r Sys.Date()Ders Modülü Amacı:
Bu materyal, veri görselleştirme tasarımını estetik tercihlerden öteye taşıyarak, insan bilişi, algısal doğruluk ve grafik inşa ilkeleri çerçevesinde kavramsal bir temel sunmayı amaçlar. Materyal, ders sırasında kullanılacak örnek grafik ve görseller için teorik bir referans metni olarak tasarlanmıştır.
Veri görselleştirme çoğu zaman yazılım becerisi (R, Python, Tableau vb.) ve estetik tercihlerle ilişkilendirilir. Oysa etkili bir görselleştirmenin temel sorusu şudur:
“Bu grafik güzel mi?” değil, “Bu grafik doğru ve işlevsel biçimde okunabiliyor mu?”
Bu ders materyali, veri görselleştirmeyi üç temel teorik omurga üzerinden ele alır:
Bu çerçeve, öğrencinin grafiklere yalnızca “görsel ürün” olarak değil, algısal ve bilişsel olarak çözümlenen bilgi yapıları olarak yaklaşmasını sağlar.
Bu modülün sonunda öğrenci:
Bu materyal beş ana bölümde yapılandırılmıştır:
Not: Ders sırasında kullanılacak grafik ve görseller, bu kavramsal yapının üzerine öğretim amaçlı olarak eklenecektir.
İnsan gözü bir kamera gibi tüm görsel alanı eşit netlikte işlemez. Görsel algı, beynin çevreyi aktif biçimde tarayıp anlamlandırdığı bir süreçtir. Bu nedenle veri görselleştirme tasarımı, yalnızca “ne gösterildiği” ile değil, okuyucunun görsel alanı nasıl taradığı ile de ilgilidir.
Bu bağlamda temel sorular şunlardır:
Bir görselin başarısı yalnızca bilgi yoğunluğu ile değil, bakış sırasını yönetebilmesiyle ilişkilidir.
İnsan algısı hareketli, kontrastlı veya renk açısından belirgin öğelere hızlı tepki verir. Bu nedenle görsel tasarımda “dikkat çekici” öğelerin kontrolsüz kullanımı, ana mesajın anlaşılmasını zorlaştırabilir.
Bu ilke özellikle animasyonlu grafikler, dashboard’lar ve sunum slaytları için önemlidir.
Gestalt yaklaşımı, beynin görsel alanı tek tek öğeler olarak değil, ilişkili kümeler halinde algıladığını ortaya koyar. Veri görselleştirmede bu ilkeler, düzenleme ve anlamlandırma açısından temel bir rol oynar.
Aynı veri, farklı yerleşim ve gruplama tercihleriyle: - daha anlaşılır, - daha karmaşık, - ya da daha yanıltıcı hale gelebilir.
Çalışan hafıza, görsel bilgiyi kısa süreli olarak işleyen sınırlı kapasiteli bir sistemdir. Bir bilgisayarın RAM belleğine benzetilebilir: hızlıdır, ancak kapasitesi çabuk dolar.
Bir görsel çok sayıda kategori, renk, ikon, panel ve açıklamayı aynı anda yüklediğinde, kullanıcı ana mesajı takip etmekte zorlanabilir.
Haritalarda ve grafiklerde dörtten veya beşten fazla renk ya da piktogram kullanımı dikkatle planlanmalıdır. Çok sayıda kod, okuyucunun bu kodların anlamını çalışan hafızada tutmasını zorlaştırır.
Bu durum çoğu zaman bir dikkat darboğazı (attentional bottleneck) oluşturur.
Çalışan hafızanın kapasite sınırları, görsel tasarımda soyutlamanın neden kritik olduğunu açıklar. Hiper-gerçekçi görseller çoğu zaman gereksiz ayrıntı yükleyerek clutter üretir.
Görseldeki gereksiz bilgiler çıkarılıp nesne: - siluet, - eskiz, - çizgi sanatına (line art) indirgendikçe, algılanması gereken temel özellikler daha belirgin hale gelir.
Özellikle süreç, mekanizma, yön, hareket veya eylem anlatımında: - hiper-gerçekçi görsel her zaman daha iyi değildir; - çoğu durumda soyutlanmış çizim daha öğreticidir.
