摘要 圖表作為一種以圖形和表格記錄、展示和傳遞信息的表征方式已得到廣泛應用。圖表加工是指人們對圖表所呈現(xiàn)信息的認知加工。文章首先說明并簡要評述圖表加工的規(guī)則模型、認知過程模型和計算模型，然后介紹2004年提出的層次框架模型，最后進行小結并指出未來的研究方向。
　　關鍵詞 圖表加工，規(guī)則模型，認知過程模型，計算模型，層次框架模型。
　　分類號 B842
　　
　　古埃及人繪制地圖來表示復雜的空間信息，在某種意義上創(chuàng)作了第一種圖形顯示；在莎士比亞時代，人們使用“劃線”和“標記”系統(tǒng)來記錄數(shù)量關系[1]。Playfair在《商業(yè)與政治地圖冊（The Commercial and Political Atlas）》一書中區(qū)分了餅圖、直條圖、直方圖和線形圖等，率先對圖表顯示進行科學研究（參見文獻[2]）。Playfair明確指出，對于呈現(xiàn)定量數(shù)據(jù)，使用模擬符號比使用詞匯和數(shù)字更有效（參見文獻[3]）。
　　圖表（graph and table）作為一種重要的信息記錄、展示和傳遞方式，已經(jīng)被廣泛地應用到科學[1]、工程[4]、教育[5]、商業(yè)和媒體[6]等領域中，并發(fā)揮著重要的作用。圖表不僅有突出的視覺和空間特征，而且有表征數(shù)量關系的圖表構成成分，因此，圖表加工與人們對圖表的知覺加工和對圖表構成成分的概念加工密不可分。如何更好地設計和制作圖表以有效地記錄和展示信息，如何快速有效正確地理解并獲取圖表所傳遞的信息，已成為認知心理學家關注的重要問題，其研究成果具有明顯的應用價值。
　　近年來，研究者們提出了許多有關圖表加工的理論模型，試圖說明圖表加工過程的特點與規(guī)律�；�于已有的圖表加工理論所涉及的認知加工過程的復雜程度，我們將其區(qū)分為兩大類，第一類較為簡單，包括規(guī)則模型（rule model）、認知過程模型（cognitive process model）和計算模型（computational model），而第二類是2004年提出的層次框架模型（hierarchical framework model），涉及的認知加工過程相對比較復雜。本文將首先介紹第一類模型，并進行簡要評述；然后，介紹和評述層次框架模型；最后，在總結已有圖表加工理論的基礎上，試圖指出以往圖表加工研究中存在的問題，并提出未來的發(fā)展方向。
　　1 規(guī)則模型
　　規(guī)則模型指出了圖表設計過程中應遵循的基本準則，主要可以分為分析模型（analytic model）和兼容模型（compatibility model）兩大類。分析模型主要側重于從圖表自身的角度出發(fā)來考慮圖表設計的原則，而兼容模型的特點在于從圖表和任務的兼容性方面來考慮圖表設計的原則。
　　1.1 分析模型
　　分析模型中所論述的圖表設計的基本原則，大多是基于認知心理學家的直覺和經(jīng)驗，只有少數(shù)基于實證數(shù)據(jù)。Bertin的《圖表記號學（Semiology of Graphics）》一書著重分析了圖表顯示的視覺特性，并詳細地闡述了用于設置和顯示數(shù)量變化的圖表生成技術[7]。他把圖表設計問題劃分為不同的類別，認為在設計圖表時應該考慮圖表擬顯示的信息成分的組織水平（名義的、順序的、等距的和比例的），并指出表征信息某一成分的變量必須具有和它們所表征的信息成分至少相同的組織水平。
　　Tufte則提出了數(shù)據(jù)－筆墨比率（data-ink ratio）原則（參見文獻[3]）。這一原則認為，圖應該只用來表示重要的信息，因此，應該使不能表達數(shù)據(jù)點或數(shù)據(jù)點之間關系的描述減至最少，以減少混淆。Gillan和Richman進一步指出，數(shù)據(jù)筆墨比率越高，則完成系列判斷所用的時間越短，準確性越高；整合性的任務（如總體比較、綜合判斷）比聚焦性任務（如單值提�。└�易受數(shù)據(jù)－筆墨比率的影響[8]。他們的實驗結果表明，圖形背景的使用可能會干擾讀者對圖表信息的加工（尤其是當讀者完成整合性任務時），其結果會增加反應時間，降低準確性[8]。
　　Kosslyn在編碼、知覺和表征的不同層面上對圖表進行了句法的（syntactic）、語義的（semantic）和實效的（pragmatic）分析，指出了影響圖表閱讀難易程度的因素[9]。Zhang關注表征維度（representing dimensions）和被表征維度（represented dimensions）之間的關系，指出只有當表征維度能夠充分必要地表征被表征維度時，表征方式才是最優(yōu)的，也就是說，表征維度和被表征維度應該在量尺類型上匹配[10]。
　　綜上所述，分析模型主要側重于從圖表自身出發(fā)來考慮圖表設計的原則。分析模型的主要問題在于，它們很少考慮任務類型、圖表讀者的知識經(jīng)驗以及這些因素之間的交互作用，并且缺乏實證研究支持。具體而言，Bertin側重于對圖表設計原則的敘述，并沒有提供相應的實驗證據(jù)。Kosslyn的圖表理論[9]和Zhang的表征原則[10]也缺乏實驗數(shù)據(jù)的支持。雖然Tufte的數(shù)據(jù)－筆墨比率原則得到了一些實驗數(shù)據(jù)的支持，但其概念卻有點擴大化了。例如，在線形圖中，數(shù)據(jù)是由各個點來表達的，點與點的連線并不傳遞數(shù)據(jù)，根據(jù)Tufte提出的原則，這些多余的連線應該被刪除。但是，如果刪除這些多余的連線就會削弱人們完成某些任務（如趨勢評估）的能力，因為這些連線為圖表讀者提供了線條斜率的突顯特征（參見文獻[3]）。
