Visualisation

La visualisation d’informations renvoie à un champ de recherche très vaste et qui prend un caractère crucial dans les problématiques d’accès et d’analyse d’informations. L’enjeu est de fournir une forme de représentation des informations permettant de les valoriser au mieux. Une visualisation d’informations constitue une représentation externe (Cox et Brna 1995) qui doit réduire la surcharge cognitive en mettant à contribution les capacités visuelles humaines. En effet, l’œil constitue un des dispositifs d’analyse de données les plus efficaces qui soient.

Ainsi, le domaine de la visualisation doit être une réponse aux données abstraites qui ne possèdent pas de représentations physiques directes. En effet, si dans de nombreux champs disciplinaires, la démarche expérimentale permettait de visualiser directement un phénomène (une expérience dans un tube à essais), la technologie et l’informatisation introduisent une information numérique qui constitue un apport certain, mais devant faire l’objet d’une traduction sous une forme particulière pour pouvoir être visualisée.

Ainsi, une visualisation, présentée précédemment comme une représentation externe, doit constituer un artefact cognitif. « a cognitive artefact is an artificial device designed to maintain, display, or operate upon information in order to serve a representational function » (Norman 1991). Une visualisation d’information constitue effectivement un artefact cognitif au sens ou celle-ci permet de représenter de manière artificielle des données abstraites. Un artefact cognitif est également présenté comme devant améliorer les capacités cognitives humaines. La notion d’amélioration ne doit pas être vue comme portant sur les capacités individuelles l’artefact cognitif ne faisant que modifier la tâche, la rendant plus simple ou plus adaptée aux capacités humaines.

La visualisation d’informations doit donc constituer un outil permettant le traitement de l’information, à l’image de la graphique que nous introduirons par la suite : c’est le « using vision to think » (Stuart K. Card et al. 1999). En ce sens, elle doit accompagner la découverte et la création d’idées (Morand 2000), favoriser la compréhension en introduisant l’explication et appuyer la décision (Tufte 1997). Par exemple, « une contrainte non explicitée peut être découverte dans l'observation du dessin (reconnaissance d'une symétrie par exemple) » (Morand 2000). Ce sont les capacités visuelles de l’humain qui sont mises à contributio,n mais cela suppose de produire un bon dessin. Ainsi, « le support de représentation peut alors représenter un espace de recherche dans la résolution de problèmes » (Morand 2000). Edward R. Tufte évoque « the consequences resulted directly from the quality of methods used in displaying and assessing quantitative evidence » (Tufte 1997). Les conséquences évoquées ici sont celles d’une prise de décision. L’accent est ici mis sur le caractère crucial de la visualisation qui prend, dès lors, une responsabilité énorme dans la prise de décision.

Classification des techniques de visualisation

Les techniques de visualisation développées sont nombreuses (Beaudoin-Lafon et Hascoët 2001) et le retour d’expérience où l’évaluation fait encore cruellement défaut. Il existe plusieurs initiatives comme des évaluations sur le plan cognitif (Le Blanc et al. 2003) ou encore des travaux plus liés à l’ergonomie de surface, qui ne se centrent pas nécessairement sur la problématique de la visualisation, mais plutôt des interfaces homme machine en général (Bastien 1991).

Nous proposons d’introduire une initiative de typologie des techniques de visualisation. Il s’agit en fait de construire une table classifiant les techniques, à l’image de la table de classification périodique des éléments chimiques de Mendeleev. Cette table, dont on peut observer une illustration sur la Figure 30, introduite dans (Lengler et Eppler 2007), propose six catégories de méthodes :

•    Data visualisation,

•    Information visualisation,

•    Concept visualisation,

•    Metaphor visualisation,

•    Strategy visualisation,

•    Compound visualisation.

La catégorie Data visualisation inclut les méthodes de visualisation de données quantitatives, comme les graphiques sous forme d’histogrammes, de secteurs, de courbes, etc… Les tableaux de données entrent également dans cette catégorie. Dans ce type de méthode, les dimensions du plan sont associées à un type d’information.