Ana fikir: Soyutlama, yalnızca estetik sadeleşme değil; bilişsel yük yönetimidir.
Veri görselleştirmede “insanlar neden bazı görsel farkları kolay, bazılarını zor algılar?” sorusunu anlamak için psikofizik literatür önemlidir. Bu bölüm, Cleveland–McGill yaklaşımını destekleyen temel sezgiyi güçlendirir.
Weber Yasası, iki uyaran arasındaki farkın algılanabilmesi için, bu farkın uyaranın büyüklüğüyle orantılı olması gerektiğini söyler.
Yani algılanabilir fark (just noticeable difference), mutlak farktan çok oransal fark ile ilişkilidir.
Bu yasa özellikle şu durumlarda önemlidir: - yakın değerlerin karşılaştırılması, - uzunluk/alan farklarının yorumlanması, - büyük değerler arasında küçük farkların görünür kılınması.
Stevens’ Power Law, algılanan büyüklüğün fiziksel büyüklüğün bir üssü olarak değiştiğini ifade eder.
Genel form: \[ P = kS^n \]
Burada: - \(P\): algılanan büyüklük - \(S\): fiziksel büyüklük - \(k\): sabit - \(n\): gösterim türüne göre değişen üs
Farklı görsel kodlar için algısal doğruluk aynı değildir:
Bu nedenle: - alan/hacim temelli grafikler (özellikle bubble chart, 3D chart) nicel kıyas için riskli olabilir, - uzunluk/konum temelli grafikler daha güvenilir olur.
Weber ve Stevens yasaları, veri görselleştirmede şu temel fikri destekler:
Tüm görsel kodlar insan zihninde aynı doğrulukla çözümlenmez.
Bu nedenle grafik tasarımı, insan algısının sınırlarını dikkate alan bir ölçüm iletişimi tasarımıdır.
Cleveland & McGill’in en önemli katkılarından biri, grafik değerlendirmesini “grafik türleri” üzerinden değil, izleyicinin yaptığı algısal görevler üzerinden düşünmeyi önermesidir.
Bu nedenle asıl soru şudur:
Hangi görsel görev için hangi grafik ya da görsel kod daha uygundur?
Deneysel bulgulara dayanan öğretim amaçlı özet sıralama (yüksek doğruluktan düşüğe):
(Position along a common scale)
Örnek: dağılım grafiği, çubuk grafik
(Position along non-aligned scales)
Örnek: faceting panellerde noktaların karşılaştırılması
(Length)
Örnek: çizgi/çubuk uzunlukları
(Angle / Slope)
Örnek: pasta grafik dilimleri, çizgi grafik eğimleri
(Area)
Örnek: bubble chart
(Volume, Density, Color Saturation)
Örnek: 3D grafikler, bazı heatmap yorumları
Aynı verinin farklı görsel kodlarla sunulması, kullanıcı hatasını değiştirebilir. Bu nedenle “güzel görünen” bir grafik, “doğru okunan” bir grafik olmak zorunda değildir.
Bu hiyerarşi güçlü bir öğretim aracıdır; ancak bağlamdan bağımsız otomatik bir karar tablosu değildir.
Sonuç: Cleveland–McGill yaklaşımı, grafik türü ezberi değil, algısal görev–görsel kod uyumu öğretir.
1987 çerçevesinde grafik, nicel bilgiyi görsel biçimde kodlayan bir yapıdır; kullanıcı ise bu bilgiyi görsel olarak çözer (decode). Bu nedenle grafik tasarımı yalnızca görsel üretim değil, algısal çözümleme tasarımıdır.
Arama terimleri: graphical perception, visual decoding, statistical graphics construction
Bir grafiği anlamak ve değerlendirmek için üç düzey birbirinden ayrılmalıdır:
Grafiğin hangi araç veya yazılımla üretildiği
Hangi istatistiksel yöntem, özetleme veya analitik yaklaşımın kullanıldığı
Bilginin hangi görsel kodlar ve yerleşim kararlarıyla inşa edildiği
Grafiklerin yanlış okunmasına yol açan birçok sorun, yöntemden çok görsel inşa kararlarından kaynaklanır: - eksen seçimi, - oran/ölçek kararı, - gereksiz alan kullanımı, - zayıf hiyerarşi, - aşırı renk/etiket yükü.
