A Visual Analytics Approach for Exploratory Causal Analysis: Exploration, Validation, and Applications
使用因果关系来指导决策已经成为各个领域的重要分析任务,从营销和医学到教育和社会科学。虽然已经开发了强大的统计模型来从数据中推断因果关系,但领域从业者仍然缺乏有效的视觉界面来解释因果关系并将其应用于决策过程。通过与领域专家的访谈研究,我们描述了他们当前的决策工作流程,挑战和需求。通过迭代设计过程,我们开发了一个可视化工具,允许分析师在现实世界的决策场景中探索,验证和应用因果关系。该工具提供了一个不确定性感知的因果图可视化,用于呈现从高维数据推断的大量因果关系。在因果关系图之上,它支持一组直观的用户控件,用于执行假设分析和制定行动计划。我们报告的两个案例研究,在市场营销和学生咨询,以证明用户可以有效地探索因果关系和设计行动计划,以达到他们的目标。
2020-09-05 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
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
SLInterpreter: An Exploratory and Iterative Human-AI Collaborative System for GNN-based Synthetic Lethal Prediction
提出SLInterpreter迭代人机协同框架,通过元路径知识图谱细化和跨粒度解释增强,提升GNN合成致死预测的可解释性与机制探索。
2024-07-20 cs.HC
Expandora: Broadening Design Exploration with Text-to-Image Model
针对T2I模型在设计探索中限制发散性的问题,提出Expandora系统,通过结构化输入和基于LLM的pipeline生成多样化提示词变体,并以思维导图界面支持非线性工作流,显著提升了探索多样性与用户满意度。
2025-03-02 cs.HC
VisCanvas: A Node-Based Interface for Exploratory Visualization Authoring with LLMs
Arizona State University(亚利桑那州立大学)
研究针对大语言模型下可视化创作工具线性界面不适用于探索性分析工作流的问题,介绍基于节点的VisCanvas界面,通过用户研究表明其能在维持性能水平时促进多样数据交互,还提炼了未来AI辅助可视化创作环境的设计原则。
2026-09-23 cs.HC
SupplyNet: Supporting Visual Exploratory Learning in Supply Chain via Contextual Multi-Agent Simulation
The Hong Kong University of Science and Technology(香港科技大学);City University of Hong Kong(香港城市大学)
提出SupplyNet,一种基于上下文图的多智能体LLM框架的视觉模拟系统,通过交互式网络视图、分支时间线和任务分析控制台,支持供应链中的反事实探索、因果追踪和比较推理,提升用户参与度和理解。
2026-06-24 cs.HC
To design interfaces for exploratory data analysis, we need theories of graphical inference
计算机科学和统计学的研究和发展已经产生了越来越复杂的软件界面,用于交互式和探索性分析,并针对容易的模式发现和数据暴露进行了优化。但是,强调探索而不是其他分析阶段的设计哲学可能会混淆对灵活性的需求,并得出结论,即探索性可视化分析本质上是无模型的,不能形式化。我们描述了如何在没有人类统计推断理论的基础上,探索性视觉分析的研究可能会导致矛盾的界面目标和不确定性的表示,从而阻止用户进行有效的推断。我们讨论了如何在贝叶斯统计框架中的模型检查的概念,探索性和验证性分析,以及这种理解如何与其他提出的图形推理理论。将交互式分析视为由模型检查驱动,这为围绕探索性和可视化分析的软件和实证研究提出了新的方向。例如,系统应该能够指定和显式地将数据与空值和其他参考分布进行比较,并更好地表示不确定性。贝叶斯和其他图形推理理论的含义应该根据人们交互分析的结果进行测试,以推动理论的发展。
2021-07-06 cs.HC
Exploratory Analysis of File System Metadata for Rapid Investigation of Security Incidents
调查网络安全事件需要分析师的深入知识。此外,由于需要分析大量数据,整个过程要求很高。虽然现在存在各种技术来帮助特定的分析任务,但整个过程仍然需要大量的手动活动和专业技能。我们提出了一种方法,可以更有效地分析磁盘快照,并与专家知识的要求较低。遵循以用户为中心的设计方法,我们实现了一个分析工具,在安全事件调查期间指导分析人员。该解决方案的可行性通过与不同安全小组成员进行的评价得到了验证。
2021-03-05 cs.CR cs.HC
Triadic Exploration and Exploration with Multiple Experts
University of Kassel(卡塞尔大学);Interdisciplinary Research Center for Information System Design(信息系统设计跨学科研究中心)
形式概念分析(FCA)提供了一种称为属性探索的方法,它可以帮助领域专家发现可以由形式上下文(对象和属性的交叉表)表示的知识域中的结构依赖关系。三元概念分析是FCA的扩展,它包含了条件的概念。属性探索的许多扩展和变体已被研究,但只有少数尝试将多个专家。本文提出了基于三元概念分析的三元探索方法来探索三元域中的条件属性蕴涵。然后,我们采用这种方法来制定属性探索与多个专家,有不同的看法,在一个领域。
2021-02-04 cs.AI cs.HC
Adaptive Gen-AI Guidance in Virtual Reality: A Multimodal Exploration of Engagement in Neapolitan Pizza-Making
本研究通过54人对照实验,结合视觉注意力、探索行为和言语交互等多模态指标,发现在VR披萨制作任务中中等自适应Gen-AI引导最能提升用户参与度,并为自适应教育技术设计提供建议。
2025-05-07 cs.HC
TiInsight: A SQL-based Automated Exploratory Data Analysis System through Large Language Models
Northwest A&F University(西北农林科技大学);PingCAP(平凯星辰);East China Normal University(华东师范大学)
TiInsight基于SQL构建跨领域探索性数据分析系统,提供自然语言查询界面、跨领域分析流水线及可视化工具,已在PingCAP生产环境部署并验证。
2026-01-14 cs.DB cs.HC
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
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
Understanding Expert Exploration in EHR Visualization Tools: The ParcoursVis Use Case
本研究基于ParcoursVis系统,提出一种理解从业者在探索医疗数据时心智模型的评估方法,旨在揭示专家用户的探索策略及探索性工具在健康数据分析中的效用。
2025-09-12 cs.HC
Confides: A Visual Analytics Solution for Automated Speech Recognition Analysis and Exploration
本文提出ConFides可视化分析系统,通过可视化呈现置信度辅助ASR转录后编辑,帮助情报分析师减少关键信息误解,并探讨人机协作中数据清理与模型透明度的改进机会。
2024-07-24 cs.HC
Interactive Visual Facets to Support Fluid Exploratory Search
探索性搜索从定义不明确的目标开始,包括浏览、学习和制定新的搜索目标。为了流畅地支持这种动态搜索行为,我们专注于设计交互式视觉方面(IVF),可视化信息方面,以支持用户的理解和控制的信息空间。为此,我们回顾了现有的分面搜索界面,并得出了两个尚未完全解决的设计要求(DR),以支持探索性搜索中的流体相互作用。然后,我们通过设计一个IVF工具来举例说明这些要求,该工具分别协调代表项目分布和汇总的线性和分类方面,并为多方面探索(DR 1)提供背景。为了支持搜索条件(DR 2)之间的快速转换,该工具引入了一种新颖的设计概念,即使用方面来选择项目,而无需过滤项目空间。特别是,我们提出了一种过滤器滑动技术,使用户能够拖动一个分类方面的线性方面的酒吧顺序查看项目的交叉点的两个方面,以及分类方面动态总结的项目在互动。三个应用程序演示了这些功能如何轻松地支持信息发现。一项针对11名参与者的用户研究表明,通过时间轴导航的动态建议可以帮助发现有用的搜索建议;新的设计概念比使用方面值作为过滤器更受欢迎。基于这些实践,我们推导出IVF设计对流体、探索性搜索的影响。
2021-09-11 cs.HC
A Visual Interaction Framework for Dimensionality Reduction Based Data Exploration
IBM Research(IBM研究院)
高维性约简是高维数据分析和可视化的常用方法。然而,动态地推理降维的结果是困难的。降维算法使用复杂的优化来减少数据集的维度数量,但这些新维度通常与初始数据维度缺乏明确的关系,因此难以解释。在这里,我们提出了一个可视化的交互框架,以提高降维为基础的探索性数据分析。我们介绍了两种互动技术,向前投影和向后投影,动态推理降维数据。我们还提供了两个可视化技术,脯氨酸和可行性地图,以促进有效地使用拟议的相互作用。我们将我们的框架应用于PCA和基于自动编码器的降维。通过数据探索的例子,我们展示了我们的视觉交互如何可以提高在探索性数据分析的降维的使用。
2018-11-28 cs.AI cs.HC cs.LG
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
HiRegEx: Interactive Visual Query and Exploration of Multivariate Hierarchical Data
针对多变量层次化数据查询难的问题,提出声明式语法HiRegEx,基于e-MLTT框架设计查询目标与维度,开发集成该语法的TreeQueryER系统,验证了其表达能力与实用价值。
2024-08-13 cs.GR cs.HC
Vibe to Code: Elucidating Strategic Oscillation of Tacit Knowledge in Generative AI Design Workflows -- An Exploratory Qualitative Study
Japan Advanced Institute of Science and Technology (JAIST)(北陆先端科学技术大学院大学);Sumitomo Mitsui Finance and Leasing Co., Ltd.(三井住友融资租赁有限公司)
研究生成式人工智能工具下设计意图的形成,通过五位设计师设计着陆页英雄板块的过程,以词汇粒度为视角,发现设计师存在词汇振荡,不匹配促使其反思,还定位了人工智能及模糊性的作用。
2026-08-14 cs.AI cs.HC
Can Instructed Retrieval Models Really Support Exploration?
