LLaVA-Interactive: An All-in-One Demo for Image Chat, Segmentation, Generation and Editing
Microsoft Research(微软研究院)
LLaVA-Interactive通过组合LLaVA、SEEM和GLIGEN三种现成模型,无需额外训练即可实现支持语言和视觉提示的多模态多轮交互,涵盖图像聊天、分割、生成与编辑。
2023-11-01 cs.AI cs.CL cs.CV
SpaceEditing: Integrating Human Knowledge into Deep Neural Networks via Interactive Latent Space Editing
Jilin University(吉林大学);University of Tokyo(东京大学);Japan Advanced Institute of Science and Technology(日本北陆先端科学技术大学院大学)
我们提出了一种交互式编辑方法,允许人类帮助深度神经网络(DNN)学习与人类知识更一致的潜在空间,从而提高对无法区分的模糊数据的分类准确性。首先,我们通过降维方法将高维数据特征可视化,并设计了一个交互式系统\textit{SpaceEditing}来显示可视化的数据。\textit{SpaceEditing}提供了一个基于空间布局思想的2D工作空间。在该工作空间中,用户可以根据系统引导在其中移动投影数据。然后,\textit{SpaceEditing}根据用户移动的投影数据找到相应的高维特征,并将高维特征反馈给网络进行再训练,从而达到为用户交互修改高维潜在空间的目的。其次,为了更合理地将人类知识融入到神经网络的训练过程中,我们设计了一个新的损失函数,使网络能够学习用户修改的信息。最后,我们通过三个案例分析来说明\textit{SpaceEditing}是如何满足用户需求的,并对我们提出的新方法进行了评估,结果证实了我们的方法的有效性。
2022-12-08 cs.HC cs.LG
Argo Scholar: Interactive Visual Exploration of Literature in Browsers
发现和理解相关的研究文献是成为任何科学学科知识的基础。可视化可以帮助这一过程;然而,现有工具的采用和影响往往受到限制,例如依赖于快速过时的小型纸质数据集,或者缺乏对个性化探索的支持。我们介绍Argo Scholar,一个开源的,基于网络的可视化工具,用于交互式文献探索和轻松共享探索结果。Argo Scholar对Semantic Scholar近2亿篇论文的实时数据进行查询和可视化,使用户能够通过灵活的增量探索实时生成个性化的文献探索结果,这是研究人员发现相关工作的常用有效方法。我们的工具允许用户轻松地分享他们的文献探索结果作为一个URL或Web嵌入式IFrame应用程序。Argo Scholar是开源的,可在https://poloclub.github.io/argo-scholar/上获得。
2021-10-26 cs.HC
Doris: A tool for interactive exploration of historic corpora (Extended Version)
对社会现象的洞察可以从与该现象相关的文档语料库中的趋势和模式中收集。近年来,人们使用计算技术,主要是基于关键字,来分析大型语料库,用于这些目的。在本文中,我们扩展这些技术,将语义特征。我们介绍多丽丝,一个交互式的探索工具,结合语义特征与信息检索技术,使相应的社会现象的文档语料库的探索。我们讨论了语义技术,并描述了美国(US)总统演讲语料库上的实现。我们举例说明,如何在可视化中结合句法和语义特征的能力,帮助研究人员更容易地获得洞察到的潜在现象。
2017-10-31 cs.HC
Super-Gaussian: Interactive Scene Editing for 3D Gaussian Splatting and NLI-Based Volume Visualization in Virtual Reality
Korea University(高丽大学);University of Notre Dame(圣母大学)
本研究针对VR中体可视化的渲染成本与交互问题,提出Super-Gaussian框架,结合三维高斯溅射、特征感知聚类、分层选择-细化工作流与NLI,实现高效直观的体数据交互编辑与分析
2026-08-06 cs.HC
ICE: Interactive 3D Game Character Editing via Dialogue
针对现有文本驱动角色定制系统仅支持单轮生成、无法进一步编辑的问题,提出ICE框架,通过多轮对话解析和语义引导的低维参数求解,实现细粒度、可迭代的游戏角色编辑,实验验证其有效性和优越性能。
2024-08-21 cs.HC cs.MM
Drag Your Noise: Interactive Point-based Editing via Diffusion Semantic Propagation
Singapore Management University(新加坡管理大学);South China Normal University(华南师范大学)
本文提出 DragNoise,利用 U-Net 预测噪声作为语义编辑器,在单步去噪中实现基于点的交互式编辑,相比 DragDiffusion 优化时间减少 50% 以上且语义保留更优。
2024-04-01 cs.CV cs.GR cs.HC
LIVE: LaTex Interactive Visual Editing
Monash University(莫纳什大学)
针对LaTex静态图形元素交互性不足的问题,提出交互式LaTex图形设计方案LIVE,可生成Gitems并自动获取论文引用关系,以NeRF论文为示例验证功能,代码已开源。
2024-05-10 cs.CL cs.HC
ZoomTable: Interactive Exploration of Data Facts in Hierarchical Tables via Semantic Zooming
Beijing Institute of Technology(北京理工大学);Shenzhen University(深圳大学)
本文提出ZoomTable系统,通过语义缩放技术解决层次表中数据事实布局冲突问题,支持多维数据事实的多尺度交互探索。
2026-04-12 cs.HC
DASH: A Bimodal Data Exploration Tool for Interactive Text and Visualizations
本文提出双模态数据探索工具DASH,结合语义层级模型与大语言模型,通过拖放交互将文本与可视化整合,以支持数据驱动叙事的创建。
2024-08-05 cs.HC
Facilitating Visual Media Exploration for Blind and Low Vision Users through AI-Powered Interactive Storytelling
本研究提出AI驱动的交互式叙事范式,通过层级、并行和分支三种叙事技术,帮助盲人和低视力用户在连贯体验中探索视觉媒体,平衡用户自主性与叙事连贯性。
2025-08-07 cs.HC
FeatureExplorer: Interactive Feature Selection and Exploration of Regression Models for Hyperspectral Images
本文提出可视化分析系统FeatureExplorer,支持在高光谱图像高维特征空间交互式选择特征,动态评估回归模型与特征子集重要性,助力用户迭代优化诊断模型。
2019-08-02 cs.HC
Interactive Exploration of the Employment Situation Report: From Fixed Tables to Dynamic Discovery
美国劳工统计局的月度就业形势报告被经济学家、记者和政治家广泛预测,因为它被用来预测美国的经济状况。该报告对公众和企业的经济信心产生了广泛的影响;然而,在线访问这些数据采用了过时的技术,使用的是仅包含文本和固定表格信息的PDF格式。在劳工统计局网站上创建一个动态发现的互动界面,可以在公众和政府领域之间引发更多的对话,为政府网站吸引更多的流量,并引发更大的公民参与。我们的工作表明,交互式视觉分析技术的实施,使动态发现导致数据的快速解释,以及提供的手段来探索数据的进一步见解。本文提出了两个鼓舞人心的原型:交互式可视化仪表板和交互式时间序列资源管理器,允许时间和空间分析,并使用户能够结合数据集创建自己的定制可视化。
2016-08-11 cs.HC
Interactive Discovery and Exploration of Visual Bias in Generative Text-to-Image Models
TU Wien(维也纳工业大学);St. Pölten University of Applied Sciences(圣珀尔滕应用科学大学)
本文提出ViBEx工具,通过交互式界面和零样本偏见探测,帮助发现生成文本到图像模型中的视觉偏见,通过案例研究验证其有效性。
2025-04-28 cs.HC
CohortVA: A Visual Analytic System for Interactive Exploration of Cohorts based on Historical Data
在历史研究中,队列分析试图通过研究历史人物的群体行为来识别社会结构和人物流动性。以往的工作主要采用自动数据采掘方法,缺乏有效的可视化解释。在本文中,我们提出了CohortVA,一个互动的视觉分析方法,使历史学家将专业知识和洞察力的迭代探索过程。CohortVA的核心是一种新的识别模型,它通过从大规模历史数据库中构建的预构建知识图谱来生成候选队列并构建队列特征。我们提出了一套协调的意见,以说明确定的队列和功能,再加上历史事件和数字配置文件。两个案例研究和对历史学家的采访表明,CohortVA可以大大提高队列识别,数字认证和假设生成的能力。
2022-08-19 cs.HC
TofuML: A Spatio-Physical Interactive Machine Learning Device for Interactive Exploration of Machine Learning for Novices
The University of Tokyo(东京大学);Tsukuba University(筑波大学);Fujitsu Limited(富士通株式会社)
本研究推出面向非专业用户的物理空间交互ML系统TofuML,通过两项用户研究证实其相比GUI版本更能提升用户参与度、降低ML入门门槛,为普适性交互式ML系统开发提供依据。
2025-08-06 cs.HC
VideoMap: Supporting Video Editing Exploration, Brainstorming, and Prototyping in the Latent Space
Carnegie Mellon University(卡内基梅隆大学);Adobe Research(奥多比研究中心)
VideoMap是一个基于潜在空间的视频编辑界面,通过地图式导航和可更换镜头支持探索性编辑,用户研究显示其能减少繁琐工作并提升创意体验。
2024-06-25 cs.CV cs.HC cs.MM
An Exploration of Post-Editing Effectiveness in Text Summarization
University of Colorado Boulder(科罗拉多大学博尔德分校);Dataminr Inc.(Dataminr公司);University of Washington(华盛顿大学)
自动摘要方法是有效的,但可能遭受低质量。相比之下,手动摘要成本较高,但质量更高。人类和AI可以合作提高摘要性能吗?在类似的文本生成任务中(例如,机器翻译),以“后期编辑”AI生成文本的形式进行人-AI协作,减少了人类的工作量,提高了AI输出的质量。因此,我们探讨了后编辑是否在文本摘要中提供了优势。具体来说,我们对72名参与者进行了一项实验,比较了后期编辑提供的摘要与手动摘要的摘要质量,人力效率以及正式(XSum新闻)和非正式(Reddit帖子)文本的用户体验。这项研究为后期编辑何时对文本摘要有用提供了有价值的见解:它在某些情况下有帮助(例如,当参与者缺乏领域知识时)而不是在其他情况下(例如,当提供的摘要包含不准确的信息时)。参与者不同的编辑策略和对帮助的需求为未来的人工智能摘要系统提供了启示。
2022-06-13 cs.AI cs.CL cs.HC
GAM Changer: Editing Generalized Additive Models with Interactive Visualization
Georgia Tech(佐治亚理工学院);University of Washington(华盛顿大学);Microsoft Research(微软研究院);NYU Langone Health(纽约大学朗格尼健康中心)
可解释机器学习(ML)研究的最新进展表明,模型利用数据中的不良模式进行预测,这可能会对部署造成危害。然而,目前还不清楚我们如何修复这些模型。GAM Changer是一个开源的交互式系统,可以帮助数据科学家和领域专家轻松、负责任地编辑他们的广义加性模型(GAM)。通过新颖的可视化技术,我们的工具将可解释性付诸行动-使人类用户能够分析,验证和调整模型行为与他们的知识和价值观。我们的工具使用现代Web技术构建,在用户的计算笔记本或Web浏览器中本地运行,无需额外的计算资源,降低了创建更负责任的ML模型的障碍。GAM Changer可在https://interpret.ml/gam-changer上获得。
2021-12-06 cs.AI cs.HC cs.LG
TaxThemis: Interactive Mining and Exploration of Suspicious Tax Evasion Group
逃税是许多国家的严重经济问题,因为它会破坏政府的税收制度,导致不公平的商业竞争环境。最近的研究应用数据分析技术来分析和检测个人纳税人的逃税行为。然而,它们未能支持对日益增多的关联方交易逃税行为(如,转让定价),其中涉及一组纳税人。在本文中,我们提出了TaxThemis,一个交互式的可视化分析系统,以帮助税务人员挖掘和探索可疑的逃税群体,通过分析异构的税务相关数据。构建纳税人网络,并与贸易网络融合,以检测可疑的RPTTE组。丰富的可视化设计旨在通过利润和拓扑数据分析促进相关纳税人之间可疑交易的探索和调查。具体来说,我们提出了一个日历热图,并采用精心设计的编码方案,直观地显示通过关联方交易转移收入的证据。我们通过对现实世界中与税收相关的数据的两个案例研究,以及对领域专家的采访,展示了TaxThemis的实用性和有效性。
2020-09-07 cs.HC
Chronodes: Interactive Multi-focus Exploration of Event Sequences
移动医疗技术的出现提出了新的挑战,现有的可视化,交互式工具和算法尚未设计支持。在处理传感器数据和高维生理记录中的不确定性时,我们必须寻求改进当前的工具,这些工具从基于事件的趋势发现的传统角度来理解健康数据。Chronodes是一个旨在帮助研究人员收集、解释和建模移动健康(mHealth)数据的系统,我们使用了一系列交互技术,这些技术可以实现理解和探索基于事件的数据的新方法。Chronodes从大量不连续的移动健康数据流中发现并可视化频繁的事件序列,这些事件序列揭示了参与者和日期之间的常见时间顺序模式。然后,通过将这些序列作为互动元素进行推广,Chronodes提供了寻找、定义和比较表现出特定行为的参与者群体的机会。我们将Chronodes应用于一个真实的40GB mHealth数据集,捕获了大约400小时的数据。通过我们与20位行为和生物医学健康专家的试点研究,我们深入了解了Chronodes的功效,局限性以及对各种医疗保健场景的潜在适用性。
2016-09-27 cs.HC
Kinetic surface friction rendering for interactive sonification: an initial exploration
受声音和摩擦在与日常物体交互中的作用的启发,这项工作旨在确定一些方法,其中动态表面摩擦渲染可以补充由可移动物体控制的交互式发声。为了做到这一点,提出了一种触觉系统,其实现具有可编程摩擦的可移动物理对象。该系统的重要方面包括显示高分辨率动摩擦模式的能力,直接根据物理单位在算法上定义交互的能力,以及音频和触觉合成的完整集成。一个原型的互动空间映射任意的1D信号数据的表面上,并直接将这些转换为声音和摩擦在整个表面的运动过程中描述。这种相互作用的试点评估的结果表明,如何动态表面摩擦渲染可以是一种手段,动态创建的虚拟对象的声音一个有形的存在。确定了运动输入和摩擦输出的一些具体的可能作用,以及在交互式发声的背景下应用和进一步开发这种类型的触觉反馈时要考虑的问题。
2021-07-29 cs.HC
WhatIf: Interactive Exploration of Large-Scale LLM Agent Simulations for Policy Reasoning
School of Computer Science, Carnegie Mellon University(卡内基梅隆大学计算机科学学院)
WhatIf系统通过实时交互帮助政策制定者探索基于大语言模型的社会模拟,支持在深度不确定性下进行政策推理,提升决策过程的灵活性和可解释性。
2026-10-21 cs.HC
KinemaFX: A Kinematic-Driven Interactive System for Particle Effect Exploration and Customization
本文提出KinemaFX交互式系统,结合粒子特效语义—运动学概念模型、LLM工作流与结构化搜索,帮助非专家用户探索并定制粒子特效。
2025-07-26 cs.HC
A Generic Framework and Library for Exploration of Small Multiples through Interactive Piling
小倍数是在许多领域中普遍使用的视觉信息的微型表示。处理大量的小倍数给许多分析任务带来了挑战,如检查、比较、导航或注释。为了应对这些挑战,我们开发了一个框架,并实现了一个名为Piling.js的库,用于设计交互式打桩界面。基于堆积隐喻,这样的界面通过交互式地将视觉对象聚合成堆,提供了灵活的组织、探索和大量小倍数的比较。本文在系统分析前人工作的基础上,提出了一个结构化设计空间来指导可视化打桩界面的设计。为了使设计人员能够有效地构建自己的可视化打桩界面,Piling.js提供了一个声明式接口,以避免编写低级代码并实现设计空间的常见方面。附带的GUI还支持打桩界面的动态配置。我们用来自机器学习、免疫荧光显微镜、基因组学和公共卫生的例子展示了Piling.js的表现力。
2020-08-15 cs.HC
Developing a Visual Interactive Search History Exploration System
当用户在系统内搜索时,他们进行不同的查询并检查各种结果。这些对象形成了一个隐式的个人图书馆,代表所获得的知识。在我们的研究中,我们的目标是为用户提供可视化的搜索历史和交互方法来组织历史。最根本的问题是搜索历史探索在用户搜索过程中可以发挥什么作用。在本文中,我们想介绍一个原型系统的搜索历史探索的思想和讨论的方法来解决上述问题。
2013-11-04 cs.HC cs.IR
ChatHouseDiffusion: Prompt-Guided Generation and Editing of Floor Plans
Tsinghua University(清华大学);Southwest Jiaotong University(西南交通大学)
本文提出ChatHouseDiffusion,结合LLMs、graphormer和扩散模型,实现基于自然语言提示的楼层平面图灵活生成与编辑,支持迭代交互设计,在IoU等指标上优于现有模型。
2024-10-15 cs.AI cs.HC
Argo Lite: Open-Source Interactive Graph Exploration and Visualization in Browsers
图形数据变得越来越普遍。将它们可视化有助于人们更好地理解实体之间的关系。不幸的是,现有的图形可视化工具主要是为单人桌面使用而设计的,对基于Web的交互式探索和在线协作分析的支持有限。为了解决这些问题,我们开发了Argo Lite,一个新的浏览器交互式图形探索和可视化工具。Argo Lite使用户能够以URL和嵌入式Web小部件的形式发布和共享交互式图形可视化。用户可以通过添加更多相关节点来逐步探索图形,例如被引文网络引用的高被引论文或引用感兴趣的论文。Argo Lite可跨设备和平台工作,利用WebGL实现高性能渲染。Argo Lite已经被佐治亚理工学院数据和可视化分析课程的1,000多名学生使用。Argo Lite可以作为一个有价值的开源工具,用于推进多个CIKM研究领域,从数据表示到信息系统接口等。
2020-08-26 cs.HC cs.SI
Mapper Interactive: A Scalable, Extendable, and Interactive Toolbox for the Visual Exploration of High-Dimensional Data
映射器算法是拓扑数据分析中一种常用的工具,用于提取高维数据集的拓扑摘要。在本文中,我们提出了映射交互式,一个基于Web的框架的交互式分析和可视化的高维点云数据。它以交互式、可伸缩和易于扩展的方式实现了映射器算法,从而支持实际的数据分析。特别是,它的命令行API可以在大约3分钟内计算256维的100万个点的映射器图(比vanilla实现快4倍)。它的可视化界面允许基于用户指定的参数对映射图进行实时计算和操作,并支持通过几行代码添加新的分析模块。Mapper Interactive使非专业人员也能使用映射器算法,并加快拓扑分析工作流程。
2021-04-27 cs.CG cs.GR cs.HC
HyperNP: Interactive Visual Exploration of Multidimensional Projection Hyperparameters
Tufts University(塔夫茨大学);University of Sao Paulo(圣保罗大学);University of Utrecht(乌得勒支大学);Indiana University Bloomington(印第安纳大学伯明顿分校);Novartis(诺华公司)
投影算法,如t-SNE或UMAP是有用的高维数据的可视化,但依赖于超参数,必须仔细调整。不幸的是,迭代地重新计算投影以找到最佳超参数值是计算密集型的,并且由于这些方法的随机性而不直观。在本文中,我们提出了HyperNP,一个可扩展的方法,允许实时交互式超参数探索的投影方法,通过训练神经网络近似。HyperNP可以在总数据实例和超参数配置的一小部分上进行训练,并且可以以交互式速度计算新数据和超参数的投影。HyperNP尺寸紧凑,计算速度快,因此可以嵌入到轻量级可视化系统中,如Web浏览器。我们在性能和速度方面评估了HyperNP在三个数据集上的性能。结果表明,HyperNP是准确的,可扩展的,交互式的,适合在现实世界中使用。
2021-06-25 cs.HC cs.LG
Responsive Matrix Cells: A Focus+Context Approach for Exploring and Editing Multivariate Graphs
矩阵可视化是一个有用的工具,可以提供图形结构的总体概述。对于多变量图,剩下的挑战是处理与节点和边相关联的属性。为了应对这一挑战,我们提出了响应矩阵单元作为一个焦点+上下文的方法嵌入到一个矩阵的额外的交互式视图。响应矩阵单元是局部可缩放的感兴趣区域,为多变量图提供辅助数据探索和编辑工具。它们的行为是响应式的,它们的视觉内容适应于单元格的位置、可用的显示空间和用户任务。响应矩阵单元使用户能够显示有关图形的详细信息,比较节点和边属性,并直接在矩阵中编辑数据值,而无需借助外部视图或工具。我们报告响应矩阵单元格的一般设计考虑,包括必要的视觉和交互式手段,以支持无缝的数据探索和编辑。响应矩阵细胞已实现在一个基于Web的原型的基础上,我们证明了我们的方法的实用性。我们描述了一个分析足球运动员图形的用例,并报告了来自初步用户反馈会话的见解。
2020-09-07 cs.GR cs.HC
Kyrix: Interactive Visual Data Exploration at Scale
可扩展的交互式可视化数据探索是至关重要的,在许多领域,由于越来越大的数据集产生的速度快。按需细节为探索大型数据集提供了一个有用的交互范例,用户可以从概览开始,找到感兴趣的区域,放大以查看详细视图,缩小然后重复。这种模式是广泛使用的系统的主要用户交互模式,例如Google Maps,Aperture Tiles和ForeCache。然而,这些早期的系统是高度定制的,具有硬编码的视觉表示和优化。需要一个更通用的框架来促进可视化数据探索系统的大规模开发。在本文中,我们提出了Kyrix,一个端到端的系统,用于开发可扩展的细节按需数据勘探应用程序。Kyrix为开发人员提供了一个声明式模型,用于轻松规范通用可视化。在幕后,Kyrix利用一套性能优化技术,实现各种用户交互的响应时间在500毫秒以内。我们还报告的性能研究结果表明,Kyrix采用的一种新的动态抓取方案优于早期系统中使用的基于瓦片的抓取。
2019-05-12 cs.DB cs.HC
TSExplorer: An interactive data annotation and exploration tool for time-series data
Signal Processing Research Centre, Tampere University(坦佩雷大学信号处理研究中心);University of Helsinki(赫尔辛基大学)
TSExplorer是一款用于时间序列数据的跨平台交互式工具,支持高维数据可视化、多类数据处理工作流程,助力时间序列数据的标注、探索与标签优化。
2026-09-01 cs.AI cs.HC cs.LG
Prompting for products: Investigating design space exploration strategies for text-to-image generative models
Massachusetts Institute of Technology(麻省理工学院);Utrecht University(乌得勒支大学);University of California, San Diego(加利福尼亚大学圣迭戈分校)
本研究实证探究文本到图像模型的设计空间探索策略,分析用户编辑行为,发现多准则提示利于全局编辑的可行性与新颖性,单准则提示利于局部编辑的美观性,为产品设计提供提示构建建议。
2024-07-22 cs.AI cs.HC
STRIELAD -- A Scalable Toolkit for Real-time Interactive Exploration of Large Atmospheric Datasets
针对高精度天气气候模拟带来的大规模数据可视化与分析挑战,提出可扩展天气分析工具包STRIELAD,结合高性能计算的并行分布式特征提取与智能细节层次渲染,实现大规模大气数据集的实时交互式探索与可视化。
2025-01-24 cs.DC cs.GR cs.HC
SPICA: Interactive Video Content Exploration through Augmented Audio Descriptions for Blind or Low-Vision Viewers
SPICA是一个AI驱动的系统,通过交互式帧字幕导航、空间音效和物体描述增强音频描述,使盲人或低视力用户能够更灵活、沉浸地探索视频内容,无需额外人工标注。
2024-02-27 cs.HC cs.MM
Galaxy Tracer: A Topology-First 3D Interface for Interactive PCAP Exploration
Olivet Nazarene University(奥利特纳扎内大学)
Galaxy Tracer通过三维网络拓扑替代传统表格列表,提供交互式PCAP探索,揭示通信密度、集群、主机中心性等分析信息。
2026-03-16 cs.HC cs.NI
YAC: Bridging Natural Language and Interactive Visual Exploration with Generative AI for Biomedical Data Discovery
Harvard Medical School(哈佛医学院)
本文提出YAC系统,结合自然语言输入和交互式可视化,通过生成式AI提升生物医学数据发现接口的能力,通过用户研究和系统分析改进系统设计和功能。
2026-05-19 cs.AI cs.HC
"The Diagram is like Guardrails": Structuring GenAI-assisted Hypotheses Exploration with an Interactive Shared Representation
College of Information, University of Maryland USA(信息学院,马里兰大学美国分校);IBM Research USA(IBM美国研究)
本研究通过设计探针实验,验证了节点-链接图作为共享表示,结合AI提示,能有效结构化假设探索,提升人机协作数据分析的广度与深度。
2025-04-21 cs.AI cs.HC
ChameleonIDE: Untangling Type Errors Through Interactive Visualization and Exploration
动态类型程序设计语言在教育和软件行业中很流行。虽然进入门槛很低,但它们存在运行时类型错误以及代码质量和可维护性方面的长期问题。静态类型语言虽然在这些方面表现出优势,但缺乏易学性和易用性。特别是,修复类型错误给新手用户和专家都带来了挑战。此外,编译器类型的错误消息以偏向于程序代码中第一次出现错误的静态方式呈现。为了帮助用户解决此类类型错误,我们引入了ChameleonIDE,这是一种类型调试工具,它以公正的方式向用户呈现类型错误,允许他们探索错误可能发生的完整上下文。程序员可以交互式地验证推理的步骤是否与他们的意图相反。通过三项涉及真正程序员的研究,我们表明ChameleonIDE在修复类型错误方面比传统的基于文本的错误消息更有效。这种差异在更困难的任务中更显着。此外,程序员积极使用ChameleonIDE的交互式功能被证明在修复类型错误方面比被动读取类型错误输出更有效。
2023-03-17 cs.HC cs.PL
REFINE: Real-world Exploration of Interactive Feedback and Student Behaviour
EPFL(瑞士联邦理工学院洛桑)
本文提出REFINE系统,通过多智能体反馈机制实现高效互动反馈,提升学生参与度与反馈质量。
2026-03-31 cs.AI cs.HC
Interactive Collaborative Exploration using Incomplete Contexts
University of Kassel(卡塞尔大学);Research Center for Information System Design(信息系统设计研究中心)
属性探索是形式概念分析领域中一种著名的知识获取方法。它用于在领域专家的帮助下揭示一组属性中的依赖关系。在大多数应用中,没有一个专家能够(时间和知识方面)单独探索知识领域。然而,到目前为止,还没有理论模型的多个专家的属性探索任务的不完全知识的互动。为此,我们开发了一个理论框架,允许多个专家一起探索领域。我们使用不完整知识的表示作为三值上下文。然后,我们适应相应版本的属性探索,以适应多个专家的设置。我们建议形式化的关键组成部分,如专家知识,互动和协作策略。特别是,我们定义了一个顺序,允许比较不同的探索策略的结果在同一个任务方面的信息完整性。此外,我们还讨论了比较合作策略的其他方法,并为未来的研究提出了建议。
2020-01-31 cs.AI cs.HC cs.LG
Interactive Counterfactual Exploration of Algorithmic Harms in Recommender Systems
University of Pittsburgh(匹兹堡大学);Quest Diagnostics(奎斯特诊断公司)
针对推荐系统存在算法偏差引发不公平体验的问题,本研究开发了结合可视化、反事实解释与交互模块的探索工具,经用户访谈验证可提升算法透明度,助力理解偏差并推动更公平的推荐。
2024-09-10 cs.AI cs.HC cs.IR
Forming IDEAS Interactive Data Exploration & Analysis System
Oak Ridge National Laboratory(橡树岭国家实验室);University Nebraska, Lincoln(内布拉斯加大学林肯分校);Virginia Tech(弗吉尼亚理工学院暨州立大学)
现代网络安全操作收集了大量的日志和警报数据。虽然分析师有能力从他们的数据中查询和计算简单的统计数据和图表,但目前的分析工具太简单,无法深入理解。为了检测高级和新颖的攻击,分析师转向手动调查。虽然司空见惯,但目前的调查耗时,基于直觉,而且证明是不够的。我们的假设是,为分析师配备易于使用的数据科学工具将提高他们的工作效率,为他们提供通过对数据进行科学调查来解决假设的能力,并通过证据而不是直觉来支持他们的决策。为此,我们提出了我们的工作,建立IDEAS(交互式数据探索和分析系统)。我们提出了三个现实世界的用例,驱动系统设计的算法功能的用户界面。最后,一个模块化和可扩展的软件体系结构进行了讨论,随着我们的试点部署与安全操作命令的计划。
2018-06-20 cs.AI cs.CR cs.HC