　　1.2 兼容模型
　　兼容模型即任務－顯示兼容性（task-display compatibility）模型[3]，認為不同的顯示方式適用于不同的任務，如果任務不同，那么最佳的顯示方式也應有所不同。Vessey在“認知匹配理論”（cognitive fit theory）中對這一模型進行了詳細的闡述，旨在說明圖和表兩種信息呈現(xiàn)方式之間的差別以及它們所支持的任務類型[11,12]。Vessey指出，圖主要用來呈現(xiàn)空間信息，而表主要用來呈現(xiàn)符號信息。任務主要可以區(qū)分為兩大類：一類為“符號”（symbolic）任務，包括提取離散數(shù)值；而另一類為“空間”（spatial）任務，包括覺察或判斷數(shù)值之間關系（如大小比較、趨勢判斷等）。根據(jù)兼容模型，當呈現(xiàn)方式和任務均為空間的或均為符號的時候，兩者是兼容的，其任務績效要明顯高于兩者不兼容情景下的任務績效。但是，Vessey的實驗結果只是部分地符合模型的預測。
　　兼容模型的一個主要變式是“接近―兼容性原則”（proximity-compatibility principle，簡稱為PCP），即任務和顯示方式應該同時是低接近性的或者同時是高接近性的[3,13,14]。低接近性任務要求使用單個數(shù)據(jù)點（如提取具體數(shù)值）；而高接近性任務則要求使用數(shù)據(jù)點的構型（如比較趨勢）。在低接近性的顯示方式中，數(shù)值之間距離較大或者分開顯示（如數(shù)據(jù)表）；而在高接近性的顯示方式中，數(shù)據(jù)之間分布緊密并可組成視覺構型（如客體顯示，object display）。PCP表明，當任務的接近性與顯示方式的接近性相兼容的時候，績效最好。Renshaw 等人使用眼動技術對圖例的位置進行考察，結果表明在遵循PCP的條件下，讀者的操作績效較好[15]。需要說明的是，PCP不僅包括顯示方式的空間接近性，還包括所使用的顏色、形狀和尺寸的相似性。
　　我們認為，兼容模型提出了圖表設計的一個重要原則，但并未說明為什么遵循兼容性原則的圖表能提高圖表讀者的任務績效。此外，兼容性模型只闡述了圖表與任務之間的關系，并沒有考慮圖表讀者的知識經(jīng)驗等因素。由于圖表讀者、圖表和任務構成一個系統(tǒng)，三者之間存在著一定的交互作用，圖表－任務之間的關系可能會受到圖表讀者知識經(jīng)驗的影響。前面提到的Vessey的部分實驗結果與模型預期不一致，可能是圖表讀者不同的知識經(jīng)驗造成的。
　　2 認知過程模型
　　認知過程模型認為，圖表理解的過程可以分解為一系列的認知加工過程，主要包括圖表理解理論（theory of graph comprehension）、理解認知信息工程（understanding cognitive information engineering，簡稱為UCIE）的計算機程序和知覺與概念加工模型（model of perceptual and conceptual processes）。
　　2.1 圖表理解理論
　　Pinker在其提出的圖表理解理論中，將圖表界定為向讀者傳達數(shù)學量尺中一組N維數(shù)值的一種表征方式，用客體的視覺維度（如：長度、位置、亮度和形狀等）對應于各自表征的量尺（如：名義的、順序的、等距的或比例的），每一個維度值對應于相應量尺的值[16]。Pinker指出，要理解圖表，讀者需要做兩件事情。首先，他必須在心理上以一定的方式來表征圖表中的元素。當讀者看一張圖表時，圖表中的信息就會以一種強度的二維模式即網(wǎng)膜上的視覺陣列（visual array）作用于其神經(jīng)系統(tǒng)，視覺陣列的原始信息通過視覺描述（visual description）被轉換為記憶表征來指代圖表中視覺標記的意義。其次，讀者必須記住或推論出圖表視覺成分所代表的相應的數(shù)學量尺。為此，Pinker提出圖表圖式（graph schema）的概念，即在某些領域已經(jīng)被記住的圖表信息，包括對至今未知信息的參量和插槽的描述。讀者通過圖表圖式可以獲得圖表的視覺成分與相應的數(shù)學量尺之間的正確對應關系。
　　Pinker指出，為了回答特定的問題，圖表讀者需要把從視覺描述中獲得的信息轉換成概念消息（conceptual messages），并把問題轉換成能夠通過視覺描述來回答的形式。這將包括下面的一系列過程：（1）匹配（matching），即將圖表歸類為某一特定的圖表類型；（2）消息匯集（message assembly），即從圖表圖式中產(chǎn)生概念消息的過程，值得注意的是，并不是圖表中的所有信息都必須被轉換成概念消息；（3）查詢（interrogation），即基于概念問題對新信息進行編碼和提取；（4）推論過程（inferential processes），即將數(shù)學和邏輯規(guī)則應用到概念消息中去，以獲取新的信息。
　　Pinker的圖表理解理論主要以命題表征為基礎，關注的是人們從圖表中提取信息的過程。該理論存在著以下幾個方面的問題：（1）Ratwani等人指出，圖表理解理論對讀者的任務績效不能提供很好的解釋，沒有說明讀者在理解圖表的過程中是如何整合信息的，如“群組”（cluster）信息是單個讀取的還是以格式塔的方式形成的[17]；（2）不能很好地解釋問題類型對信息加工過程的影響。Ratwani等人指出，根據(jù)圖表理解理論，讀者讀取和整合問題應該有著相同的掃描模式。然而，經(jīng)驗數(shù)據(jù)表明，問題類型對讀者的掃描模式有著強烈的影響，視覺加工的操作是服務于讀者所要回答的問題[17]；（3）聲明了推論是圖表理解過程的一部分，但是并沒有給出推論過程發(fā)生的細節(jié)；（4）沒有提及領域知識的問題；（5）Trickett等人指出，這一理論沒有涉及到空間轉換的概念，對需要空間轉換的問題難以理解[18]。