Çizgi grafiklerde eksen oranı (yükseklik-genişlik ilişkisi) yalnızca estetik bir tercih değildir; eğim algısını ve dolayısıyla yorumlamayı etkiler.
Aynı veri farklı grafik oranlarında çizildiğinde, farklı trend şiddeti veya değişim etkisi algısı oluşturabilir.
Grafiğin “şekli” (shape parameter), verinin algılanan davranışını değiştirebilir. Bu nedenle çizgi grafik ve zaman serisi tasarımında eksen oranı, algısal doğruluk kararı olarak ele alınmalıdır.
Bu materyalde önerilen temel değerlendirme çerçevesi, Cairo + Cleveland & McGill yaklaşımlarını birlikte kullanır.
Önce grafiğin temel amacı tanımlanır:
Amaç tanımlanmadan yapılan değerlendirmeler çoğu zaman yanlış sonuçlara götürür.
Değişkenlerin hangi görsel kodlarla temsil edildiği belirlenir:
Bu adım, grafiğin “nasıl çalıştığını” çözmenin temelidir.
Kullanıcıdan fiilen hangi algısal işlemin beklendiği tanımlanır:
Grafikteki görsel kod ile beklenen algısal görev arasındaki uyum, görselleştirmenin başarısını belirleyen temel unsurlardan biridir.
Son adımda grafik, iki tamamlayıcı çerçeve ile birlikte değerlendirilir.
Temel sonuç: İyi grafik değerlendirmesi, tek bir kuramla değil, amaç + algısal görev + bilişsel tasarım birlikteliğiyle yapılır.
Bu bölüm, ders sırasında kullanılacak çok panelli, ağ tabanlı, radial veya karmaşık görseller için genel bir okuma çerçevesi sunar. Belirli bir görsele bağımlı değildir; öğretim sırasında farklı örneklerle genişletilebilir.
Karmaşık bir grafiği değerlendirirken ilk adım, onu yanlışlıkla klasik bir grafik türüne indirgememektir.
Temel soru: Bu görselin amacı hassas nicel karşılaştırma mı, yoksa yapısal/örüntüsel bir anlam üretmek mi?
Bu ayrım yapılmadan Cleveland–McGill yaklaşımının mekanik uygulanması, yanlış yorumlara yol açabilir.
Ağ/radial/çok katmanlı görsellerde sıklıkla şu görevler baskındır:
Bu görevler, klasik çubuk grafiklerdeki hassas nicel kıyas görevlerinden farklıdır.
Cleveland–McGill yaklaşımı karmaşık görsellerde tamamen geçersiz değildir; ancak sınırlı ve dikkatli kullanılmalıdır.
Bu alanlarda Cairo, Gestalt ve bilişsel yük çerçeveleri daha açıklayıcı olur.
Veri görselleştirme alanında sık karşılaşılan bir sorun, teknik terminoloji kullanan ancak grafiğin gerçek yapısını ve amacını doğru analiz etmeyen yorumlardır.
Teknik jargon kullanımı, tek başına analitik doğruluk anlamına gelmez. Doğru grafik eleştirisi, kavramların bağlama uygun kullanımını gerektirir.
Bu materyal, görsel örneklerden bağımsız bir temel bilgi nesnesi olarak tasarlanmıştır. Ders sırasında kullanılacak grafikler ve görseller, bu çerçevenin ilgili bölümlerine eklenerek her yıl güncellenebilir.
Bu bölüm, öğrencinin derste geçen kavramları daha sonra literatürde arayabilmesi için eklenmiştir.
Bu modülün temel iddiası şudur:
Veri görselleştirme, yalnızca veriyi “göstermek” değil;
insan zihninin veriyi nasıl göreceğini, çözeceğini ve anlamlandıracağını tasarlamaktır.
Cairo’nun biliş odaklı yaklaşımı ile Cleveland & McGill’in algısal doğruluk ve grafik inşa yaklaşımı birlikte düşünüldüğünde, veri görselleştirme eğitimi: