译者总结
1. 视觉效果很炫的图表未必好用
2. 慎用3D效果：柱状图的3D展示比2D让人花费更多时间理解；3D效果会降低人们对饼图精确度的判断。
4. 慎用散点图：散点图的展示尺寸很容易影响人们对散点之间关联度的判断
5. 单维对比>双维对比：柱形长度对比正方形的尺寸对比易于识别
6. 双维对比时要控制比例范围：矩形的长宽比例相差太近和太远，都会让人难以辨识。
原文：39 studies about human perception in 30 minutes
译文
3D
有四项研究表明我们估测3D物体的精确度超出通常的预估。其中两项研究分别拒绝了Tufte的著名理论“high data-to-ink ratio”。
Siegrist观察了实验参与者估测2D和3D饼图和柱图时，能有多高的精确度。估测柱图时参与者对2D和3D的精确度相差无几，然而估测饼图时，他们对3D的精确度要差一些。
Siegrist (17) 发现对于柱图来说，2D并不以一定比3D好，但3D让参与者花费更多的时间。对于饼图来说，2D要好一些，而且3D图的视角对精确度的影响很大，主要是因为有的视角让饼面倾斜得过多。
Levy 等人 (18) 告诉我们3D图表虽然看起来很炫，但是并不能比2D图表传递任何更多信息，而且还强迫读者去处理毫无关联的多余信息。
在同一研究的两个不同试验中，Levy 和 Cauthor 给实验参与者几个2D和3D的图表让他们选择。
实验参与者被要求在一些2D和3D图表中进行选择。当他们被告知要选一张图表展示给其他人看时，他们更倾向于选择3D图表。当他们被告知别人要记住图表中的数据时，也选择了3D图表。然而，大概他们被告知需要展示特定的细节时，他们才更多地选择2D图表，并且当要求信息必须快速传达时，会选择线图。这项研究的作者总结说3D图表在某些情况下还是有用的。
Spence 发现只有在两个或以上的维度发生改变时，人类才会感知到 Steven's Law 里描述的形变。如果只有一个维度发生改变，则不会被视为形变。
Spence (19, 20) 的最后两个实验室关于 Steven's Law （见译文-1）的。Steven's Law 告诉我们当一个物体和更大的物体放在一起时看起来更大，相反，和更小的物体放在一起时看起来更小。Spence 发现当对比的是3D物体时，如果只改变某一个维度的尺寸（如长方体的长度，而不是整个长方体的大小），Steven's Law 并不奏效。
散点图
Cleveland 等人 (21) 发现人们在估测散点图中散点的关联程度时，会收到散点图的展示尺寸的影响。同一张散点图以不同的尺寸展示时，人们会觉得以缩小尺寸展示的那张图上，散点之间的关联程度更高。
Cleveland 等人发现仅仅改变散点图的尺寸就能导致对散点关联程度的勿判。
在试验了用不同类型的散点样式后，Lewandowsky 和 Spence (22) 发现改变散点的颜色对于人眼来说是识别度最高的。当不能对比色彩时，对比填充和描边图形，或者形状甚至视觉相差较大字母都可以提供不是最好但也可以的精确度。
Lewandowsky 和 Spence 发现人类最擅长识别散点的色彩差别。
他建议使用字母有一个清楚的优势：提供一定的语义暗示（Males 用 M 表示；Females 用 F表示）。我（原作者）个人认为这方面最好还是用标注，以免对散点的中心位置造成误解的风险。
Demiralp 等人按照差异识别度重新排列了现有的图表色彩和图标样式。
在一项参与者众多的实验中，Demiralp等人按照差异识别度重新排列了现有的图表色彩和图标样式。
树状图
Ziemkiewicz 和 Kosara (24) 发现让实验参与者用树状图完成某项任务时，用（语言）隐喻能让他们更加精确。例如，告诉参与者在容器树状图“里面”寻找某个节点，以及告诉他们在串联树状图中“向下”查看。
Ziemkiewics 和 Kosara 使用隐喻引导参与者使用不同的数状图完成简单的任务。如果隐喻是适合当前图表的，那么参与者会更加精确。
Kong 、 Heer 和 Argawala (25) 发现人们分辨容器树状图里元素的差异时，不同比例的长方形最容易识别。相对的，长宽比相同的正方向看起来相互之间差别不大。然而，长宽比过于极端的长方形也不容易对比。
Kong 、 Heer 和 Argawala 的实验揭示了人类在对比不同尺寸的正方形时，不如对比不同长宽比的长方形精确。
他们还惊讶地发现，在展示少于约一千个数据节点的对比时，柱图比数图精确多了。
比起树状图，参与者更擅长柱图的对比。
网友评论