　　2.2 UCIE的計算機程序
　　在Pinker圖表理解理論的基礎上，Lohse采用UCIE的計算機程序來模擬讀者使用圖表的認知加工過程，對讀者提取特定信息的加工過程做出定量預測[19]。Lohse指出圖表理解包括以下認知加工過程：（1）早期的視覺加工即檢測和編碼圖表的視覺特征；（2）短時記憶即形成從早期視覺加工過程中獲得的視覺描述；（3）短時記憶的信息激發(fā)了和長時記憶中記憶痕跡的聯(lián)系。他使用GOMS（goals, operators, methods, and selection rules）模型和視線追蹤技術來研究圖表理解的過程，同時考慮到短時記憶容量（3個組塊）和持續(xù)時間（7s）有限，以及掃描過程中獲取信息的難易程度不同等方面的因素，通過使用大量的“認知工程參數(shù)”（cognitive engineering parameters）來估計在假定的顯示方式下完成一個具體任務所需要的時間。他進行了相關的實驗研究，對掃描模式做出了具體的預測，將讀者的實際績效和計算機程序的預測績效相比較，部分結果支持UCIE模型。
　　Lohse的UCIE模型為定量預測圖表的理解過程邁出了重要的一步。但仍然存在諸多問題：（1）Lohse指出，實驗中任務績效的個體差異非常大，需要額外的研究來解釋[19]；（2）UCIE模型的預測會受到顯示信息復雜程度的影響，F(xiàn)oster指出，這或許是由于UCIE模型使用的是較低水平的操作，而這些較低水平的操作對圖表的信息復雜程度的變化比較敏感[20]；（3）Meyer指出這個模型不太容易使用，因為它具有大量的認知參數(shù)，難以對各種新任務建模[21]；（4）沒有提供恰當?shù)恼�合機制。Lohse認為在整合信息的過程中，將出現(xiàn)多次重復掃描的可能性，通過大量的掃描形成類群，把類群聯(lián)系起來，實現(xiàn)多類群的推理，直到建構完所有的相關類群并做出比較[19]。然而，Ratwani等人的研究表明，圖表讀者一般是一次性形成類群，然后利用這些信息進行推理[22]；（5）同Pinker的圖表理解理論一樣，UCIE也沒有提及領域知識和空間成分。
　　2.3 知覺與概念加工模型
　　Carpenter和Shah在前人的基礎上提出了圖表理解的知覺與概念加工模型[23]。她們將圖表理解看作是整合一系列復雜的知覺和概念加工過程，提出了三種類型的加工：（1）模式再認過程，即編碼圖表中主要的視覺模式，如線條是直的還是鋸齒狀的，是否有多條，它們之間是平行的還是交叉的關系。準確的編碼是圖表理解的前提條件；（2）模式解釋過程，即對視覺模式的代碼進行操作，將視覺特征轉換為它們所表征的概念關系，并提取出定性、定量的關系。這些過程包括提取和視覺模式相聯(lián)系的知識，如上行曲線表示增函數(shù)。當視覺模式容易激發(fā)適當?shù)臄?shù)量概念的時候，圖表的理解就變得相對容易，然而，有些數(shù)量的或函數(shù)的信息獲取需要復雜的推論過程；（3）整合過程，即將這些數(shù)量關系和從標簽、標題中推論的指代物聯(lián)系起來，包括確定被量化概念的指代物，將這些指代物和已編碼的函數(shù)聯(lián)系起來。指代過程的一個方面就是標定過程，包括閱讀坐標軸上的圖例和數(shù)量值，并將它們和相應的線條和數(shù)據(jù)點聯(lián)系起來。標定過程很可能與模式再認、相關概念知識的提取發(fā)生交互作用。
　　Carpenter和Shah采用視線追蹤技術來考察圖表加工過程中涉及的認知過程，明確提出應將知覺加工和概念加工結合起來[23]。實驗結果表明，圖表理解需要讀者閱讀和重讀坐標軸和圖標區(qū)以獲得的必要信息，而且人們并不總是能夠保持從這些區(qū)域所獲得的信息。她們的研究為圖表中不同區(qū)域的設計提供了一定的心理學依據(jù)。
　　此外，認知過程模型還包括Cleveland和McGill提出的圖表知覺模型（graph perceptional Model）[24,25]，Gillan和Lewis提出的人－圖表交互的成分模型（componential model）中的混和算法知覺（mixed arithmetic perceptual，簡稱為MA-P）模型[26]，Meyer提出的視覺搜索模型（visual search model）[21]，Gillan和Callahan提出的人－圖表交互的成分模型中餅圖的錨定－對齊－調整模型（anchor- align-adjust model）[27]，Hollands和Spence提出的用于條圖和餅圖中數(shù)量辨別任務的遞增估計模型（the incremental estimation model）[28]，F(xiàn)reedman和Shah提出了基于知識的圖表理解模型（a model of knowledge-based graph comprehension）[29]以及Katz等人提出的圖表理解中的視覺組塊假說（the visual chunks hypothesis）[30]。
　　3 計算模型
　　Peebles和Cheng對基于圖表推理（graph-based reasoning，簡稱為GBR）的模型予以擴展，提出了計算模型[31,32]。
