Scholars in scientific disciplines face unique challenges in the creation of visualizations, especially in publications that require insights derived from analyses to be visually displayed. The literature on visualizations describes different techniques and best practices for the creation of graphs. However, these techniques have not been used to evaluate the impact of visualizations in academic publications. In the field of ecology, as in other scientific fields, graphs are an essential part of journal articles. Little is known about the connections between the kind of data presented and domain in which the researchers conducted their study that together produces the visual graphics. This study focused on articles published in the Journal of Ecology between 1996 and 2016 to explore possible connections between data type, domain, and visualization type. Specifically, this study asked three questions: How many of the graphics published between 1996 and 2016 follow a particular set of recommendations for best practices? What can Pearson correlations reveal about the relationships between type of data, domain of study, and visual displays? Can the findings be examined through an inter-reliability test lens? Out of the 20,080 visualizations assessed, 54% included unnecessary graphical elements in the early part of the study (1996–2010). The most common type of data was univariate (35%) and it was often displayed using line graphs. Twenty-one percent of the articles in the period studied could be categorized under the domain type “single species.” Pearson correlation analysis showed that data type and domain type was positively correlated (r = 0.08; p ≤ 0.05). Cohen’s kappa for the reliability test was 0.86, suggesting good agreement between the two categories. This study provides evidence that data type and domain types are equally important in determining the type of visualizations found in scientific journals.

科学学科的学者在创建可视化过程中面临独特的挑战，特别是在需要将分析得出的见解进行可视化显示的出版物中。有关可视化的文献描述了创建图形的不同技术和最佳实践。但是，这些技术尚未用于评估可视化在学术出版物中的影响。与其他科学领域一样，在生态学领域，图是期刊文章的重要组成部分。对于所呈现的数据类型与研究人员进行研究以共同产生视觉图形的领域之间的联系知之甚少。这项研究的重点是1996年至2016年发表在《生态学杂志》上的文章，以探讨数据类型，领域，和可视化类型。具体而言，这项研究提出了三个问题：1996年至2016年之间发布的图表中有多少遵循最佳实践的特定建议集？皮尔逊相关性可以揭示有关数据类型，研究领域和视觉显示之间的关系的哪些信息？可以通过相互可靠性检验镜检查发现结果吗？在评估的20,080个可视化中，有54％在研究的早期阶段（1996-2010）包括了不必要的图形元素。最常见的数据类型是单变量（35％），通常使用折线图显示。在研究期间，有21％的文章可以归类为“单一物种”领域类型。Pearson相关分析表明，数据类型和域类型呈正相关（这项研究提出了三个问题：1996年至2016年间发布的图表中有多少遵循最佳实践的特定建议？皮尔逊相关性可以揭示有关数据类型，研究领域和视觉显示之间的关系的哪些信息？可以通过相互可靠性检验镜检查发现结果吗？在评估的20,080个可视化中，有54％在研究的早期阶段（1996-2010）包括了不必要的图形元素。最常见的数据类型是单变量（35％），通常使用折线图显示。在研究期间，有21％的文章可以归类为“单一物种”领域类型。Pearson相关分析表明，数据类型和域类型呈正相关（这项研究提出了三个问题：1996年至2016年间发布的图表中有多少遵循最佳实践的特定建议？皮尔逊相关性可以揭示关于数据类型，研究领域和视觉显示之间的关系的什么？可以通过相互可靠性检验镜检查发现结果吗？在评估的20,080个可视化中，有54％在研究的早期阶段（1996-2010）包括了不必要的图形元素。最常见的数据类型是单变量（35％），通常使用折线图显示。在研究期间，有21％的文章可以归类为“单一物种”领域类型。Pearson相关分析表明，数据类型和域类型呈正相关（在1996年至2016年之间发布的图表中有多少遵循最佳实践的特定建议集？皮尔逊相关性可以揭示有关数据类型，研究领域和视觉显示之间的关系的哪些信息？可以通过相互可靠性检验镜检查发现结果吗？在评估的20,080个可视化中，有54％在研究的早期阶段（1996-2010年）包括了不必要的图形元素。最常见的数据类型是单变量（35％），通常使用折线图显示。在研究期间，有21％的文章可以归类为“单一物种”领域类型。Pearson相关分析表明，数据类型和域类型呈正相关（在1996年至2016年之间发布的图表中有多少遵循最佳实践的特定建议集？皮尔逊相关性可以揭示有关数据类型，研究领域和视觉显示之间的关系的哪些信息？可以通过相互可靠性检验镜检查发现结果吗？在评估的20,080个可视化中，有54％在研究的早期阶段（1996-2010年）包括了不必要的图形元素。最常见的数据类型是单变量（35％），通常使用折线图显示。在研究期间，有21％的文章可以归类为“单一物种”领域类型。Pearson相关分析表明，数据类型和域类型呈正相关（和视觉显示？可以通过相互可靠性检验镜检查发现结果吗？在评估的20,080个可视化中，有54％在研究的早期阶段（1996-2010）包括了不必要的图形元素。最常见的数据类型是单变量（35％），通常使用折线图显示。在研究期间，有21％的文章可以归类为“单一物种”领域类型。Pearson相关分析表明，数据类型和域类型呈正相关（和视觉显示？是否可以通过互信度检验镜检查发现结果？在评估的20,080个可视化中，有54％在研究的早期阶段（1996-2010）包括了不必要的图形元素。最常见的数据类型是单变量（35％），通常使用折线图显示。在研究期间，有21％的文章可以归类为“单一物种”领域类型。Pearson相关分析表明，数据类型和域类型呈正相关（在研究期间，有21％的文章可以归类为“单一物种”领域类型。Pearson相关分析表明，数据类型和域类型呈正相关（在研究期间，有21％的文章可以归类为“单一物种”领域类型。Pearson相关分析表明，数据类型和域类型呈正相关（r  = 0.08；p  ≤0.05）。Cohen的可靠性测试的kappa为0.86，表明这两个类别之间的一致性很好。这项研究提供的证据表明，数据类型和域类型对于确定科学期刊中的可视化类型同样重要。