Information Visualization for Decision Making : Identifying Biases and Moving Beyond the Visual Analysis Paradigm - Laboratoire Interdisciplinaire des Sciences du Numérique Accéder directement au contenu
Thèse Année : 2017

Information Visualization for Decision Making : Identifying Biases and Moving Beyond the Visual Analysis Paradigm

La visualisation d’information pour la prise de décision : identifier les biais et aller au-delà du paradigme de l'analyse visuelle

Résumé

There are problems neither humans nor computers can solve alone. Computer-supported visualizations are a well-known solution when humans need to reason based on a large amount of data. The more effective a visualization, the more complex the problems that can be solved. In information visualization research, to be considered effective, a visualization typically needs to support data comprehension. Evaluation methods focus on whether users indeed understand the displayed data, can gain insights and are able to perform a set of analytic tasks, e.g., to identify if two variables are correlated. This dissertation suggests moving beyond this "visual analysis paradigm" by extending research focus to another type of task: decision making. Decision tasks are essential to everybody, from the manager of a company who needs to routinely make risky decisions to an ordinary person who wants to choose a career life path or simply find a camera to buy. Yet decisions do not merely involve information understanding and are difficult to study. Decision tasks can involve subjective preferences, do not always have a clear ground truth, and they often depend on external knowledge which may not be part of the displayed dataset. Nevertheless, decision tasks are neither part of visualization task taxonomies nor formally defined. Moreover, visualization research lacks metrics, methodologies and empirical works that validate the effectiveness of visualizations in supporting a decision. This dissertation provides an operational definition for a particular class of decision tasks and reports a systematic analysis to investigate the extent to which existing multidimensional visualizations are compatible with such tasks. It further reports on the first empirical comparison of multidimensional visualizations for their ability to support decisions and outlines a methodology and metrics to assess decision accuracy. It further explores the role of instructions in both decision tasks and equivalent analytic tasks, and identifies differences in accuracy between those tasks. Similarly to vision science that informs visualization researchers and practitioners on the limitations of human vision, moving beyond the visual analysis paradigm would mean acknowledging the limitations of human reasoning. This dissertation reviews decision theory to understand how humans should, could and do make decisions and formulates a new taxonomy of cognitive biases based on the user task where such biases occur. It further empirically shows that cognitive biases can be present even when information is well-visualized, and that a decision can be ``correct'' yet irrational, in the sense that people's decisions are influenced by irrelevant information. This dissertation finally examines how biases can be alleviated. Current methods for improving human reasoning often involve extensive training on abstract principles and procedures that often appear ineffective. Yet visualizations have an ace up their sleeve: visualization designers can re-design the environment to alter the way people process the data. This dissertation revisits decision theory to identify possible design solutions. It further empirically demonstrates that enriching a visualization with interactions that facilitate alternative decision strategies can yield more rational decisions. Through empirical studies, this dissertation suggests that the visual analysis paradigm cannot fully address the challenges of visualization-supported decision making, but that moving beyond can contribute to making visualization a powerful decision support tool.
Certains problèmes ne peuvent être résolus ni par les ordinateurs seuls ni par les humains seuls. La visualisation d'information est une solution commune quand il est nécessaire de raisonner sur de grandes quantités de données. Plus une visualisation est efficace, plus il est possible de résoudre des problèmes complexes. Dans la recherche en visualisation d'information, une visualisation est généralement considérée comme efficace quand elle permet de comprendre les données. Les méthodes d'évaluation cherchent à déterminer si les utilisateurs comprennent les données affichées et sont capables d'effectuer des tâches analytiques comme, par exemple, identifier si deux variables sont corrélées. Cette thèse suggère d'aller au-delà de ce ``paradigme de l'analyse visuelle'' et élargir le champ de recherche à un autre type de tâche: la prise de décision. Les tâches de décision sont essentielles à tous, du directeur d'entreprise qui doit prendre des décisions importantes à l'individu ordinaire qui choisit un plan de carrière ou désire simplement acheter un appareil photo. Néanmoins, les décisions ne se résument pas à la simple compréhension de l'information et sont difficiles à étudier. Elles peuvent impliquer des préférences subjectives, n'ont pas toujours de vérité de terrain, et dépendent souvent de connaissances externes aux données visualisées. Pourtant, les tâches de décision ne font pas partie des taxonomies de tâches en visualisation et n'ont pas été bien définies. De plus, la recherche manque de métriques, de méthodes et de travaux empiriques pour valider l'efficacité des visualisations pour la prise de décision. Cette thèse offre une définition opérationnelle pour une classe particulière de tâches de décision, et présente une analyse systématique qui identifie les visualisations multidimensionnelles compatibles avec ces tâches. Elle présente en outre la première comparaison empirique de techniques de visualisation multidimensionnelle basée sur leur capacité à aider la décision, et esquisse une méthodologie et des métriques pour évaluer la qualité des décisions. Elle explore ensuite le rôle des instructions dans les tâches de décision et des tâches analytiques équivalentes, et identifie des différences de performance entre les deux tâches. De même que les sciences de la vision informent la visualisation d'information sur les limites de la vision humaine, aller au-delà du paradigme de l'analyse visuelle implique de prendre en compte les limites du raisonnement humain. Cette thèse passe en revue la théorie de la décision afin de mieux comprendre comment les humains prennent des décisions, et formule une nouvelle taxonomie de biais cognitifs basée sur la tâche utilisateur. En outre, elle démontre empiriquement que des biais peuvent être présents même quand l'information est bien visualisée, et qu'une décision peut être ``correcte'' mais néanmoins irrationnelle, dans le sens où elle est influencée par des informations non pertinentes. Cette thèse examine finalement comment mitiger les biais. Les méthodes pour améliorer le raisonnement humain reposent souvent sur un entraînement intensif à des principes et à des procédures abstraites, qui se révèlent souvent peu efficaces. Les visualisations offrent une opportunité dans la mesure où ses concepteurs peuvent remodeler l'environnement pour changer la façon dont les utilisateurs assimilent les données. Cette thèse passe en revue la théorie de la décision pour identifier de possibles solutions de conception. De plus, elle démontre empiriquement que supplémenter une visualisation par des interactions qui facilitent des stratégies de décision alternatives peut mener à des décisions plus rationnelles. Via des études empiriques, cette thèse suggère que le paradigme de l'analyse visuelle n'est pas en mesure de relever tous les défis de la prise de décision aidée de la visualisation, mais qu'aller au-delà peut contribuer à faire de la visualisation un puissant outil de prise de décision.
Fichier principal
Vignette du fichier
75268_DIMARA_2017_diffusion.pdf (183.95 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-01968033 , version 1 (02-01-2019)
tel-01968033 , version 2 (07-01-2019)

Identifiants

  • HAL Id : tel-01968033 , version 2

Citer

Evanthia Dimara. Information Visualization for Decision Making : Identifying Biases and Moving Beyond the Visual Analysis Paradigm. Human-Computer Interaction [cs.HC]. Université Paris Saclay (COmUE), 2017. English. ⟨NNT : 2017SACLS367⟩. ⟨tel-01968033v2⟩
285 Consultations
99 Téléchargements

Partager

Gmail Facebook X LinkedIn More