　　GBR模型（參見文獻[31，32]）類似于Lohse的UCIE的計算機程序，不同之處在于它認為圖表推理過程中的讀者行為是推理者的知覺技巧、所使用圖表特性和任務的特定要求三者交互作用的函數(shù)。它假設，對于一個特定的信息提取任務，有經(jīng)驗的讀者將利用一種程序來獲得眼跳序列和對目標任務的固視信息。最終的掃描路線是否是最優(yōu)的，或多或少依賴于被試有關圖形的一般知識、對任務類型的熟悉程度以及完成任務所需的概念和程序。GBR模型也存在一定的局限性：（1）最優(yōu)路線的假設掩蓋了個體水平上重要的認知和策略因素的影響，例如，在加工的過程中，讀者可能需要權衡額外的眼動與減少工作記憶負荷的策略性決策；（2）有關時間的預測停留在陳述性的水平上，需要更強有力的模型來產(chǎn)生定量的結果。
　　Peebles和Cheng以認知理論為基礎，將GBR模型與具體化認知（embodied cognition）、執(zhí)行加工/交互控制（executive process/interactive control）和ACT理性知覺運動（ACT rational perceptual motor）相結合，提出了圖表理解的計算模型。這一模型能夠結合并測試相關的認知因素（如陳述性和程序性的知識、所采取的策略和工作記憶的局限性）以及知覺運動因素（如鼠標的運動和視覺注意的轉移）。與其他的認知任務分析方法一樣，計算理論結合了成分單元任務執(zhí)行潛伏期的假設，能夠準確預測完成單一任務的時間。此外，計算模型還能夠提供解釋任務的重要的足夠的證據(jù)，包括學習機制，可以模擬練習對績效的影響。
　　計算模型不僅僅涉及圖表理解中人的認知過程，還涉及到人在完成任務過程中的知覺運動因素，它將人－圖表－任務看作一個系統(tǒng)，在認知－人造物－任務（cognition-artifact- task）的系統(tǒng)框架下來探討人－圖表－任務之間復雜的交互行為，并進行計算機模擬。這一模型對于簡單任務（如，單值提�。┛冃У念A測已經(jīng)相當完美，但是它難以預測復雜任務（如整合任務、推論任務）的績效。
　　4 層次框架模型
　　上面所論述的規(guī)則模型、認知過程模型和計算模型主要集中在從顯示數(shù)據(jù)點相對較少的簡單圖形中進行數(shù)據(jù)直接讀�。ㄈ鐔沃底x�。┖蛿�(shù)據(jù)間讀�。ㄈ绮町惐容^、確定趨勢等）的操作。然而，現(xiàn)實生活中的圖表使用還涉及更復雜的信息提取過程，如股票分析家和氣象預報員不僅要確定當前的數(shù)值，還要對未來的數(shù)值進行預測[33]。Trickett等人發(fā)現(xiàn)，以往的圖表加工模型能夠準確地解釋簡單圖表和復雜圖表中的數(shù)據(jù)直接讀取問題；但是當應用于整合問題時，在解釋讀者如何從含有多個數(shù)據(jù)點的復雜圖表中整合信息進行數(shù)據(jù)間讀取，特別是對數(shù)據(jù)間讀取的任務績效進行預測時出現(xiàn)了困難；此外，更重要的是以往的圖表加工模型也不能解釋推論過程，因為推論需要讀者超越外顯呈現(xiàn)的數(shù)據(jù)進行數(shù)據(jù)外讀取[18]。
　　針對以往圖表加工理論模型的不足，Ratwani等人提出了層次框架模型（hierarchical framework model）[17,34,35]。這一模型認為，（1）從圖表中提取信息的復雜性是有層次的，數(shù)值讀取是最簡單的信息提取任務，其次是整合與推論；（2）提取不同類型信息所需要的認知過程隨著任務的難度以層次的形式逐漸提高的，讀取數(shù)值是最基本的信息提取任務，復雜的信息整合任務除了需要簡單地讀取信息之外，還需要進行空間轉換（spatial transformation）。空間轉換是指對圖表的數(shù)據(jù)進行的心理操作，例如，為了做出比較，需要在心理上將一條線移動到另一條線上，空間轉換允許圖表讀者結合圖表的不同區(qū)域，這一操作可以幫助讀者比較量值和預測趨勢[18]，F(xiàn)eeney和Webber也指出，人們在執(zhí)行圖表理解任務時，應該盡可能自發(fā)地產(chǎn)生與空間特性有關的模擬表征（analogical representation）[36]；（3）為了做出推論，圖表讀者不僅要使用整合過程，還需要使用模式外推（pattern extrapolation）和心理模型（mental model）。模式外推是指圖表讀者先考察已知的數(shù)據(jù)點，然后在這些數(shù)據(jù)點所組成模式的基礎上做出推論；心理模型也能夠用來做出推論。Trafton等人表明，當從可視化的氣象圖中做出推論時，氣象專家能夠形成定性的心理模型[33]；（4）其他的一些因素如知識經(jīng)驗、認知努力等也會影響心理操作的執(zhí)行。盡管層次框架模型指出圖表讀者在提取不同類型的信息時會使用不同的認知過程，但這并不是必然的，由于認知經(jīng)濟原則，圖表讀者會盡可能地使用最簡單的過程去提取所需要的信息。例如，當整合信息時，如果可能的話，圖表讀者主要還是使用讀取信息的操作，因為讀取信息是最簡單的信息提取方式，與空間轉換相比需要的認知努力非常少。
　　圖表加工的層次框架理論目前還處在起步階段，還有許多的問題需要解決。例如圖表讀者是如何從不同類型的圖表中獲取信息的？如何整合這些信息并做出推論的？在獲取信息、整合信息并做出推論的過程中進行了哪些心理操作？獲取信息、整合信息和做出推論所需要的心理操作有何區(qū)別與聯(lián)系？讀者如何進行空間轉換？如何形成心理模型？后續(xù)的研究有必要結合口語報告和視線追蹤技術，進一步探討上述問題，以完善現(xiàn)有的理論。
　　5 小結
