his.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Understanding Indirect Causal Relationships in Node-Link Graphs
Högskolan i Skövde, Institutionen för informationsteknologi. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. (Skövde Artificial Intelligence Lab (SAIL))
Högskolan i Skövde, Institutionen för informationsteknologi. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. (Skövde Artificial Intelligence Lab (SAIL))ORCID-id: 0000-0001-6245-5850
Högskolan i Skövde, Institutionen för informationsteknologi. Högskolan i Skövde, Forskningscentrum för Informationsteknologi. (Skövde Artificial Intelligence Lab (SAIL))ORCID-id: 0000-0003-2900-9335
2017 (Engelska)Ingår i: Computer graphics forum (Print), ISSN 0167-7055, E-ISSN 1467-8659, Vol. 36, nr 3, s. 411-421Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

To find correlations and cause and effect relationships in multivariate data sets is central in many data analysis problems. A common way of representing causal relations among variables is to use node-link diagrams, where nodes depict variables and edges show relationships between them. When performing a causal analysis, analysts may be biased by the position of collected evidences, especially when they are at the top of a list. This is of crucial importance since finding a root cause or a derived effect, and searching for causal chains of inferences are essential analytic tasks when investigating causal relationships. In this paper, we examine whether sequential ordering influences understanding of indirect causal relationships and whether it improves readability of multi-attribute causal diagrams. Moreover, we see how people reason to identify a root cause or a derived effect. The results of our design study show that sequential ordering does not play a crucial role when analyzing causal relationships, but many connections from/to a variable and higher strength/certainty values may influence the process of finding a root cause and a derived effect.

Ort, förlag, år, upplaga, sidor
2017. Vol. 36, nr 3, s. 411-421
Nationell ämneskategori
Människa-datorinteraktion (interaktionsdesign) Data- och informationsvetenskap
Forskningsämne
Skövde Artificial Intelligence Lab (SAIL); INF301 Data Science
Identifikatorer
URN: urn:nbn:se:his:diva-13970DOI: 10.1111/cgf.13198ISI: 000404881200038Scopus ID: 2-s2.0-85022207775OAI: oai:DiVA.org:his-13970DiVA, id: diva2:1130540
Konferens
19th Eurographics/IEEE VGTC Conference on Visualization (EuroVis), JUN 12-16, 2017, Barcelona, SPAIN
Tillgänglig från: 2017-08-10 Skapad: 2017-08-10 Senast uppdaterad: 2018-06-11Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Bae, JuheeHelldin, ToveRiveiro, Maria

Sök vidare i DiVA

Av författaren/redaktören
Bae, JuheeHelldin, ToveRiveiro, Maria
Av organisationen
Institutionen för informationsteknologiForskningscentrum för Informationsteknologi
I samma tidskrift
Computer graphics forum (Print)
Människa-datorinteraktion (interaktionsdesign)Data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 511 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf