Programa del curso de Visualización de Información

I. DESCRIPCIÓN DEL CURSO

Este curso proporciona una introducción integral a la visualización de información, abarcando desde los fundamentos teóricos hasta las técnicas prácticas para diseñar, implementar y evaluar visualizaciones efectivas. Se exploran los principios de la percepción visual, la narrativa con datos, y las metodologías para transformar datos en representaciones visuales, auditivas y físicas que faciliten la comprensión y la toma de decisiones. El curso enfatiza un enfoque centrado en el usuario y aborda la creación de visualizaciones tanto exploratorias como explicativas. Además, se introduce a los estudiantes en el uso de herramientas de programación y prototipado para crear visualizaciones interactivas, sonoras y físicas.

II. RESULTADOS DE APRENDIZAJE

Al finalizar el curso, los estudiantes serán capaces de:

Cuestionar los principios fundamentales de la visualización de información y su importancia en el análisis y la comunicación de datos.
Diseñar visualizaciones efectivas que consideren el contexto, el público objetivo y el mensaje que se desea transmitir.
Implementar visualizaciones utilizando diversas técnicas y herramientas, incluyendo la programación web (HTML, CSS, JavaScript, SVG), librerías como Plotly.js, y herramientas de sonificación como Tone.js.
Evaluar visualizaciones utilizando métodos cuantitativos y cualitativos, y heurísticas de diseño.
Utilizar la interacción, la sonificación y la fisicalización para enriquecer las visualizaciones y facilitar la exploración y comprensión de los datos.
Crear prototipos de visualizaciones físicas utilizando diferentes técnicas y niveles de fidelidad, incluyendo bocetos, maquetas y prototipos interactivos.
Aplicar las técnicas de diseño de información para crear visualizaciones estáticas, interactivas y físicas.
Comunicar eficazmente los resultados de análisis de datos a través de narrativas visuales.

III. CONTENIDOS

1. Introducción a la Visualización de Información:

Definición y objetivos de la visualización de información.
Importancia de la visualización en el análisis de datos.
El proceso de diseño de visualizaciones.
Tipos de visualización: exploratoria vs. explicativa.
El continuo entre DataVis/InfoVis, Infografía y Data Art.

2. Principios de Percepción Visual y Diseño:

Percepción humana y variables visuales.
Uso efectivo del color, la forma y el tamaño.
El concepto de "ink ratio".
Heurísticas de diseño para la visualización de información.
Leyes de la Gestalt.
Escalas de datos: lineal, logarítmica, categórica, ordinal, porcentual y temporal.

3. Narrativa con Datos (Storytelling):

Identificación del mensaje principal.
Construcción de una narrativa coherente.
Uso de visualizaciones para responder preguntas.
Contextualización de visualizaciones.
Uso de texto y anotaciones para guiar la interpretación.

4. Tipos de Visualizaciones y su Aplicación:

Gráficos de barras, líneas, dispersión y áreas.
Tablas y mapas de calor.
Visualización de datos temporales.
Visualización de distribuciones.
Consideraciones sobre el uso de gráficos 3D.
Errores comunes y cómo evitarlos.

5. Interacción y Sonificación en Visualizaciones:

Principios de la visualización interactiva (Shneiderman).
Técnicas de interacción: zoom, filtro, detalles bajo demanda.
Navegación de información a través del sonido.
Diseño de interfaces interactivas.
Sonificación de información: tono, volumen, ritmo y timbre.

6. Fisicalización de Datos:

Concepto y beneficios de la fisicalización.
Técnicas de fisicalización: modelos físicos, impresiones 3D, etc.
Fisicalización para accesibilidad.
Fisicalización para comunicación y educación.
Fisicalización estética y arte con datos.
Tecnologías y fabricación digital.

7. Herramientas de Implementación:

HTML, CSS, JavaScript y SVG.
GitHub (obligatorio) para desarrollar, versionar y alojar las páginas web con las visualizaciones interactivas; con GitHub Codespaces se programa directamente desde el navegador.
Librerías de visualización: Plotly.js.
Librerías de sonificación: Tone.js.
Plataformas de prototipado físico: Protobject Framework / Arduino / LEGO Technic.
Asistentes de programación con IA (Claude Code, Google Antigravity, OpenAI Codex) para prototipar e iterar visualizaciones con mayor rapidez.

8. Prototipado:

Tipos de prototipado: virtual, mixto, físico.
Técnicas de prototipado rápido: bocetos, maquetas.
Niveles de fidelidad en prototipos.
Prototipado offline y online.

9. Evaluación de Visualizaciones:

Métodos cuantitativos y cualitativos.
Pruebas con usuarios.
Cuestionarios y análisis de retroalimentación.
Heurísticas para la evaluación de visualizaciones.

IV. ESTRATEGIAS METODOLÓGICAS

Clases expositivas y de discusión.
Clases prácticas con ejercicios y ejemplos.
Aprendizaje basado en proyectos.
Experimentar con código previamente armado.
Ayudantías de apoyo.
Todo el material se subirá a la página web del curso.
Los apuntes del curso estarán disponibles para cada clase.

V. ESTRATEGIAS EVALUATIVAS

El curso se evalúa con dos grandes componentes: la participación en las actividades de clase y el proyecto.

Participación — 20 % de la nota final. El curso incluye 20 actividades de aprendizaje activo que se realizan clase a clase. Una actividad se considera realizada cuando se entrega completa, incluida la revisión con Copilot que acompaña a cada actividad. Con 16 o más actividades realizadas la nota de participación es un 7,0: hay 4 actividades de margen para imprevistos. Con menos de 16, la nota baja de forma proporcional hasta el 1,0 (nota = 1 + 6 × n / 16, donde n es el número de actividades realizadas).
Proyecto — 80 % de la nota final. Se desarrolla en dos entregas centradas en el proceso de diseño: se parte de una idea completa y se itera su diseño durante semanas. Cada entrega documenta al menos cuatro versiones del proyecto — con su propia evidencia visual y audiovisual — y justifica racionalmente su evolución. En cada entrega hay tres instancias de discusión intercaladas con las versiones, de modo que el proceso se lee como una sola historia — V1 → R1 → V2 → R2 → V3 → R3 → V4: dos revisiones con el equipo docente (R1, entre V1 y V2; R3, entre V3 y V4) y una revisión entre pares (R2, entre V2 y V3) — presencial, en clase y supervisada por un ayudante — en la que cada grupo recibe feedback de otro grupo y da el suyo. Lo discutido en las revisiones debe considerarse de forma razonada en las versiones siguientes — iterar no es obedecer: cada sugerencia se pondera y se adopta o se descarta con argumentos, y esa decisión queda registrada en el documento. Un grupo que se limita a ejecutar lo que se le dice actúa de intermediario entre la IA y el profesor, y eso no es diseñar. La calidad del feedback dado al otro grupo también se evalúa, a partir del registro del ayudante que supervisa la sesión y de una sección dedicada del documento de entrega. Se evalúa el proceso, no solo el resultado.
- E1: visualización de información interactiva y sonora — 40 % del proyecto (32 % de la nota final).
- E2: visualización de información física, interactiva y sonora — 60 % del proyecto (48 % de la nota final).

Modificador individual en las revisiones. La nota de cada entrega es grupal, pero la comprensión se demuestra individualmente. En las revisiones con el equipo docente (R1 y R3) el profesor dialoga con cada integrante sobre las decisiones del proyecto, la teoría que las sustenta y su implementación; un ayudante por estudiante registra cómo responde y, al cierre de la revisión, cada estudiante completa una autoevaluación estructurada junto a un ayudante. Cruzando ambos registros se determina un modificador individual de la nota grupal, que puede subir o bajar significativamente — hasta ser reprobatorio cuando un estudiante no demuestra un mínimo de competencia sobre su propio proyecto. Se permite y fomenta el uso de IA para construir el proyecto; lo que no se puede delegar es la comprensión (en coherencia con la Política de Integridad, sección 3). La coherencia entre la autoevaluación y el registro del ayudante forma parte del juicio: reconocer honestamente lo que no se supo pesa distinto que negarlo.

Las evaluaciones buscan demostrar la comprensión teórica y práctica de los conceptos del curso, así como la capacidad de diseñar, iterar, implementar y evaluar visualizaciones efectivas.

Requisitos de aprobación

Para aprobar el curso es necesario cumplir ambos requisitos:

Obtener una nota mayor o igual a 4,0 en la participación.
Obtener un promedio ponderado mayor o igual a 4,0 en el proyecto (E1 y E2).

Si la nota final resultara mayor o igual a 4,0 pero alguna de esas dos componentes queda por debajo de 4,0, la nota final será 3,9 y se reprobará el curso.

Cálculo de la nota final

La nota final es un promedio ponderado:

La participación pesa el 20 % de la nota final.
El proyecto pesa el 80 % de la nota final, repartido entre sus dos entregas:
- E1: 40 % del proyecto — 32 % de la nota final.
- E2: 60 % del proyecto — 48 % de la nota final.

Es decir: nota final = 0,20 × participación + 0,80 × (0,40 × E1 + 0,60 × E2).

Para estimar tu nota final con tus propias notas y actividades, usa la calculadora interactiva disponible en la sección «Evaluación y nota final», al inicio de esta misma página.

Política de Integridad Académica y Código de Honor

1. Marco General de la Escuela de Ingeniería

Los/as estudiantes de la Escuela de Ingeniería de la Pontificia Universidad Católica de Chile deben mantener un comportamiento acorde a la Declaración de Principios de la Universidad. En particular, se espera que mantengan altos estándares de honestidad académica. Cualquier acto deshonesto o fraude académico está prohibido; los/as estudiantes que incurran en este tipo de acciones se exponen a un Procedimiento Sumario.