　　綜上所述，圖表加工理論的發(fā)展可以分為兩個階段。第一個階段提出了規(guī)則模型、認知過程模型和計算模型。最初的規(guī)則模型側重于圖表設計的原則，由強調圖表顯示的視覺特性（分析模型）發(fā)展到強調圖表和任務的關系（兼容模型）。認知過程模型側重于圖表理解涉及的認知過程，由定性的認知過程描述（Pinker的圖表理解理論和Carpenter等人的知覺與概念加工模型）發(fā)展到認知過程的定量預測（Lohse的UCIE的計算機程序和Peeble等人的計算模型）。計算模型不僅強調了對認知過程的定量預測，而且在人－圖表－任務這一廣闊的背景下來考察人－圖表之間的交互作用。到目前為止，第一階段的發(fā)展成果卓著，實現(xiàn)了對圖表理解過程的定量預測和計算機模擬。第二個階段提出了層次框架模型。這一模型是第一階段模型的擴展，目前還剛剛起步，側重于從復雜圖表中來提取信息并做出推論以回答高度整合的任務，代表了未來圖表加工理論的發(fā)展趨勢。因此，在未來的研究工作中，在完善定量顯示的信息提取模型的同時，有必要把工作重心轉移到發(fā)展與完善層次框架模型上。圖表加工研究的未來發(fā)展方向將可能主要表現(xiàn)在以下三個方面。
　　首先，在研究廣度方面，所研究的圖表不再僅僅局限于靜態(tài)的、二維的、簡單的圖表。目前，已有少數(shù)研究者開始涉及動態(tài)的[37]、三維的[38]、復雜的[39]（如動畫、股票走勢圖、天氣預報圖等）圖表研究。在未來的研究中，研究者可能會更關注對動態(tài)的、三維的、復雜的圖表的研究，考察圖表讀者在動態(tài)的、三維的、復雜的圖表中提取、加工和推論信息的特點和規(guī)律。同時，由于所研究圖表復雜性的增加，需要注重圖表讀者的知識經(jīng)驗對圖表加工的影響。專家具備專業(yè)知識的優(yōu)勢，他們對圖表中信息的獲取、加工特別是做出推論的方式可能不同于新手，這也是未來研究需要探討的一個問題。
　　其次，在研究深度方面，從重視圖表閱讀績效轉向探索圖表表征機制，以及圖表和文本信息的整合機制。以往研究試圖尋求適合不同任務的最佳的圖表顯示方式，而很少關注圖表表征的機制。圖表是一種重要的信息表征方式，對圖表表征機制的探索必定能進一步深化人們對圖表加工過程的理解，而且人們對圖表的加工與對其他相關的信息（如文本信息、音頻信息等）的加工關系密切，因此，未來的研究不僅要考察圖表表征機制，也要考察與之相關的背景信息或上下文信息的作用。近期研究已開始涉及圖表和文本信息的整合機制問題。Hegarty曾給被試呈現(xiàn)描述滑輪系統(tǒng)的文本和圖片，觀察其注視點的變化，結果發(fā)現(xiàn)，被試閱讀有圖片伴隨的文本時，其理解過程在很大程度上是以文本導向的，觀察圖片是為了構建他們在最近閱讀文本的過程中獲得的信息的表征[40]。Rayner等人考察了被試閱讀印刷廣告（既有文本，也有圖片信息）的過程，結果發(fā)現(xiàn)，被試并沒有在廣告的圖片和文本之間交替注視，而是傾向于先閱讀大的印刷區(qū)，然后閱讀小的印刷區(qū)，最后才看圖片[41]。
　　最后，在研究方法方面，將綜合運用多重數(shù)據(jù)采集技術。在研究的初期階段，可以采用觀察、問卷和訪談等傳統(tǒng)的方法來了解在不同任務條件下讀者對圖表形式的需求。在正式實驗階段，可以采用嚴格控制的實驗室研究，記錄被試回答相關問題的反應時、正確率。在未來對復雜圖表加工的研究中，還將重視使用口語報告和視線追蹤技術，甚至對被試完成任務的行為攝像，然后進行動作分析�？谡Z報告盡管有其不足之處，但是在研究讀者有意識的信息獲取、加工等高級的心理過程方面仍然具有一定的優(yōu)勢。重要的是，我們可以將讀者的口語報告作為一個指標，與其他的客觀指標如反應時、正確率相結合，以探討讀者獲取、加工信息的特點和規(guī)律。視線追蹤技術能夠對讀者認知活動提供相對應的實時測量，在探討讀者獲取、加工和推論圖表信息的細節(jié)方面有其優(yōu)勢。在研究過程中，可以記錄被試在圖表不同區(qū)域的注視持續(xù)時間、注視次數(shù)、區(qū)域內和區(qū)域間的眼跳距離、掃描路線等指標。研究表明，讀者在獲取、加工和推論圖表信息的過程中有其相應的眼動模式，不同的眼動模式反映了被試加工過程中的不同狀態(tài)。例如，注視時間的長短、注視次數(shù)的多少在一定程度上能夠反映被試加工信息時認知負荷的高低，眼跳的距離在某種程度上能夠反映被試的知覺廣度和所要加工的信息密度[41]。根據(jù)讀者的眼動模式可以揭示圖表加工過程中所包含的認知成分，從而增進人們對圖表加工過程的理解。
　　
　　參考文獻
　　[1] Best L A, Smith L D, Stubbs D A. Graph use in psychology and other sciences. Behavioral Processes, 2001, 54: 155~165
　　[2] Spence I, Wainer H. William Playfair: A daring worthless fellow. Chance, 1997, 10: 31~34
　　[3] C D 威肯斯, J G 霍蘭茲著. 朱祖祥等譯. 工程心理學與人的作業(yè). 第三版. 上海：華東師范大學出版社，2003. 144~188
　　[4] Risden K, Czerwinski M P. An initial examination of ease of use for 2D and 3D information visualizations of web content. Int. J. Human-Computer Studies, 2000, 53: 695~714
　　[5] Cheng P, Cupit J, Shadbolt N. Supporting diagrammatic knowledge acquisition: an ontological analysis of Cartesian graphs. Int. J. Human-Computer Studies, 2001, 54: 457~494
