektívne zameranými metódami môže priniesť lepšie výsledky a postupne vylepšiť jej výstupy.
IGV je z pohľadu testovaných metrík považovaná za najobjektívnejšiu metódu, ktorej matematicky podložené výpočty vytvárajú dôveryhodné výsledky.
Aj napriek zložitosti a časovej náročnosti potrebnej k zberu parametrov, metrika IGV ponúka možnosti sledovania trendov v obraze a kvantifikáciou dát, ktorá je vhodná vo vedeckom výskume týkajúceho sa nielen infografiky v kartografii.
InfoMap reprezentuje pokročilé riešenie pre exaktnú identifikáciu infografiky v kartografii, ktoré využíva vizuálne analytické nástroje založené na definovaných matematických princípoch odvodených z metriky IGV.
Nástroj je optimalizovaný pre online použitie v rámci webového prehliadača. Po užívateľskom označení vybraných oblastí vykoná automaticky výpočet a prezentuje výsledky v grafickej podobe.
Okrem porovnávania hodnôt samotných bolo prevedené aj užívateľské testovanie. Testovanie prebehlo formou think aloud metódy, v priebehu ktorej boli respondentom predstavené jednotlivé metriky prostredníctvom názornej prezentácie, nad ktorou bola rozvinutá diskusia. Na záver testovania respondenti vyplnili krátky dotazník, v ktorom na základe svojej preferencie ohodnotili nasledujúce, predom stanovené kritériá pre každú z uvedených metrík:
I. výpočetná náročnosť (ako zložité je metriku navrhnúť a získať využiteľné výsledky),
II. softwarová náročnosť (ako veľmi je špecifický software nutný),
III. hardwarová náročnosť (ako náročné je metriku z pohľadu hardwaru využiť),
IV. časová náročnosť (ako veľmi časovo je náročné z metriky získať výsledky od jej návrhu až po použiteľné výsledky),
V. užívateľská prívetivosť (miera užívateľského komfortu pri využití metriky z pohľadu hodnotiteľa),
VI. miera automatizácie (ako veľmi je metrika automatizovaná, resp. nakoľko vyžaduje užívateľský zásah),
VII. forma a výpovedná hodnota výsledkov (ako veľmi sú získané výsledky pochopiteľné a prakticky využiteľné).
Každé zo sledovaných kritérií bude ohodnotené prostredníctvom stupňov 1–5, kde uvedené hodnoty odpovedajú: 1=nízka; 2=skôr nižšia; 3=stredná; 4=skôr vyššia; 5=vysoká.
Výsledky hodnotenia zobrazuje vizualizácia nižšie.
ďalšie časti práce