   

Figure 26 Courbe et tableau comme exemple de Data visualization

L’Information visualisation renvoie essentiellement à la visualisation interactive d’information. L’ambition est bien d’amplifier la cognition à travers une transformation des données sous une représentation visuelle pouvant être manipulée et transformée par l’utilisateur.

La catégorie Concept visualisation correspond aux méthodes permettant une visualisation d’information qualitatives majoritairement sous la forme de représentation graphique à deux dimensions. La visualisation de graphes (Mugnier et Chein 1995; Karouach et Dousset 2003) trouve ici toute sa place (cf. Figure 27).

La Metaphor visualisation  introduit la notion de métaphore, au sens où la représentation de l’information va s’appuyer sur une image, une symbolique, connue et acceptée. L’objectif est de s’appuyer à la fois sur l’organisation et la structuration graphique inhérente à l’image connue, sur laquelle on s’appuie pour faire transiter la sémantique des informations que l’on veut représenter.

   

Figure 27 Exemple de visualisation de graphe et d’une carte conceptuelle

Figure 28 MétroMéta : un outil pédagogique de présentation de normes sous une forme graphique : une carte de métro (http://www.mapageweb.umontreal.ca/turner/meta/francais/index.html)

La Strategy visualization est une catégorie qui renvoie aux méthodes de visualisation exploitées en particulier dans le domaine du management. Ces modes de visualisation exploitent la représentation visuelle pour améliorer l’analyse, le développement, la formulation, la communication et l’implémentation de stratégies d’organisation.

Enfin, la catégorie Compound visualization fait référence a des méthodes de visualisation intégrant différents types de représentations graphiques (ie. Différents type de méthodes de visualisation) dans la même image.

Figure 29 (source : http://www.lucas.ch/)

Les méthodes de visualisation ne sont pas uniquement associées dans les catégories que nous venons de présenter. La table propose également un typage des méthodes selon trois autres dimensions qui sont : le type de données à représenter, le type de tâche et d’interaction au regard des données et le type de processus cognitif que l’on souhaite stimuler. Nous proposons maintenant d’aborder la dimension interaction qui ne peut être dissociée de la visualisation.

Figure 30 – La table périodique de méthodes de visualisation

Visualisation et interaction

Visualisation et interaction sont intrinsèquement liées. En effet, l’utilisateur lorsqu’il va être confronté à une visualisation va interagir avec elle au travers de la perception visuelle. La perception sera tout d’abord globale puis il s’attardera à analyser les composants de l’image : la perception sera alors plus locale.

Ainsi, lors de la conception d’une visualisation interactive, il s’agira de prendre en considération le Visual Information-Seeking Mantra (Shneiderman 1996) : « overview first, zoom and filter, then detail on demand ». Ce principe est fondateur dans la conception d’un système de visualisation interactif de données et a pris toute son importance et trouvé sa pertinence avec le succès des interfaces à manipulation directe.

Ainsi, l’Overview (vue d’ensemble) correspond au fait d’obtenir une vue d’ensemble des données visualisées. Il s’agit là de la capacité première d’une visualisation ou d’une représentation graphique qui offre une vue globale. La représentation graphique est toujours perçue au premier abord de manière globale. C’est le principe même de la théorie de la Gestald (Gurwitsch 1935). Ainsi, une visualisation peut être appréhendée comme une forme ou Gestald, c’est à dire « un ensemble structuré et doté de sens » (Lamy 2006) : cette ensemble vaut plus que la somme de ses parties expliquant la perception globale.

Le Zoom doit permettre d’obtenir une vue précise d’un élément composant la visualisation. Il offre la possibilité à un utilisateur de définir son centre d’intérêt pour en obtenir une vue plus précise. Il s’agit de « concilier détail et vue globale » (Beaudoin-Lafon et Hascoët 2001). Il est possible d’identifier différentes formes de zooms. Nous les classerons selon qu’ils correspondent à un zoom infini ou un zoom sémantique (Beaudoin-Lafon et Hascoët 2001).