　　[6] Rayner K, Rotello C M, Stewart A J. Integrating Text and Pictorial Information: Eye Movements When Looking at Print Advertisements. Journal of Experimental Psychology: Applied, 2001, 7(3): 219~226
　　[7] Bertin J. Semiology of graphics. Preface to the English Edition, Madison, WI: University of Wisconsin Press, 1983, http://www.省略/bboard/q-and-a-fetch-msg?msg_id=0000S0&topic_id=1
　　[8] Gillan D J, Richman E H, Minimalism and the syntax of graphs. Human Factors, 1994, 36: 619~644
　　[9] Kosslyn S M. Understanding charts and graphs. Applied Cognitive Psychology, 1989, 3: 185 ~ 226
　　[10] Zhang J. A representational analysis of relational information displays. International Journal of Human- Computer Studies, 1996, 45: 59~74
　　[11] Vessey I. Cognitive fit: a theory-based analysis of the graphs versus tables’ literature. Decision Sciences, 1991, 22: 219~240
　　[12] Vessey I. The effect of information presentation on decision-making: a cost-benefit analysis. Information & Management, 1994, 27: 103~119
　　[13] Wickens C D, Andre A D. Proximity compatibility and information display: effects of color, space and objectiveness on information integration. Human Factors, 1990, 32: 61~78
　　[14] Wickens C D, Carswell C M. The proximity compatibility principle: its psychological foundation and its relevance to display design. Human Factors, 1995, 37: 473~494
　　[15] Renshaw J A, Finlay J E, Tyfa D, Ward R D. Understanding visual influence in graph design through temporal and spatial eye movement characteristics. Interacting with Computers, 2004, 16: 557~578
　　[16] Pinker S. A theory of graph comprehension. In: R Freedle (Ed.), Artificial intelligence and the future of testing. Hillsdale, NJ: Erlbaum, 1990. 73~126
　　[17] Ratwani R M, Trafton J G. Real World Graph Comprehension: High-Level Questions, Complex Graphs, and Spatial Cognition. Under Review, 2004, http:// archlab.gmu.edu/~rratwani/real_world_graph _comprehension .pdf
　　[18] Trickett S B, Trafton J G. Use of Spatial Transformations in Graph Comprehension. Cogsci2004, http:// www.cogsci.northwestern.edu/ cogsci2004/ma/ma353.pdf
　　[19] Lohse G L. A cognitive model for understanding graphical perception. Human-Computer Interaction, 1993, 8(4): 353 ~ 388
　　[20] Foster M E. Evaluating Models of Visual Comprehension. Cogsci2003, http://www.hcrc.ed.ac.uk/comic/documents/ publications/ foster-eurocogsci-2003.pdf