Microsoft(微软)
本文评估了指导检索模型在探索性搜索中的表现,发现其在排名相关性上优于传统方法,但对指示的敏感性不足,不适合长期探索任务。
2026-01-16 cs.HC cs.IR
Exploiting Preference Elicitation in Interactive and User-centered Algorithmic Recourse: An Initial Exploration
本文提出一种引导式交互范式以在算法补救中引导用户偏好,实验表明其提升效率但限制探索自由,建议结合探索与引导以平衡效率与用户自由度。
2024-04-08 cs.CY cs.HC cs.LG
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
Clustrophile 2: Guided Visual Clustering Analysis
IBM Research(IBM研究院);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Fitnescity Labs(Fitnescity实验室)
数据聚类是一种常用的无监督学习方法,常用于探索性数据分析。然而,在未标记的高维数据中识别相关结构是不平凡的,需要使用聚类参数以及数据特征和实例进行迭代实验。典型数据集可能的聚类数量是巨大的,在这个巨大的空间中导航也是一个挑战。由于缺乏真实标签,因此无法定义最佳解决方案,因此需要用户判断来确定可被视为满意的聚类结果。数据科学家需要足够的交互式工具来有效地探索和导航大型聚类空间,以提高探索性聚类分析的有效性。我们介绍了\textit{Clustrophile~2},一个新的互动工具,指导聚类分析。\textit{Clustrophile~2}在基于聚类的探索性分析中指导用户,调整用户反馈以改进用户指导,促进聚类的解释,并帮助快速推理聚类之间的差异。为此,\textit{Clustrophile~2}贡献了一个新的功能,聚类之旅,以帮助用户选择聚类参数,并评估不同的聚类结果的质量与当前的分析目标和用户的期望。我们通过与12位数据科学家的用户研究来评估\textit{Clustrophile~2},他们使用我们的工具来探索和解释帕金森病患者数据集中的子队列。结果表明,\textit{Clustrophile~2}提高了专家和非专家的探索性聚类分析的速度和有效性。
2018-09-08 cs.AI cs.DB cs.HC
Pheno-Mapper: An Interactive Toolbox for the Visual Exploration of Phenomics Data
收集现场数据的高通量技术使得在生命科学的几个分支进行大规模观测成为可能。收集的数据可以从分子水平(基因型)到生理(表型性状)和环境观察(例如,天气、土壤条件)。这些大量的数据,统称为表型组学数据,代表了关于潜在生物系统动态的关键科学知识的宝库。然而,从这些复杂的数据集中提取信息和见解仍然是一个重大挑战,因为它们是多维的,而且缺乏关于其复杂结构的先验知识。在本文中,我们提出了Pheno-Mapper,一个交互式工具箱,用于探索性分析和可视化大规模表型组学数据。我们的方法使用映射器框架来执行数据的拓扑分析,并随后使用内置的数据分析和机器学习功能来呈现视觉表示。我们展示了这种新工具在现实世界的工厂(例如,玉米)表型组学数据集。与现有方法相比,Pheno-Mapper的主要优势在于它在表型组学数据的探索性分析中提供了丰富的交互式功能,并且以易于扩展的方式将可视化分析与数据分析和机器学习集成在一起。特别是,Pheno-Mapper允许通过数据的拓扑摘要指导交互式选择亚群,并将数据采掘和机器学习应用于这些选定的亚群进行深入探索。
2021-07-06 cs.CG cs.HC math.AT