Es responsabilidad de cada estudiante conocer y respetar el documento sobre Integridad Académica publicado por la Dirección de Docencia de la Escuela de Ingeniería.

2. Política del Departamento de Ciencia de la Computación (DCC)

Para los cursos del DCC, rige obligatoriamente la siguiente política de integridad académica:

Responsabilidad de Autoría: Todo trabajo presentado por un/a estudiante debe ser realizado por él/ella. El/la estudiante es responsable de originar el material entregado y de conocer íntegramente su contenido.
Condiciones de Entrega: Se deben respetar estrictamente las condiciones definidas por el curso para cada trabajo (carácter individual o grupal, y el uso permitido de material digital o IA). Por “trabajo” se entienden interrogaciones, tareas, laboratorios, proyectos y exámenes.
Sanciones: Si un/a estudiante incurre en una falta a la integridad académica (entregar trabajo ajeno, no comprender íntegramente lo entregado o incumplir las condiciones del curso), obtendrá nota final 1.1 en el curso y se solicitará a la Dirección de Pregrado que no se le permita retirar la asignatura. En todos los casos, se informará a la Comisión de Integridad Académica para sanciones adicionales según el Reglamento del Estudiante UC.

3. Normativa Específica del Curso y Uso de Inteligencia Artificial

En este curso, el uso de herramientas basadas en modelos de lenguaje (LLM), como ChatGPT, GitHub Copilot u otros asistentes, se rige bajo las siguientes reglas:

Uso Permitido y Declaración: Se permite y recomienda su uso para facilitar la creación de código, resolución de problemas y revisión de informes. No obstante, debe declararse de forma explícita qué herramienta se usó y con qué propósito. El equipo docente podrá solicitar respaldos de su utilización (ej. historiales o logs).
Verificación de Comprensión: En coherencia con la regla del DCC de "conocer íntegramente el contenido", el equipo docente podrá realizar preguntas orales sobre el código e informes entregados. La incapacidad de explicar o justificar adecuadamente cualquier parte del trabajo (incluyendo lo generado por IA) constituye una falta a la integridad académica y activará las sanciones de la sección 2 (nota 1.1 en el curso).
Evaluación Grupal Diferenciada: En el proyecto grupal, todos los miembros deben comprender la totalidad del código y del informe. Si en una revisión un integrante no demuestra comprensión suficiente, dicha persona podrá recibir las sanciones de integridad académica de forma individual, mientras que los demás integrantes recibirán la calificación acorde a su desempeño.
Citas y Seguimiento: El equipo docente podrá citar a las y los estudiantes para dar cuenta de lo programado en cualquier instancia del semestre, ya sea en evaluaciones formales o sesiones de revisión.

4. Compromiso del Código de Honor

Este curso suscribe el Código de Honor UC, el cual es vinculante. Todo trabajo evaluado debe ser propio. En caso de colaboración permitida, el trabajo deberá referenciar y atribuir correctamente dicha contribución. Es deber del estudiante conocer el Código de Honor en: uc.cl ↗

BIBLIOGRAFÍA

Bibliografía Mínima:

Yau, N. (2013). Data points: Visualization that means something. John Wiley & Sons.
Knaflic, C. N. (2015). Storytelling with data: A data visualization guide for business professionals. John Wiley & Sons.
Hermann, T., Hunt, A., & Neuhoff, J. G. (2011). The sonification handbook (Vol. 1). Berlin: Logos Verlag.
Dragicevic, P., Jansen, Y., & Vande Moere, A. (2020). Data physicalization. Handbook of human computer interaction, 1-51.
Beaudouin-Lafon, M., & Mackay, W. E. (2007). Prototyping tools and techniques. In The human-computer interaction handbook (pp. 1043-1066). CRC Press.

Bibliografía Complementaria:

Munzner, T. (2014). Visualization analysis and design. CRC press.
Spence, R. (2001). Information visualization (Vol. 1). New York: Addison-Wesley.
Cabitza, F. (2020). Introduzione alla Visualizzazione dei Dati, in Batini, C. et al., La scienza dei dati.
Ware, C. (2019). Information visualization: perception for design. Morgan Kaufmann.
Dix, A. (2013). Introduction to Information Visualisation. Information Retrieval Meets Information Visualization, LNCS 7757, 2013, pp 1-27.
Tufte, E.R. (2001). The visual display of quantitative information. Cheshire, CT: Graphics press.
Cairo, A. (2016). The truthful art: data, charts, and maps for communication. New Riders.
Shneiderman, B. (2003). The eyes have it: A task by data type taxonomy for information visualizations. In The craft of information visualization (pp. 364-371). Morgan Kaufmann.
Bellino, A., & Rocchesso, D. (2024, June). Controlling Trajectories with OneButton and Rhythm. In Proceedings of the 2024 International Conference on Advanced Visual Interfaces (pp. 1-3).
Krumm, J. (Ed.). (2018). Ubiquitous computing fundamentals. CRC Press.
Rogers, Y. (2023). Interaction design: beyond human-computer interaction.