Le zoom infini correspond à une opération géométrique sur une image bitmap (image raster) permettant un changement d’échelle sans pour autant transformer son contenu. Ainsi, un zoom avant révèle les détails alors qu’un zoom arrière offre une vue plus contextuelle. Le zoom infini introduit toutefois une rupture lors du passage entre vue globale et détail. L’introduction de technique de déformation, telle que le fisheye, permet d’intégrer une certaine continuité dans la perception du détail au sein même d’une vue globale.

Le zoom sémantique est une opération plus complexe qui va à la fois introduire une opération géométrique, mais également une opération logique sur les données. Lors d’une phase d’interaction avec ce type de zoom la représentation des données va changer en fonction du niveau de détail. L’outil zoomit (S. Pook et al. 2000) implémente ce type d’approche transformant le zoom en un outil de navigation dans une structure de données. Point important, le zoom n’offre plus une réelle continuité, puisque, d’un pas de zoom à un autre, la visualisation peut changer. Il s’agit donc que la dimension logique du zoom soit bien explicitée afin de ne pas désorienter l’utilisateur.

Le Filter (le filtrage) renvoie au fait d’offrir la capacité de moduler les éléments visualisés.  Cela doit permettre de faire apparaître ou disparaître tout ou partie des données qui ne sont pas jugées pertinentes par l’utilisateur. En effet, le choix des modalités de visualisation de données constitue un exercice difficile au sens où il est complexe d’espérer anticiper sur les besoins de l’utilisateur. Cette difficulté est très nette lorsque la visualisation doit être un support au traitement de l’information. En effet, elle risque de remettre en question les savoirs de l’utilisateur et celui-ci souhaitera certainement la modifier en fonction de sa réflexion. Ceci met l’accent sur l’importance d’intégrer des mécanismes de filtrage dynamique (Beaudoin-Lafon et Hascoët 2001) permettant d’adapter la visualisation en contexte.

Enfin, le Details-on-demand doit permettre de sélectionner un ou plusieurs éléments afin d’obtenir des détails relatifs à ceux-ci. Bien évidemment cet aspect peut être intrumenté au travers des mécanismes de zoom, notamment quand ceux-ci sont sémantiques. Ceci étant, l’accent est surtout mis ici sur le fait qu’une visualisation d’information, basée sur une approche graphique, par exemple, est le plus souvent moins précise qu’un texte (Lamy 2006). Aussi, dans beaucoup de situations, les composants d’une visualisation pourront nécessiter un complément d’information.

Au-delà du Visual Information-Seeking Mantra , Shneiderman introduit d’autres tâches devant être proposées à l’utilisateur dans une situation d’interaction avec une visualisation. Il s’agit du : relate, l’history, et l’extract.

Le Relate (l’association) doit permettre d’appréhender les relations existant entre les différents items composant une visualisation. Il s’agit ici de s’appuyer sur la vue globalisante que constitue une représentation graphique. La visualisation d’arbres ou de graphes est particulièrement adaptée à ce type de tâche. Ils ont d’ailleurs été largement exploité dans des domaines la visualisation de réseaux, qu’ils soient de télécommunication ou sociaux. Ainsi, la facilité de lecture de ce type de structure sera largement liée à la manière de les dessiner (force direct placement, décomposition en niveaux pour les graphes orientés). Les tableaux (forme matricielle de visualisation) constituent également une forme de visualisation adaptée à ce type d’activité (Goody 1979)  que l’on retrouve dans des formes très évoluées pour l’analyse de réseaux sociaux sous la forme de « Matrix Explorer » par exemple (Henry et Fekete 2006).

L’history (historisation) correspond au besoin de conserver une trace des actions effectuées par un utilisateur. Les systèmes interactifs permettent d’opérer de nombreuses actions simultanément sur une visualisation. Ceci induit l’affichage de nombreuses informations sous la forme d’une succession d’images. A travers l’historisation, il s’agit de pouvoir supporter le retour en arrière dans une navigation, le replay ou encore l’affichage progressif.

