Information Visualisation in a Peer Support Application

Abstract

Using visualisations to present multidimensional data may help to understand complex relations and to make better decisions. This thesis presents methods for visualising peers based on their similarity. The purpose of the visualisation is to help users of an online peer support service to browse and find relevant peers that are most similar to them. Four nonlinear dimensionality reduction methods are used to produce visualisations from multidimensional data. The Neighbour Retrieval Visualiser (NeRV), Multidimensional Scaling (MDS), the Self-Organising Map (SOM) and the Generative Topographic Mapping (GTM) are presented and compared quantitatively. The results from the comparison suggest that any one of the four methods could be used in such a peer support service. The methods are then used to visualise data in a hypothetical peer support service called the Stress Map. To further test the methods, the visualisations are subjected to a user study. The visualization based on the NeRV algorithm performs best, whereas the visualisations made with the SOM and the GTM are judged less appealing.

Moniulotteisen datan visualisointi voi auttaa päätöksenteossa, kun se edellyttää monimutkaisten relaatioiden ymmärtämistä. Tässä diplomityössä on esitelty metodeja, joilla voidaan visualisoida ihmisten samankaltaisuutta. Visualisaatioiden tarkoituksena on auttaa käyttäjiä selaamaan ja löytämään itselleen relevantteja vertaisia, jotka ovat mahdollisimman samankaltaisia heidän kanssaan. Moniulotteinen data visualisoidaan käyttäen neljää epälineaarista dimensionreduktiomenetelmää: Naapurihaun visualisoija (NeRV), moniulotteinen skaalaus (MDS), itseorganisoiva kartta (SOM) ja generatiivinen topografinen kuvaus (GTM). Menetelmien esittelyn jälkeen niitä vertaillaan kvantitatiivisesti. Vertailun tuloksena esitetään, että menetelmät soveltuvat samankaltaisuuden visualisointiin vertaistukipalvelussa. Kuvitteellinen vertaistukipalvelu StressMap esitellään em. menetelmien avulla luotujen visualisaatioiden avulla, jonka jälkeen visualisaatioiden käyttökelpoisuutta testataan käyttäjäkyselyssä. NeRV:iin perustuva visualisaatio pärjää testissä parhaiten, sillä useat käyttäjät vierastavat SOM:illa ja GTM:lla luotuja visualisointeja.