当前我们获取信息的方式越来越多样化，并且更多的从更加轻便的移动设备上获取信息，而移动设备具有其特有的制约，其中屏幕的大小以及使用时间都是关键性因素。作为近年来发展迅速的移动设备，智能手表/手环将进一步展示出其特有的优势以及其制约。文章针对智能手表/手环上的信息可视化，通过设立三个具有针对性的研究，探究其在“短使用时间”以及“小屏幕尺寸”下用户信息获取的准确性。
可视化在我们的日常生活中是非常常见的，大多数情况下它作为一种让我们能够快读而准确获取信息的方式。时至今日，大多数情况下，我们并非从电脑电视等载体获取信息，而是从一些更加便捷的终端获取信息。除了一些高频使用计算机的人群，更多的我们使用手机等载体接收数据。
而手机作为信息传递的载体，对于可视化这种数据编码展现形式来说，存在其限制与制约，其中最显著的一点就是屏幕的大小。我们不妨将这一限制进一步拓展，将目光转向另外的一些可穿戴设备，如智能手表。
智能手表近年来发展迅速，除了最基本的时间展示功能外，表盘上往往增加了许多图形特征来展现时间以外的其他信息，也就是表盘上的可视化方法。甚至于时间已经不再作为一个最为重要的信息展示项。其他的信息展示维度包括我们最常见的步数、运动分钟数、天气信息等等。
展示这些信息我们通常用到的方法有：短文本（日期、温度等）、图标（天气情况、邮件、未读信息等）、简单的可视化（柱状图、饼图、折线图等）。
而作为智能手表这类穿戴的显示设备，我们使用时往往有特定的环境限制，如：
- 这些关键信息都只能放在一个厘米见方的狭小空间中进行展示。这里是指空间限制，意味着它必须在非常狭小的空间中对所要展示的信息进行合理的空间分配，并且一般来说在这样小的空间内只支持我们使用较为简单的可视化展现形式。研究表明[1]不同尺寸观看条件下的可视化表现形式的效用是不同的，比如在小垂直高度下填充折线图的性能出乎意料的差！而[2]研究的是甜甜圈图，则说明视图尺寸大小对于“比例估计任务”的准确性并没有影响。
- 使用智能手表往往是一个移动环境，所以人们的单次平均使用时间很短，只有6.7秒[3]。这里是指时间限制，使用者基本只是一瞥就需要得到其想要获取的关键信息，而非坐下来认真分析数据。
先前的工作[4]只是模糊的说明了“不同的信息表征类型有不同的读取速度”，但对这里所说的“信息获取速度”没有给出定量的解释，其次对于这类小显示面板多种上下文表征类型的展示没有给出进一步的说明。
于是，该工作就是以此为目标，以表盘为基本载体，着手研究小面板上的多可视化图像的信息读取速度，并探究在短时间内获取这些信息的准确性。更加概括的来说就是去探究、了解人们在一个狭小空间内，面对多目标任务是如何做出快速而又准确的判断。
针对所要探究的问题，作者给出了一个特定的应用场景，即智能手表中的一个非常常见的功能：监测你设下的目标在当前时间的完成进度（如设置每天走一万步）。这是一个对“比例”信息的展示。针对于此，作者在研究展开前设置了几个特定的问题（RQ research question）：
- 在表盘上，我们常用什么表示“比例”？
- 在一个“多视图”多信息维度展示的表盘上，哪种表示“比例”的方式有最高的信息获取准确率以及最小的时耗？
- 表盘上的信息/展示密度和复杂性是如何影响任务性能的？
- 智能手表不同的观测角度对使用有怎样的的影响？
以上的问题1将在pre-study中通过统计的方式进行解答，而2~4这三个问题将在作者的主要工作——三个用户调研中进行一一解答。
为了获取实验的样本，作者在网站Facer上进行了搜集工作：连续4周，下载了该网站上排名前100的表盘数据样本。并在其中筛选了184个独一无二的表盘设计样本。
并且针对作者所研究的特定问题，即表盘上针对“比例”的显示，进行了进一步的筛选。得到了以下的统计表： 分析该表格，我们便可以对以上的RQ1进行回答：可见最受欢迎的、最常见用到的表示“比例”的方法是Bar-Chart、Arc-Chart、Donut-Chart和Gauge-Chart。
整个实验流程会生成一个问题序列，随机地生成某个大于或小于66%的百分比，并传入表盘进行显示一定时间，随后用户需要给出答案“大于”或“小于”。每当用户给出一个正确答案，下一次传入显示的展示时间将会减小，而每当给出一个错误答案，下一次传入显示的时间将会增加，如此往复，直到重复180次或经历25次逆转。此时根据所有的这些用时，得到用户响应的时耗阈值，以及回答问题的正确率等信息。该统计方式类似于“梯度下降”，十分有趣。