Enfin, l’Extract (extraction) correspond à la capacité de pouvoir extraire un sous-ensemble d’éléments constituant la visualisation. Au travers de cette tâche, on identifie assez bien la visualisation comme un support à l’analyse de donnée, mais également à la valorisation de ces données dans un autre contexte ou outil. Il s’agit toutefois d’implémenter ce genre de mécanismes avec précaution du fait de la notion de Gestald. Une visualisation, une représentation graphique, constitue un « tout » qui est plus que la somme de ces parties, à  l’image de ce que l’on peut retrouver en sémantique textuelle (Rastier 1987). Le fait d’extraire une partie des informations constituant une visualisation les décontextualisent et peut avoir un impact non négligeable sur le sens.

Conception d’une visualisation

Comme nous l’avons évoqué au début de ce chapitre la visualisation d’informations doit représenter un moyen d’observer des données abstraites. Nous venons ainsi d’évoquer dans les deux sections précédentes, un panorama des techniques de visualisation, puis un aperçu des mécanismes interactifs recommandés pour accompagner la visualisation produite. Tout ceci ne constitue que des moyens, une boîte à outils, dans lesquels il est possible de choisir pour construire une interface de visualisation, mais ne représente pas en soi une méthode de conception. Un méthode de conception doit tout d’abord s’attarder sur les données abstraites à visualiser. Il s’agit en particulier de s’intéresser à leur nature.

Types de données à visualiser

La conception d’une visualisation ne peut être dissociée de la nature des données que l’on souhaite représenter. Dans (Shneiderman 1996), sept types de données sont mises en évidence :

•    1-dimensional

•    2-dimensional

•    3-dimensional

•    Multi-dimensional

•    Temporal

•    Tree

•    Network

Les données de dimension 1 (« 1-dimensional) se caractérisent par une forme d’organisation séquentielle et propositionnelle. Les données de dimension 2 (« 2-dimensional ») peuvent être illustrées par les informations spatiales et les cartes. Les données de dimension 3 (« 3-dimensional ») correspondent, par exemple, à des représentation numériques de volumes. Sans remettre en cause cette typologie, il semble qu’elle ne s’intéresse pas aux données élémentaires. En effet, les données de dimension 2 ou 3 ou encore multi-dimensionnelles (« multi-dimensional » ) correspondent, en fait, au croisement de plusieurs données élémentaires qui vont constituer un tout. Le croisement constitue effectivement une nouvelle donnée, la visualisation révélant la mise en relation des différentes données. Dans le cadre de la visualisation, il s’agit donc de s’intérésser à la nature des données élémentaires pour ensuite, nous le verrons ci-après au travers de la sémiologie graphique, les associer à des variables visuelles elles aussi élémentaires.

Les données temporelles (« temporal ») peuvent être illustrées par un jeu de données traduisant une succession de dates. Ce type de donnée ne constitue en fait qu’une donnée de dimension 1, mais traduit une séquentialité dans les données caractérisée par le temps.

Les données de type arbre (« tree ») ou réseau (« réseau ») sont à l’image des données de dimension supérieures à 1. En effet, il s’agit « d’ensemble de données pouvant être structurées de manière arborescente » ou « d’ensembles dont on peut extraire une structure » (Lengler et Eppler 2007). Il s’agit d’ailleurs d’ensemble de données à 2 dimensions puisqu’un arbre ou un graphe peut être représenté sous la forme d’une matrice d’adjacence (Lacomme et al. 2003). Ainsi, les arbres et les réseaux ne correspondent pas en eux-même à des types de données, mais plutôt à un type de représentation dont la construction permet de croiser des données élémentaires.

Types de représentation

Nous avons introduit dans le début de cette section une classification des techiques de visualisation. Ces différentes techniques parfois propres à un domaine, un contexte ou encore un usage particulier, partagent certaines propriétés dans leur construction. Il est ainsi possible de lister les visualisations de type (Beaudoin-Lafon et Hascoët 2001) :

•    Liste,

•    Arbre,

•    Graphe ou Réseau,

•    Modèle vectoriel.