　　[21] Meyer J. Performance with tables and graphs: Effects of training and a visual search model. Ergonomics, 2000, 43(11): 1840~1865
　　[22] Ratwani R M, Trafton J G, Boehm-Davis D A. Thinking graphically: Extracting local and global information. In: R Alterman, D Kirsch (Eds.), 25th. Annual Meeting of the Cognitive Science Society. Boston, MA: Erlbaum. 2003, http://archlab.gmu.edu/~rratwani/Thinking_Graphically.pdf
　　[23] Carpenter P A, Shah P. A model of the perceptual and conceptual processes in graph comprehension. Journal of Experimental Psychology: Applied, 1998, 4: 75~100
　　[24] Cleveland W S, McGill R. Graphical Perception and Graphical Methods for Analyzing Scientific Data. Science, 1985, 828~833
　　[25] Cleveland W S. A model for studying display methods of statistical graphics. Journal of Computational and Graphical Statistics, 1993, 2: 323~343
　　[26] Gillan D J, Lewis R. A Componential Model of Human Interaction with Graphs: 1.Linear regression modeling. Human Factors, 1994, 36: 419~440
　　[27] Gillan D J, Callahan A B. A Componential Model of Human Interaction with Graphs: VI. Cognitive Engineering of Pie Graphs. Human Factors, 2000, 42: 566~591
　　[28] Hollands J G, Spence I. The Discrimination of Graphical Elements. Applied cognitive psychology. 2001, 15: 413~431
　　[29] Freedman E G, Shah P. Toward a Model of Knowledge-Based Graph Comprehension. In: M Hegarty, B Meyer, N Hari Narayanan (Eds.): Diagrams 2002, LNAI 2317, 2002. 18~30
　　[30] Katz I R, Xi X, Kim H, Cheng P. Elicited Speech From Graph Items on the Test of Spoken English. TOEFL Research Reports, Report 74 February 2004, http://ftp.省略/pub/toefl/990114.pdf
　　[31] Peebles D, Cheng P. Extending task analytic models of graph-based reasoning: A cognitive model of problem solving with Cartesian graphs in ACT-R/PM. Cognitive Systems Research, 2002, 3: 77~86
　　[32] Peebles D, Cheng P. Modeling the Effect of Task and Graphical Representation on Response Latency in a Graph Reading Task. Human Factors, 2003, 45(1): 28~45
　　[33] Trafton J G, Trickett S B. A New Model of Graph and Visualization Usage, In: J D Moore, K Stenning (Eds.), Proceedings of the 23rd Annual Conference of the Cognitive Science Society. Mahwah, NJ: Erlbaum. 2001, http://www.aic.nrl.navy.mil/~trafton/papers/graph-comprehension.pdf
　　[34] Ratwani R M, Trafton J G, Boehm-Davis D A. From Specific Information Extraction to Inferences: A Hierarchical Framework of Graph Comprehension. HFES, 2004, http://archlab.gmu.edu/~rratwani/HFES. Hierarchical _framework.pdf
　　[35] Ratwani R M, Trafton J G. Making Graphical Inferences: A Hierarchical Framework. Cogsci2004, http:// www. cogsci.northwestern.edu/cogsci2004/papers/paper376.pdf
　　[36] Feeney A, Webber L. Analogical Representation and Graph Comprehension. Lecture Notes in Computer Science, 2003, 2733: 212~221
　　[37] Tversky B, Morrison J B. Animation: can it facilitate? Int. J. Human-Computer Studies, 2002, 57: 247~262
　　[38] Kumar N, Benbasat I. The Effect of Relationship Encoding, Task Type, and Complexity on Information Representation: an Empirical Evaluation of 2D and 3D Line Graphs. MIS Quarterly, 2004, 28 (2): 255~281
　　[39] Belcher D, Billinghurst M, Hayes SE, Stiles R. Using Augmented Reality for Visualizing Complex Graphs in Three Dimensions. ISMAR 2003, http://www.省略/ fileman_store/2003-ISMAR-ComplexGraphsAR.pdf
　　[40] Hegarty, M. Mental animation: Inferring motion from static displays of mechanical systems. Journal of Experimental Psychology: Learning, Memory, and Cognition, 1992, 18:1084~1102
　　[41] Rayner K, Rotello C M，Stewart A J，Keir J, Duffy S A. Integrating Text and Pictorial Information: Eye Movements When Looking at Print Advertisements. Journal of Experimental Psychology: Applied, 2001, 7 (3): 219~226
　　
　　
　　Review on Graph and Table Processing Theories
　　
　　Ren Yanju 1,2Fu Xiaolan 1
　　(1 State Key Laboratory of Brain and Cognitive Science, Institute of Psychology, Chinese Academy of Sciences, Beijing 100101, China)
　　(2 Graduate School, Chinese Academy of Sciences, Beijing 100039, China)
　　
　　Abstract: Graph and table, as important information representation modes, had been applied broadly. Graph and table processing refer to human cognitive processing of information in graph and table. Firstly, the article reviewed rule model, cognitive process model, and computational model; secondly, it commented the hierarchical framework model which had been put forward in 2004; and finally, it summarized the graph and table processing theories and pointed out research directions in the future.
　　Key words: graph and table processing, rule model, cognitive process model, computational model, hierarchical framework model.
　　
　　收稿日期：2005-03-03
　　 本研究得到中國科技部973項目（2002CB312103）、國家自然科學基金重點項目（60433030）和面上項目（30270466）、中國科學院心理研究所創(chuàng)新重點項目（0302037）經(jīng)費支持。
　　通訊作者：傅小蘭，E-mail：fuxl@psych.省略

相關熱詞搜索：圖表 模型 理論 圖表加工的理論模型 圖表模型 圖表模型概念