实验1的结果如下：分析该表格，我们可以对RQ2进行回答：bar-chart和radial-chart的时耗要明显低于纯文本表示且准确率高，在此基础上Bar-Chart的平均用时要稍小于radial-chart且准确率稍高。
对于实验2，该部分测试流程与以上的study基本相同，不过本实验加入了另一个考虑因素，即：在显示中加入了模拟时钟指针，探究加入模拟时钟指针后，用户获取信息的准确性与时耗是否受到了影响。
该实验结果如下：对比以上的实验结果，可见加入模拟表盘后，对测试结果的影响不大。
对于实验3，该部分测试流程与以上的study基本相同，不过加入另外一个“观察角度”的考虑因素。
具体的测试结果如下：
最后，根据以上的几个用户调研的结果，我们得以对于最开始提出的几个研究问题（RQ）做出解答。总结如下：
RQ1：最为常见的编码形式是线性编码和环形编码，而线性编码中以bar chart最为常见，环形编码中arc-chart最为常见；
RQ2：对于一个多视图的智能手表来说，相较于纯文本表现形式，bar和radial表现形式具有更快的信息获取速度以及更低的错误率。而在这二者中，bar表现形式更具优势，但优势没有很明显。
RQ3：通过增加模拟表盘来增加视觉上的复杂性，通过study02可知，增加模拟表盘后整体的用户响应时间和错误率都没有明显上升，可知表盘复杂度因素的影响并不明显。
RQ4：通过study03可知，观察角度对用户做出判断的响应时间以及错误率的影响并不大，仅在非常极端的角度下可能产生一定的影响。
虽然与实验室的工作并不直接相关，但仍然有一些借鉴意义。
其一就是可视化形式的选取，想突出重点，让人快速获取信息，使用哪类可视化；
其二就是实验室本身移动端项目很少，在网页端向移动端转化时，应该保留哪些关键信息可以在短时间内让人一目了然； 其三就是用户的使用环境：我们之前可能强调更多的是目标用户的个人背景与应用领域，然而这篇文章提醒我们也应该从用户的使用环境进行着重考虑
参考文献：
[1] J. Heer, N. Kong, and M. Agrawala. Sizing the horizon: The effects of chart size and layering on the graphical perception of time series visualizations. In Proc. of the Conf. on Human Factors in Computing
Systems, pp. 1303–1312. ACM, 2009. doi: 10.1145/1518701.1518897
[2] X. Cai, K. Efstathiou, X. Xie, Y. Wu, Y. Shi, and L. Yu. A study of the effect of doughnut chart parameters on proportion estimation accuracy. CGF, 37(6):300–312, 2018. doi: 10.1111/cgf.13325
[3] S. Pizza, B. Brown, D. McMillan, and A. Lampinen. Smartwatch in vivo. In Proc. of the Conf. on Human Factors in Computing Systems, pp. 5456–5469. ACM, 2016. doi: 10.1145/2858036.2858522
[4] T. Blascheck, L. Besanc¸on, A. Bezerianos, B. Lee, and P. Isenberg. Glanceable visualization: Studies of data comparison performance on smartwatches. IEEE TVCG, 25(1):630–640, 2019. doi: 10.1109/TVCG. 2018.2865142