Talk2Data: A Natural Language Interface for Exploratory Visual Analysis via Question Decomposition
本文提出Talk2Data,一种通过深度学习模型将复杂问题分解为简单问题序列的自然语言界面,用于探索性可视化分析,并设计带注释的可视化呈现答案,经消融和用户研究验证其有效性。
2023-05-16 cs.HC
Lux: Always-on Visualization Recommendations for Exploratory Dataframe Workflows
探索性数据科学主要发生在具有框架API(如pandas)的计算笔记本中,这些API支持灵活的数据转换、清理和分析方法。然而,可视化地探索嵌套框架中的数据仍然是乏味的,需要大量的可视化编程工作和脑力劳动来确定接下来要执行什么分析。我们提出了Lux,一个永远在线的框架,用于加速在框架工作流中的视觉洞察力发现。当用户在笔记本上打印一个图表时,Lux建议使用可视化来提供模式和趋势的快速概述,并建议有希望的分析方向。Lux提供了一种高级语言,用于按需生成可视化效果,以鼓励对数据进行快速视觉实验。我们证明,通过使用精心的设计和三个系统优化,Lux在UCI存储库中超过98%的数据集上增加了不超过两秒的开销。我们通过受控的首次使用研究和对早期采用者的采访来评估Lux的可用性,发现Lux有助于满足数据科学家在其框架工作流程中对可视化支持的需求。Lux已经被数据科学从业者所接受,在Github上拥有超过31000颗星。
2021-12-22 cs.DB cs.HC
A Survey on Exploratory Spatiotemporal Visual Analytics Approaches for Climate Science
本文综述了气候数据探索性时空可视化分析的挑战、需求及现有方法,按任务、数据源、技术等对相关工具分类,并指出趋势与关键挑战,以推动未来研究与气候缓解策略制定。
2024-07-30 cs.HC
Embedding Spatial Software Visualization in the IDE: an Exploratory Study
软件可视化对于以直观的方式理解和探索软件系统非常有用。软件的空间表示是一种很有前途的方法。但是,对于开发人员如何与IDE中嵌入的空间可视化进行交互,我们知之甚少。在本文中,我们提出了一个试点研究,探讨使用软件制图程序理解一个未知的系统。我们调查了开发人员是否建立了系统的空间记忆,按主题进行聚类是否提供了一个合理的基本布局,以及开发人员如何与地图进行交互。我们以观察、假设和影响的形式报告我们的结果。主要发现是:a)开发人员很好地利用了地图来检查搜索结果和调用图,b)开发人员发现基本布局令人惊讶,而且经常令人困惑。我们的结论与嵌入式软件地图的设计具体的建议。
2010-07-25 cs.HC cs.SE
Evaluation of Visualization by Demonstration and Manual View Specification
我们提出了一个探索性的研究比较的可视化建设和数据探索过程中的人使用两个可视化工具,每个实现不同的交互模式。其中一个可视化工具实现了手动视图规范范式(Polestar),另一个实现了演示范式(VisExemplar)的可视化。我们的研究结果表明,在这些工具中实现的交互范例影响:1)用于构建可视化的方法,2)用户如何形成目标,3)考虑和创建多少可视化替代方案,以及4)在可视化构建过程中的控制感。
2018-05-07 cs.HC
Beyond Correlation: Incorporating Counterfactual Guidance to Better Support Exploratory Visual Analysis
针对高维数据探索中依赖相关性易致因果推断假阳性问题,提出一种简单高效的反事实指导方法并集成至视觉分析系统,实验证明其能提升因果推断准确性并改变探索行为。
2024-08-28 cs.HC
Exploratory Unstructured Data Analysis: A Formative Study and Implications for Human-AI Collaboration
TU Wien(维也纳工业大学);University of Applied Sciences St. Pölten (USTP)(圣珀尔滕应用科学大学)
本研究提出EluDA框架,通过形成性研究发现用户自下而上构建分面分类、CLIP分配不可靠但支持语义分组,进而明确人机协作的四大关键机遇。
2026-09-04 cs.HC
WHATSNEXT: Guidance-enriched Exploratory Data Analysis with Interactive, Low-Code Notebooks
针对计算笔记本结构混乱、低代码用户难以上手的问题,本文提出 WHATSNEXT 框架,通过下一步推荐面板和动态分析依赖树支持低代码可视化探索。
2023-08-18 cs.HC
"It just kind of shows that I went somewhere": An Exploratory Study of Fitness Data Visualization Sharing
University of British Columbia(不列颠哥伦比亚大学);Emory University(埃默里大学)
本研究通过对18名健身数据分享者的半结构化访谈,揭示健身数据分享的三个新特征,并提出相关设计启示,为健身社交平台的优化提供依据。
2026-08-19 cs.CY cs.HC
Sentiment Visualisation Widgets for Exploratory Search
本文提出了使用\emph{visualisation widgets}进行探索性搜索与\emph{sentiment}作为一个方面。从描述情感矛盾的特定设计目标出发,实现了两个可视化小部件:\emph{scatter plot}和\emph{parallel coordinates}。在一个小规模的可用性研究中,这些小部件根据文本基线进行了评估,其中使用维基百科作为数据集进行了探索性任务。研究结果表明,用户花更多的时间浏览散点图以积极的方式。行为个体差异的事后分析显示,当考虑两种类型的用户,\emph{explorers}和\emph{achievers},参与散点图是积极的,并显着更大的\textit{when users are explorers}。我们讨论了这些发现的影响,基于情感的探索性搜索和个性化的用户界面。
2016-01-09 cs.HC
Modeling and Leveraging Analytic Focus During Exploratory Visual Analysis
可视化分析系统支持高度交互式的探索性数据分析。在一系列领域中,这些技术已经成功地用于帮助用户从复杂的数据中学习。然而,这些相同的探索性可视化技术使用户很容易发现虚假的发现。本文提出了新的方法来监测用户的分析重点在可视化分析的结构化数据集,并使用它来表面相关的文章,上下文的可视化结果。出于电子健康数据的交互式分析,本文介绍了一个正式的分析焦点模型,一种计算方法,动态更新的焦点模型在用户交互的时候,和一个原型应用程序,利用这个模型表面相关的医疗出版物的用户在一个大型语料库的医疗记录的可视化分析。24个用户的评价结果表明,建模方法具有较高的准确性,并能够表面高度相关的医学摘要。
2021-01-21 cs.HC
Hierarchical Knowledge Graphs: A Novel Information Representation for Exploratory Search Tasks
在探索性搜索任务中,除了信息检索,信息表征是意义建构的重要因素。在本文中,我们探讨了一个多层次的扩展知识图谱,层次知识图谱(HKG),结合层次和网络可视化到一个统一的数据表示作为工具,以支持探索性搜索。我们描述了我们的算法来构建这些可视化,分析交互日志,以定量地展示与网络的性能平价和层次结构的性能优势,并在测试数据集上综合来自交互日志,访谈和thinkalouds的数据,以展示统一层次结构+网络结构在我们的HKG中的实用性。除了上述研究,我们进行了一个额外的混合方法分析的精度和召回的性能的分层知识图谱的两个不同的探索性搜索任务的影响。虽然定量数据显示精确度和召回率对用户性能和用户努力的影响有限,但定性数据与事后统计分析相结合提供了证据,证明探索性搜索任务的类型(例如,学习与调查)可能受到精确度和召回率的影响。此外,我们的定性分析发现,用户无法感知提取信息的质量差异。我们讨论了我们的研究结果的影响,并分析了其他因素,更显着地影响探索性搜索性能在我们的实验任务。
2020-05-04 cs.HC cs.IR
How Does User Behavior Evolve During Exploratory Visual Analysis?
针对现有计算模型静态视角与探索性视觉分析(EVA)动态特性不符的问题,本文通过实证分析探究用户EVA交互行为演化与在线学习技术假设的关联,为用户建模与系统设计提供参考。
2023-12-15 cs.HC
Juicy Interactive Visualization: Evaluating How Excessive Feedback Design Shapes Visualization Engagement
Worcester Polytechnic Institute(伍斯特理工学院)
提出JuicyVIS框架,将游戏中的juicy反馈操作化为可视化交互设计的三维度(类型、时机、强度),通过26个原型和三项混合方法在线研究评估,发现juicy反馈提升参与度和审美体验,且交互后反馈收益最明显。
2026-10-07 cs.HC
ProvThreads: Analytic Provenance Visualization and Segmentation
我们的工作旨在生成可视化,使元分析的分析出处,并帮助更好地理解分析师的策略,在探索性的文本分析。我们介绍ProvThreads,一种可视化分析方法,它结合了交互式主题建模结果,以说明用户交互和正在调查的数据主题之间的关系。ProvThreads使用一系列称为主题线索的连续分析路径来展示主题覆盖率和调查随时间的进展。当分析师在分析过程中与不同的数据进行交互时,交互会被记录下来,并用于跟踪用户在一段时间内对主题的兴趣。折线图显示了在分析期间对多个主题的不同兴趣量。我们讨论了如何不同的配置ProvThreads可以用来揭示整个分析的重点变化。
2018-01-16 cs.HC
Exploring How Personality Models Information Visualization Preferences
最近的研究表明,信息可视化的个体差异如何作为一个调解人的用户如何与可视化系统进行交互。我们集中我们的探索性研究是否个性有影响用户的偏好,用于层次结构,随着时间的推移,演变和比较上下文的成语。具体来说,我们利用所有的人格变量从五因素模型和三个维度从控制点(LoC)的相关性和聚类方法。基于相关的方法表明,神经质,经验开放性,可接受性,每个特质的几个方面,以及来自LoC的外部维度介导了个体对某些习语的偏好程度。此外,我们的聚类分析结果表明,神经质,外倾性,尽责性,以及所有的维度从LoC有影响的习语偏好在层次和进化的背景下。我们的研究结果支持将深入的个性与InfoVis的协同作用纳入可视化系统的设计流程。
2020-09-07 cs.HC
The Chart Excites Me! Exploring How Data Visualization Design Influences Affective Arousal
随着数据可视化越来越多地应用于大众传播,设计师往往试图立即抓住观众,并激励他们阅读更多。正如先前的研究所表明的那样,这些目标与情绪的激活密切相关,即情感唤醒。鉴于这种动机,这项工作采取初步措施,了解数据可视化设计中的唤醒相关因素。我们收集了265个数据可视化的语料库,并与184名参与者进行了一项众包研究,在此期间,参与者被要求对数据可视化设计(所有文本都被模糊以排除语义的影响)引起的情感唤起进行评级,并提供他们的理由。根据收集的数据,首先,我们通过定性分析用户评论来识别一组与唤醒相关的设计特征。然后,我们将这些特征映射到可计算变量,并构建回归模型来推断哪些特征对情感唤起有重要的定量贡献。通过这项探索性研究,我们最终确定了四个设计特征(例如,色彩、不同视觉通道的数量)交叉验证为与情感唤起相关的重要特征。
2022-11-07 cs.HC
PromptMap: Supporting Exploratory Text-to-Image Generation
Peking University(北京大学);University of Nottingham(诺丁汉大学)
针对文本生成图像探索中用户易在设计空间迷失的问题,研究提出Design-Exploration模型形式化探索过程,开发交互式可视化系统PromptMap以适配非线性探索流程,并通过用户深度访谈完成系统评估。
2025-10-03 cs.HC
iQUANT: Interactive Quantitative Investment Using Sparse Regression Factors
基于模型的金融投资正逐渐成为量化投资的主要方法。主要的挑战在于选择获得超额市场收益的有效因素。现有的方法,无论是手工挑选的因素或应用特征选择算法,不协调人类的知识和计算能力。本文介绍了iQUANT,一个互动的量化投资系统,帮助股票交易者快速发现有前途的金融因素,从算法模型建议的初始建议,并进行联合细化的因素和股票的投资组合组成。我们与专业交易员密切合作,收集“好”因素的经验特征,并提出有效的可视化设计,以说明金融因素,股票投资组合及其相互作用的集体表现。我们通过正式的用户研究,两个案例研究和专家访谈,使用由3000只股票乘以6000天乘以56个因素组成的真实股票市场数据集来评估iQUANT。
2021-04-23 cs.HC
Visual Model Validation via Inline Replication
数据可视化通常显示现有数据集的回顾性视图,很少或根本不关注可重复性。然而,这些工具的消费者经常使用从回顾性可视化中收集的见解作为对未来事件的决策基础。通过这种方式,可视化通常用作视觉预测模型,尽管它们通常被设计为呈现数据的历史视图。然而,这种“视觉预测模型”方法可能导致无效的推断。在本文中,我们描述了一种称为内联复制(IR)的视觉模型验证方法,类似于机器学习中广泛使用的交叉验证技术,为视觉模型评估和可重复性提供了一种非参数和广泛适用的技术。本文描述了整个IR过程,并概述了如何将其集成到传统和新兴的“大数据”可视化管道中。提供的例子显示IR集成在常见的可视化技术(如条形图和线性回归线),以及一个功能更全的可视化系统,设计用于复杂的探索性分析任务。
2016-05-27 cs.HC
EVM: Incorporating Model Checking into Exploratory Visual Analysis
本研究提出EVM数据探索工具,将基于可视化的统计模型检测融入视觉分析,在用户数据视图旁展示模型预测分布,经用户研究明确其对分析思考的作用及未来优化方向。
2023-08-24 cs.HC
Falx: Synthesis-Powered Visualization Authoring
现代可视化工具旨在让数据分析师轻松创建探索性可视化。当输入数据布局符合可视化设计时,用户可以通过将数据列映射到设计的视觉通道来容易地指定可视化。然而,当数据布局和设计之间存在不匹配时,用户需要在数据转换上花费大量精力。我们提出了Falx,一个合成动力的可视化工具,允许用户以类似简单的方式指定可视化,但无需担心数据布局。在Falx中,用户使用输入中的具体值如何映射到视觉通道的示例来指定可视化,Falx自动推断可视化规范并转换数据以匹配设计。在一项由33名数据分析师参与的关于四个涉及数据转换的可视化任务的研究中,我们发现用户可以有效地采用Falx来创建他们无法实现的可视化。
2021-02-01 cs.HC cs.PL
Intelligent Canvas: Enabling Design-Like Exploratory Visual Data Analysis with Generative AI through Rapid Prototyping, Iteration and Curation
University of Maryland, College Park(马里兰大学帕克分校)
针对现有界面在探索性可视化数据分析中的局限,提出集成生成式AI的“类设计”intelligent canvas环境,支持快速原型设计、迭代与比较可视化管理,并通过N=10的用户研究验证其有效性。
2024-03-21 cs.AI cs.HC
Using Counterfactuals to Improve Causal Inferences from Visualizations
本文针对可视化分析中用户常从相关性误推因果的问题,综述了直接支持视觉因果推断的最新方法,并指出其局限,进而提出关键开放挑战与研究优先方向。
2024-01-16 cs.HC
Deconstructing Categorization in Visualization Recommendation: A Taxonomy and Comparative Study
本文构建可视化推荐类别分类法并开发 Frontier 系统,通过用户比较实验揭示增强当前视图与筛选子群体两类推荐最有用,为自适应个性化 VisRec 提供依据。
2021-02-14 cs.HC
Physical Containers as Framing Conditions for Visualization in Augmented Reality
Seoul National University(首尔大学);KAIST(韩国科学技术院)
本文提出利用物理环境作为隐式框架机制,通过AR中物理容器的几何和空间特性指导数据解读,展示如何通过容器形态引导循环、比较和序列分析。
2026-03-23 cs.HC
Beyond Task Performance: Lessons Learned from Evaluating an Exploratory VR Interaction Technique
Texas State University(德克萨斯州立大学);University of Central Florida(中佛罗里达大学);University of North Florida(北佛罗里达大学)
本研究通过案例研究RodCast,比较其与Go-Go Hand和FlowerCone在密集虚拟环境中的交互性能,发现控制简单性至关重要,并强调定性反馈在评估中的必要性。
2026-09-23 cs.HC
Sycamore: Characterizing Synthetic Personas for Evaluating Genomics Visualization Retrieval
Harvard Medical School(哈佛医学院)
Sycamore通过三种条件探针设计评估基因组可视化检索系统,探讨合成身份在真实用户反馈中的表现及影响。
2026-07-09 cs.HC
Deadeye Visualization Revisited: Investigation of Preattentiveness and Applicability in Virtual Environments
可视化依赖于突出显示来吸引和引导我们的注意力。为了使感兴趣的对象独立于多个干扰物而突出,潜在的视觉提示,例如,颜色,必须要注意。在我们之前的工作中,我们介绍了Deadeye作为一种即时可识别的突出显示技术,其工作原理是仅为一只眼睛渲染目标对象。与之前的方法相比,Deadeye的优势在于不修改目标的任何视觉属性。然而,在2D可视化的情况下,该方法需要额外的设置以允许双视呈现,这是相当大的缺点。作为一个后续行动,从社会的要求,本文探讨了Deadeye作为一个突出显示技术的3D可视化,因为这样的立体场景支持dichoptic演示的开箱即用。Deadeye抑制了目标物体的双眼视差,因此我们不能假设我们的技术的适用性是一个给定的事实。出于这个动机,本文对VR中的Deadeye进行了定量评估,包括具有多个异构干扰器的配置作为重要的鲁棒性挑战。在确认在这种真实世界条件下保留的预注意力(所有平均准确率均高于90%)后,我们探索VR体渲染作为Deadeye的示例应用场景。我们描绘了一个可能的工作流程,整合我们的技术,进行探索性调查,以证明的好处和局限性,并最终提供相关的设计影响。
2019-07-10 cs.HC
ColVis: Collaborative Visualization Design Workshops for Diverse User Groups
了解不同类型的用户需求在当今的数据可视化领域中甚至更加重要,因为随着数据源数量的增加,新手用户的探索性可视化变得越来越普遍。数据驱动项目的复杂性需要跨学科专家和新手用户的投入。我们的研讨会框架有助于在不同层面上与专家和新手用户协作做出设计决策,例如概述用户和目标,确定任务,结构化数据以及创建数据可视化想法。我们为两个不同的数据可视化项目举办了研讨会。对于每个项目,我们都与项目涉众(领域专家)进行了一次研讨会,然后与新手用户进行了第二次研讨会。我们收集了参与者的反馈,并对过程进行了批判性反思。后来,我们创建了关于其他人如何使用此研讨会结构的建议。我们的主要贡献是,(1)设计数据可视化的研讨会框架,(2)描述多个研讨会的成果和经验教训。
2020-09-14 cs.CY cs.HC
Search Timelines: Visualizing Search History to Enable Cross-Session Exploratory Search
本文提出 Search Timelines 搜索界面,通过双层时间线可视化查询与已保存资源的历史,支持公共数字图书馆中的跨会话探索式搜索,实验表明其能提升用户参与度、可用性和感知知识增益。
2025-08-15 cs.HC cs.IR
Liger: Combining Interaction Paradigms for Visual Analysis
可视化工具通常利用单个交互范例(例如,手动视图规范、通过演示的可视化等),这促进了可视化构建的过程。大量的工作已经调查了个人的互动模式的有效性,建立一个孤立的优势和劣势的理解。但是,我们如何通过将多种交互模式组合到一个工具中来利用它们的优势呢?我们目前缺乏一个整体的观点,如何使用相同的输入模态(例如,鼠标)可以组合成一个单一的工具,以及人们如何使用这些工具。为了研究结合范例的机遇和挑战,我们首先创建了一个多范例原型(Liger),它在一个统一的工具中结合了两个基于鼠标的交互范例(手动视图规范和可视化演示)。然后,我们用Liger进行了一项探索性研究,提供了初步证据,证明人们1)可互换地使用两种范式,2)根据手头的操作在范式之间无缝切换,3)选择使用两种范式的组合成功完成一项操作。
2019-07-22 cs.HC
Conversational Exploratory Search via Interactive Storytelling
对话式界面可能会成为比今天的文本或触摸式界面更有效、更直观和更吸引人的人机交互方式。当前关于会话接口的研究工作主要集中在问答功能上,从而忽略了对目标信息查找之外的搜索活动的支持。当用户不熟悉他们的目标领域,不确定实现目标的方法,或者首先不确定他们的目标时,他们会进行探索性搜索。探索性搜索通常由信息可视化方法支持。然而,这种方法不能直接转化为会话搜索的设置。在本文中,我们调查的启示互动讲故事的工具,使探索性搜索的对话界面的框架内。交互式故事讲述提供了一种以用户喜欢的速度和顺序导航文档集合的方法。在我们的愿景中,互动式讲故事将与基于对话的系统相结合,该系统提供口头解释和响应式设计。我们讨论了挑战,并勾勒出将这一愿景付诸实践所需的研究议程。
2017-09-15 cs.HC cs.IR
Show Me My Users: A Dashboard Visualizing User Interaction Logs
本文设计了一个仪表板和分析流水线,用于从大量混合用户类型的日志事件数据中提取分析KPI,帮助分析师实时监控可视化工具用户行为以改进工具,并提倡以仪表板方法实现更随意的用户监控。
2023-10-19 cs.HC
Image or Information? Examining the Nature and Impact of Visualization Perceptual Classification
本研究通过线上评分与线下自由回忆实验,探究可视化设计元素对其被感知为图像或信息的影响,及两类感知在记忆效果、情绪与设计评价上的差异,为可视化设计提供参考。
2023-07-21 cs.HC
Towards Evaluating Exploratory Model Building Process with AutoML Systems
自动机器学习(AutoML)系统的使用是高度开放和探索性的。虽然严格评估最终用户如何与AutoML交互至关重要,但为这种探索性系统建立一个强大的评估方法是具有挑战性的。首先,AutoML很复杂,包括多个子组件,这些子组件支持用于合成ML管道的各种子任务,例如数据准备,问题规范和模型生成,因此很难产生告诉我们哪些组件成功或失败的见解。其次,由于AutoML的使用模式是高度探索性的,因此不可能仅仅依赖于广泛使用的任务效率和有效性指标作为成功指标。为了解决评估中的挑战,我们提出了一种评估方法,该方法(1)指导AutoML构建者将其AutoML系统划分为多个子系统组件,(2)通过可视化最终用户的行为模式和态度数据帮助他们对每个组件进行推理。我们进行了一项研究,以了解何时,如何,为什么以及应用我们的方法可以帮助构建者更好地了解他们的系统和最终用户。我们招募了3个专业的AutoML构建者团队。这些小组准备了自己的系统,并让41个最终用户使用这些系统。使用我们的方法,我们可视化了最终用户的行为和态度数据,并将结果分发给团队。我们从两个方面分析了结果:AutoML构建者从最终用户那里学到了什么类型的新见解,以及(2)评估方法如何帮助构建者理解工作流程及其系统的有效性。我们的研究结果提出了新的见解,解释了AutoML领域未来的设计机会,以及如何使用我们的方法帮助构建者确定见解,并让他们绘制改进系统的…
2020-09-01 cs.HC
Living Dashboards: Automatically Self-Updating Visualization Dashboards
Seoul National University(首尔大学);Sogang University(西江大学);TU Wien(维也纳工业大学);VRVis GmbH(VRVis有限责任公司);Aarhus University(奥胡斯大学)
本文提出Living Dashboards,一种能根据用户交互和自然语言查询自动调整视图的仪表盘,通过四维设计空间和原型系统验证,在用户研究中优于AI支持基线。
2026-10-07 cs.HC
Visualizing Causality in Mixed Reality for Manual Task Learning: An Exploratory Study
本研究通过48名用户的实验,探索混合现实中不同层级因果关系可视化对手动任务学习的影响,发现展示所有层级因果关系时用户表现最佳,并据此提出设计建议。
2025-02-28 cs.HC
Learning on Health Fairness and Environmental Justice via Interactive Visualization
本文介绍了一个带有机器学习共识分析的交互式可视化界面,使研究人员能够通过采用多个递归图神经网络来探索大气和社会经济因素对COVID-19临床严重程度的影响。我们设计并实现了一个可视化界面,该界面利用协调的多视图来支持对住院和其他社会地理变量进行多维度的探索性和预测性分析。通过利用几何深度学习的优势,我们构建了一个共识机器学习模型,以包含来自县级记录的知识,并调查全球传染病,环境和社会正义之间的复杂相互关系。此外,我们还利用了美国宇航局独特的卫星观测数据,这些数据在气候正义应用方面没有得到广泛使用。我们目前的互动界面集中在美国三个州(加利福尼亚州,宾夕法尼亚州和得克萨斯州),以证明其科学价值,并提出了三个案例研究,使定性评估。
2022-11-18 cs.CY cs.HC
Semantic Reality: Interactive Context-Aware Visualization of Inter-Object Relationships in Augmented Reality
Google(谷歌);University of Minnesota(明尼苏达大学);University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出Semantic Reality系统,通过多模态推理和空间锚定技术,实现增强现实中的多物体关系交互可视化,提升任务理解和参与度。
2026-04-06 cs.HC
Multimodal Data Comprehension: Understanding How Visual-Textual Chains of Information Influence Data Interpretation
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);University of California San Diego(加利福尼亚大学圣迭戈分校)
研究多模态数据理解中视觉与文本信息链对数据解释的影响,提出用可视化优先链和文本优先链呈现信息的实验范式,通过比较发现不同链的理解特点,为多模态信息整合及有效数据通信设计提供见解。
2026-10-08 cs.HC
Data Formulator 2: Iterative Creation of Data Visualizations, with AI Transforming Data Along the Way
Microsoft Research(微软研究院);Yonsei University(延世大学)
针对现有AI可视化系统不支持迭代创作、需单轮完整描述需求的问题,研究推出融合GUI与自然语言、支持历史复用的AI可视化系统Data Formulator 2,用户研究验证其可助力用户完成复杂数据探索。
2025-02-21 cs.AI cs.HC
EDAssistant: Supporting Exploratory Data Analysis in Computational Notebooks with In-Situ Code Search and Recommendation
University of Waterloo(滑铁卢大学)
使用计算笔记本(例如,数据科学家根据他们以前的经验和外部知识(如在线示例)合理化他们的探索性数据分析(EDA)。对于缺乏关于数据集或问题的特定知识的新手或数据科学家来说,有效地获取和理解外部信息对于进行EDA至关重要。本文介绍了EDAssistant,一个支持EDA与现场搜索的示例笔记本和有用的API的建议,由新颖的交互式可视化搜索结果提供动力的XuyterLab扩展。代码搜索和推荐由最先进的机器学习模型实现,这些模型是在在线收集的大量EDA笔记本语料库上训练的。进行用户研究以调查EDAssistant和数据科学家的当前实践(即,使用外部搜索引擎)。结果显示EDAssistant的有效性和实用性,与会者赞赏其对EDA的顺利和上下文支持。我们还报告了几个关于代码推荐工具的设计影响。
2021-12-15 cs.HC cs.IR cs.LG
Foresight: Rapid Data Exploration Through Guideposts
目前用于探索性数据分析(EDA)的工具需要用户手动选择数据属性、统计计算和可视化编码。对于大规模的复杂数据来说,这可能令人生畏。我们介绍了一个可视化的推荐系统Focal,它可以帮助用户通过“路标”快速浏览大型高维数据集。路标是一种可视化,对应于底层数据的统计描述符的明显实例,例如两个属性之间的强线性相关性,单个属性平均值的高偏斜度或集中度,或值的强聚类。对于每一个描述符,Focal首先根据适当的排名指标呈现“最强”实例的可视化。给定这些初始路标,用户然后可以通过发出包含对度量类型、度量强度、数据属性和数据值的约束的“路标查询”来查看“附近的”路标。因此,用户可以直接探索路标网络,而不是数据属性和视觉编码的压倒性空间。Focal还为每个描述符提供了排名度量值的全局可视化,以帮助用户定位并确保彻底的探索过程。Focal使用快速近似的草图来计算排名指标,从而促进了对大型数据集的交互式探索。我们还对数据科学家的EDA实践提出了见解,总结了我们为设计Focal而进行的访谈研究的结果。
2017-09-29 cs.HC
Insight-centric Visualization Recommendation
Georgia Tech(佐治亚理工学院);Adobe Research(奥多比研究中心)
可视化推荐系统简化了探索性数据分析(EDA),并通过自动生成可视化供用户探索,使所有技能水平的用户更容易理解数据。然而,大多数现有的可视化推荐系统专注于基于特定属性或编码将所有可视化排列到单个列表或组集合中。这种全球排名使得用户很难找到最有趣或最相关的见解。为了解决这些限制,我们引入了一类新的可视化推荐系统,自动排名和推荐两组相关的见解以及每组中最重要的见解。我们提出的方法结合了许多不同的基于学习的方法的结果,以自动发现见解。一个关键的优点是,这种方法推广到各种各样的属性类型,如分类,数值和时间,以及这些不同的属性类型的复杂的非平凡的组合。为了评估我们的方法的有效性,我们实现了一个新的以洞察力为中心的可视化推荐系统Spotlight,它生成并排名带注释的可视化来解释每个洞察力。我们对12名参与者和两个数据集进行了用户研究,结果表明用户能够快速理解并在不熟悉的数据中找到相关见解。
2021-03-21 cs.AI cs.HC cs.IR
View Composition Algebra for Ad Hoc Comparison
比较是视觉分析的核心任务。虽然有许多指导方针可以帮助用户设计有效的可视化来帮助已知的比较任务,但当用户想要在数据探索和可视化分析期间在标记、趋势或图表之间进行特别比较时,几乎没有可用的技术。例如,比较不同年份的投票计数图,折线图中的两个股票趋势,或带有平均GDP文本摘要的国家GDP散点图。理想情况下,用户可以直接选择比较目标并进行比较,但是可视化的哪些元素应该是候选目标,哪些目标组合可以安全比较,以及哪些比较操作有意义?本文提出了一个概念模型,让用户组成的值,标记,图例元素和图表的组合使用一组组合运算符,汇总,计算差异,合并,并模拟其操作数。我们进一步定义了一个视图组合代数(VCA),它与基于数据立方体的可视化兼容,基于此代数导出一个交互设计,支持临时视觉比较,并通过几个用例说明其实用程序。
2022-02-16 cs.DB cs.HC