Visual narratives against misleading visualizations in health care

Abstract

Diese Diplomarbeit bietet einen Lösungsansatz gegen irreführende Visualisierungen im Gesundheitsbereich, die unzutreffende Erkenntnisse daraus vermitteln. Irreführende Aspekte solcher Visualisierungen ergeben sich aus Unsicherheiten, die in den einzelnen Schritten der medizinischen Visualisierungspipeline auftreten. Wir untersuchen die Gebiete des Storytellings und der Gamification, um das breite Publikum dabei zu unterstützen, irreführende Visualisierungen im Gesundheitswesen zu erkennen und zu bekämpfen. Unsere Forschungsfragen lauten: ``Welche Arten von Unsicherheitsfaktoren treten in der medizinischen Visualisierungspipeline auf und verbirgt sich dahinter eine gewisse Absicht?'' und ``Wie können wir die allgemeine Bevölkerung über die Existenz von Unsicherheitsfaktoren bei der Visualisierung aufklären?"Zur Beantwortung der Forschungsfragen haben wir eine Klassifizierung der Typen von Unsicherheitsfaktoren in der medizinischen Visualisierungspipeline entwickelt und das Lernspiel ``DeteCATive'' entworfen und umgesetzt, um der breiten Öffentlichkeit diese Konzepte auf ansprechende Weise zu vermitteln. Das Spiel umfasst acht Aufgaben, die amüsante fiktive Geschichten mit absichtlich irreführenden Visualisierungen von medizinischen Daten enthalten. Jede Geschichte beinhaltet eine eigene Auswahl an Annahmen. Der Spieler muss anhand der Geschichte bestimmen, ob eine Annahme richtig oder falsch ist, um Punkte und Belohnungen zu erhalten. Diese Punkte lassen sich am Ende des Spiels verwenden, um das Spielziel zu erreichen.Um den pädagogischen Wert des Spiels zu bewerten, führten wir eine Nutzerstudie mit 21 Testpersonen durch. Diese Studie liefert uns wesentliche Einblicke sowie Erkenntnisse. Bestimmte irreführende Tricks bei der Visualisierung konnten von den Testpersonen nur schwer erkannt werden. Das Spiel wurde von den Testpersonen in Bezug auf Einprägsamkeit, Motivation und Interaktion positiv bewertet. Falsch beurteilte Annahmen beanspruchten mehr Zeit als richtig eingestufte, was auf die Bereitschaft der Testpersonen hinweist, mehr zu lernen. Zu weiterführenden Forschungsansätzen gehört die Untersuchung einer möglichen Korrelation zwischen den Unsicherheitsfaktoren und deren Nachweisbarkeit sowie die Untersuchung von weiteren Absichten in diesem Zusammenhang.

This thesis proposes a solution against misleading visualizations in health care, which convey inaccurate insights. Misleading elements of such visualizations originate from uncertainties emerging across the steps of the medical visualization pipeline. We investigate the field of storytelling and gamification to support the general audience in recognizing and addressing misleading visualizations in health care. Our research questions are: ``Which types of uncertainty arise in the medical visualization pipeline and is there any intent behind those?'' and ``How can we inform the general population about the existence of visualization uncertainty?'' To answer the research questions, we created a taxonomy of uncertainty types in the medical visualization pipeline and designed and developed the educational game ``DeteCATive'' to convey these concepts to the general public in an engaging way. The game includes eight tasks that contain amusing fictional stories with misleading visualizations created with intent and based on medical data. Every story comes with its own set of assumptions. A player should define whether an assumption is correct or false based on the story to gain points and rewards. Then, these points can be spent at the end of the game to fulfill the game objective. To assess the educational value of the game, we conducted a user study with 21 participants. This study provided us with significant insights. Certain misleading visualization tricks were hard to recognize by the participants. The game obtained positive participants feedback from the participants regarding memorability, reinforcement, and engagement. Incorrectly assessed assumptions required more time as opposed to correctly assessed ones, indicating the willingness of participants to learn more. Further research directions include the investigation of a potential correlation between uncertainty types and detectability or investigating further intents.