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
Enabling Longitudinal Exploratory Analysis of Clinical COVID Data
随着COVID-19大流行继续影响全球，我们正在收集和分析数据，以更好地了解该疾病。认识到可视化分析技术在支持探索性分析和从纵向临床数据中生成假设方面的潜力，一组合作者致力于将现有的事件序列可视化分析技术应用于998名高COVID-19感染率患者的纵向临床数据。本文描述了实现这一目标的初步步骤，包括：（1）为可视化分析准备数据所需的数据转换和处理工作，（2）初步发现和观察，以及（3）定性反馈和经验教训，其中突出了关键特征以及未来工作中要解决的局限性。
2021-08-25 cs.HC
Towards Data-Enabled Physical Activity Planning: An Exploratory Study of HCP Perspectives On The Integration Of Patient-Generated Health Data
Ludwig Boltzmann Institute for Digital Health and Prevention（路德维希·玻尔兹曼数字健康与预防研究所）；LMU Munich（慕尼黑大学）
本研究通过两部分成型设计探索，调查了医疗保健专业人员对患者生成健康数据整合到心血管康复身体活动规划临床工作流程中的视角，揭示了其信息需求、促进因素与障碍，为数字健康技术设计提供了启示。
2025-11-02 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
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
"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
Learning and Anticipating Future Actions During Exploratory Data Analysis
可视化分析的目标是通过利用人类和计算机的独特优势来创建人类和计算机之间的共生关系。虽然这种模式已经取得了巨大的成功，但我们还没有充分认识到这种人机合作伙伴关系的潜力。在一个完美的协作混合主动系统中，计算机必须具备学习和预测用户需求的技能。针对这一差距，我们提出了一个框架，从被动观察用户的行动推断重点领域，从而允许准确预测未来的事件。我们用犯罪地图评估了这种技术，并证明用户的点击在95% - 97%的时间里出现在我们的预测集中。进一步的分析表明，我们通常可以在三次点击后实现高预测精度。总之，我们表明，交互数据的被动观察可以揭示有价值的信息，使系统能够学习和预测未来的事件，为下一代工具奠定基础。
2018-09-25 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
"My Whereabouts, my Location, it's Directly Linked to my Physical Security": An Exploratory Qualitative Study of Location-Dependent Security and Privacy Perceptions among Activist Tech Users
本文通过8次定性访谈探讨了活动家对位置数据等数据痕迹的安全与隐私感知，发现他们通过控制技术环境、管理位置数据和威胁建模应对风险，但因缺乏数字安全知识而普遍感到不安全，呼吁更多针对精细位置追踪的保护研究。
2025-01-28 cs.CY cs.HC
AI Conversational Interviewing: Transforming Surveys with LLMs as Adaptive Interviewers
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；University of Mannheim（曼海姆大学）；University of Oxford（牛津大学）
本研究通过随机对照实验验证了用大型语言模型替代人类访谈者进行对话式访谈的可行性，发现AI访谈在数据质量上与传统方法相当且具备可扩展性优势，并提出了实施建议。
2025-03-12 cs.AI cs.CL cs.HC
Beyond the "Industry Standard": Focusing Gender-Affirming Voice Training Technologies on Individualized Goal Exploration
本研究针对现有性别肯定语音训练技术缺乏明确个性化目标的问题，通过访谈语音专家与跨性别受训者，揭示目标探索的机制与风险，提出支持个性化训练目标的技术启示与指导方针。
2025-02-21 cs.HC
Understanding Goalball Training Across Roles and Team Contexts: Practices, Perceptions, Challenges, and Technological Opportunities
Gwangju Institute of Science and Technology（光州科学技术院）
本研究针对盲人门球训练，通过访谈与分析明确不同角色及团队情境下的训练难点，为适配的技术设计评估提供依据。
2026-10-13 cs.HC
"The Perfect One": Understanding Communication Practices and Challenges with Animated GIFs
动画GIF在基于文本的通信中越来越受欢迎。找到完美的GIF可以使对话变得有趣，有趣和引人入胜，但GIF也会引入误解的可能性。通过24次深入的定性访谈，这项实证性的探索性研究考察了GIF动画的沟通实践的细微差别，以更好地理解GIF为什么以及如何发送无意的信息。我们发现，参与者利用源材料和人际关系等背景来找到适合不同沟通场景的完美GIF，而这些背景也是导致GIF中出现误解和一些技术可用性问题的主要原因。本文最后讨论了不同类型的语境在GIF的使用和解释中所起的重要作用，并认为非语言交际工具应考虑到交际媒体所依赖的复杂语境和共同点。
2019-03-22 cs.HC
Exploropleth: exploratory analysis of data binning methods in choropleth maps
The Hong Kong University of Science and Technology（香港科技大学）；Georgia Institute of Technology（佐治亚理工学院）
Exploropleth 是一种开源工具，用于探索 choropleth 地图中不同数据分箱方法的比较和自定义，旨在提升地图制图的效率和教育价值。
2025-10-10 cs.CY cs.HC stat.AP
Comparing LLM-Based Conversational and Graphical Interfaces for Industrial Decision Tasks: An Exploratory Mixed-Methods Study
Department of Computer Science（计算机科学系）；University of Pisa（比萨大学）；Department（部门）；San Matteo Hospital（圣玛泰奥医院）；Brunel University of London（伦敦布鲁内尔大学）
通过混合方法研究，比较了基于LLM的对话式界面与图形化仪表盘在工业决策任务中的表现，发现对话式界面可减少交互努力，但仪表盘在概览和验证方面仍有价值。
2026-05-29 cs.AI cs.CY cs.HC
A User-based Visual Analytics Workflow for Exploratory Model Analysis
Tufts University（塔夫茨大学）；Georgia Tech（佐治亚理工学院）；University of Wisconsin – Madison（威斯康星大学麦迪逊分校）
许多可视化分析系统允许用户与机器学习模型交互，以实现对给定数据集的数据探索和洞察生成的目标。然而，在某些情况下，见解可能不如为未来使用生成准确的预测模型重要。在这种情况下，用户更感兴趣的是生成多样化和鲁棒的预测模型，验证它们在holdout数据上的性能，并选择最适合其使用场景的模型。在本文中，我们考虑探索性模型分析（EMA）的概念，它被定义为发现和选择可用于对数据源进行预测的相关模型的过程。我们描述了EMA和著名的术语探索性数据分析之间的差异，在分析过程的预期结果方面：洞察数据或一组可部署的模型。这项工作的贡献是EMA的可视化分析系统工作流程，用户研究和验证工作流程有效性的两个用例。我们发现，我们的系统工作流程使用户能够生成复杂的模型，评估它们的各种质量，并为他们的任务选择最相关的模型。
2019-07-29 cs.HC cs.LG
Modular Conversational Agents for Surveys and Interviews
McGill University（麦吉尔大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出一种模块化AI对话智能体设计方法，集成提示、知识库与对话逻辑，通过三项实证研究验证其能提升调查与访谈的完成率和响应质量，兼具可控性、灵活性与隐私安全性。
2025-03-04 cs.CL cs.CY cs.HC
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
