Volunteered geographic information is often generated as voluminous point data, leading to geometric and thematic clutter when presented on maps. To solve these clutter problems, cartography provides various point generalization operations such as aggregation, simplification or selection. While these operations reduce the total number of points and therefore improve the readability, information preservation could be harmed when specific spatial patterns disappear through the generalization process, possibly leading to false interpretations. However, sets of map generalization constraints that maintain spatial pattern characteristics of point data are still missing. To define constraints that support synoptic interpretation tasks, user behaviour while solving these tasks has to be analysed first. We conduct a study where participants have to perform such interpretation tasks, using a new method that combines think-aloud interviews and techniques from visual analytics. We reveal that the point density of a dataset has the biggest impact on the user behaviour and the respective task-solving strategy, independently from the actual task type executed. Furthermore, our results show that the graphical map complexity only has a minor impact on the user behaviour, and there is no evidence that point data cardinality influences task execution and the solution-finding strategies.
Volunteered Geographic Information wird häufig in großen Mengen und in Form von Punktdaten generiert. Werden die Daten auf Karten dargestellt, können geometrische und thematische Überlagerungen entstehen. Als Lösung bietet die Kartographie eine Vielzahl von Generalisierungsoperationen für Punktdaten an, z.B. Aggregation, Simplifizierung oder Selektion. Während dadurch die Gesamtmenge an Punkten reduziert und somit die Lesbarkeit der Karte verbessert wird, könnten räumliche Besonderheiten des Datensatzes, beispielsweise lokale Extremwerte und Cluster, durch die Generalisierung verloren gehen. Eine Sammlung von Generalisierungsbedingungen (engl. Constraints), die die räumlichen Muster der Daten erhält und somit komplexere Interpretationen auch auf Basis der generalisierten Daten ermöglicht, existiert bisher nicht. Um solche Constraints definieren zu können, muss jedoch zunächst analysiert werden, wie sich Kartennutzer verhalten, wenn sie komplexere Interpretationsaufgaben lösen. Wir haben daher eine Studie auf Basis von Think-Aloud-Interviews durchgeführt und das Verhalten der Nutzer anschließend mit Hilfe von visuellen Analysen nachvollzogen. Dabei konnten wir zeigen, dass die Punktdichte der Daten den größten Einfluss auf die Lösungsstrategien der Nutzer ausübt, und dies unabhängig vom konkreten Aufgabentyp. Darüber hinaus konnten wir feststellen, dass die graphische Komplexität der Karte, insbesondere die verwendete Hintergrundkarte, nur eine geringe Auswirkung auf die Ausführung der Aufgaben hat. Ein verändertes Nutzerverhalten bei unterschiedlich komplexen Punktdatensätzen konnte hingegen nicht beobachtet werden.
Keywords: Constraints; Point generalization; Think-aloud study; User behaviour; VGI.
© The Author(s) 2022.