La visualisation de listes doit permettre d’offrir une visualisation d’un ensemble de données sur une dimension. Les techniques de visualisation sont alors nombreuses et éclectiques. Dans ce type de visualisation, la construction doit permettre non pas de mettre en valeur le croisement entre différentes données, mais bien la comparaison entre des données d’un ensemble. Il est alors possible ou d’ajouter des « indices visuels à une représentation classique permettant la comparaison entre les éléments » (Beaudoin-Lafon et Hascoët 2001) (cf. Figure 31) ou d’intégrer des mécanismes interactifs de visualisation. On peut, par exemple, opérer une déformation sur la visualisation pour obtenir une vue intégrant à la fois vue globale et contexte : les mécanismes de fisheye en sont un exemple.

Figure 31 TileBars (Hearst 1995), visualisation de la distribution des paragraphes pertinents dans un document (source : (Beaudoin-Lafon et Hascoët 2001))

La visualisation d’arbre est en relation avec des jeux de données à deux dimensions. Il s’agit de visualiser des données élémentaires reliées les unes aux autres (un fils ne pouvant avoir qu’un seul père) et ce à partir d’une racine. L’arbre est une forme de structuration très courante qui a suscité un grande fécondité dans les techniques de visualisation. Nous citerons ainsi de manière non exhaustive les listes indentées (Figure 32), les diagrammes (Figure 33), les approches surfaciques, les dessins en 3D ou encore la géométrie hyperbolique ((Figure 35).

Racine

   Nœud 1

   Nœud 3

   Nœud 4

   Nœud 2

   Nœud 5

   Nœud 6

Figure 32 Liste indentée

Figure 33 Génération d’un graphe orienté basé la décomposition en niveaux d’un graphe

Figure 34 Approche surfacique de visualisation (ex : tree-maps (Shneiderman 1992)) d’arbre ou l’imbrication des cadres traduit la hiérarchie et la profondeur à l’image d’une poupée russe (source : (Beaudoin-Lafon et Hascoët 2001))

(Figure 35 Visualisation hyperbolique d’un arbre (source : http://ontology.univ-savoie.fr/condillac/en/activities/research/cs/)

La visualisation de graphe ou de réseau doit permette de traduire visuellement des données relationnelles comme des modélisations entités-relations. La visualisation d’arbre que nous venons d’évoquer ne représente qu’un cas particulier de graphe. Les techniques exploitées dans ce type de visualisation renvoient aux algorithmes de construction de graphe classique (décomposition en niveau, force direct placement) ou encore le multi-arbre.

Figure 36 Génération d’un graphe orienté avec un algorithme de « force direct placement ».

La visualisation de modèles vectoriels renvoie à la représentation de données multidimensionnelles (nombre de dimensions supérieur à 1). Dans ce type de cas, on exploitera des métaphores de paysage, l’utilisation d’espace distance où l’on développera des cartes interactives dynamiques. Ses différentes techniques de visualisation mobilisent les dimensions du plan, éventuellement la 3ème dimension. De là, la similarité entre les données est traduite par la proximité dans l’espace.

Les différents types de construction visuelles que nous venons de présenter ne proposent encore qu’un choix de solution de visualisation qui sont plus ou moins adaptées aux différents types de données que nous avons évoqués, mais pas une méthode de construction de visualisation.

Les différentes constructions vont ainsi exploiter ou la couleur ou le niveau de couleur pour la mise en valeur (exemple des Tilebars proposé pour les listes) ou les dimensions du plan (arbre, graphe, modèles vectorielles) pour dissocier les différentes données et les mettre en relation. Les différentes constructions correspondent à des systèmes de représentations bien définis sur lesquels il est possible de mapper des données. Ces systèmes de représentation mobilisent des moyens de visualisation correspondant aux variables visuelles. Ils imposent un  certain contrat d’écriture et de lecture dans la représentation.

Voir aussi

From Data to Viz leads you to the most appropriate graph for your data. It links to the code to build it and lists common caveats you should avoid.

https://www.data-to-viz.com/