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
From Reality to Recognition: Evaluating Visualization Analogies for Novice Chart Comprehension
本文提出视觉类比方法，将数据结构映射到现实情境以帮助新手理解新型图表，并通过128人实证研究验证其能提升视觉分析技能、促进知识迁移且更受学习者欢迎。
2025-06-03 cs.HC
Evaluating the Effect of Enhanced Text-Visualization Integration on Combating Misinformation in Data Story
错误的信息对我们的生活有破坏性的影响。许多研究人员已经研究了识别和打击文本或数据可视化中错误信息的方法。然而，仍然缺乏对文本和可视化相结合来讲述数据故事时如何引入错误信息的理解，更不用说如何提高公众对叙事可视化中可能存在的事实误解的认识。在本文中，我们首先通过文献调查分析错误信息可能会被注入到数据故事的生产-消费过程中。然后，作为打击数据故事中的错误信息的第一步，我们探索了可能的防御性设计方法，以提高读者对数据事实脚本化和可视化时信息错位的认识。更具体地说，我们进行了一项受试者之间的众包研究，以调查两种设计方法增强文本可视化集成的影响，即，解释性注释和交互式链接，提高用户对数据报道中错误信息的认识。研究结果表明，虽然大多数被试仍然不能发现错误信息，但这两种设计方法都能显著降低被试对文本或可视化的感知可信度。我们的工作告知通过防御性设计方法对抗信息流行病的可能性。
2022-05-24 cs.HC
PlotGen-Bench: Evaluating VLMs on Generating Visualization Code from Diverse Plots across Multiple Libraries
Zhipu AI（智谱AI）；Tsinghua University（清华大学）；Yanshan University（燕山大学）
PlotGen-Bench评估VLMs在多库场景下生成可视化代码的能力，发现开源模型在视觉和语义一致性上表现欠佳，需进一步提升。
2025-11-13 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
Set Visualizations for Comparing and Evaluating Machine Learning Models
针对聚合指标难以支持模型比较的问题，本文提出模型输出的集合可视化方法，并构建交互式系统 SetMLVis 用于目标检测模型比较，评估表明其提升任务完成表现并降低认知负荷。
2025-01-30 cs.HC
Task Matters When Scanning Data Visualizations
评估数据可视化和可视化分析工具的有效性的主要挑战之一是，不同的用户可能会使用这些工具执行不同的任务。在本文中，我们提出了一个简单的例子，说明不同的任务如何导致对相同底层数据可视化的不同注意模式。我们认为，在这个实验中使用的一般方法可以系统地应用到可视化研究人员已经开发的任务和功能分类。使用眼动追踪来研究常见任务对人类如何处理常见类型的可视化的影响，将有助于更深入地理解可视化认知，并开发更强大的方法来评估可视化的有效性。
2020-09-30 cs.HC
Calibrating Trustworthiness: Co-Designing Metrics and Visualizations for Evaluating LLMs in Education
Georgia Institute of Technology（佐治亚理工学院）；Vanderbilt University（范德堡大学）
本研究针对教育领域LLM响应的教学适配性评估缺口，通过与学习工程师协同设计可信度指标与可视化工具，提升了评估信度，为相关工具提出设计准则。
2026-08-05 cs.HC
Evaluating Affective Objectives: Statistical Numbing in Data Visualization
University of Michigan（密歇根大学）
探讨通过数据驱动、人类驱动或混合叙事三种设计策略传达人道主义危机，以数据视频形式研究统计麻木影响，发现人类驱动叙事获最高捐款，混合叙事最低，还讨论了研究局限及影响。
2026-07-07 cs.HC
At the Speed of the Heart: Evaluating Physiologically-Adaptive Visualizations for Supporting Engagement in Biking Exergaming in Virtual Reality
本文设计并评估了一款基于心率区间动态调整NPC视觉反馈的VR骑行健身游戏，通过两项用户研究验证其帮助用户维持在目标心率区间并改善锻炼调控的潜力。
2025-08-18 cs.HC
DataSway: Vivifying Metaphoric Visualization with Animation Clip Generation and Coordination
The Hong Kong University of Science and Technology（香港科技大学）；Newcastle University（纽卡斯尔大学）
本文提出DataSway系统，通过动画片段生成与协调技术，帮助用户创建基于SVG的隐喻可视化动画，提升数据抽象编码的理解与交互体验。
2026-04-25 cs.HC
Evaluating Effectiveness of Interactivity in Contour-based Geospatial Visualizations
本文提出一种用于分析任务的基于等高线的交互式地理空间可视化，通过众包用户研究（N=62）验证了交互特征在空间数据范围、地图布局、任务复杂性和用户专业知识方面对数据分析与理解的积极作用，为未来交互设计提供了指南。
2024-10-13 cs.HC
Evaluating Situated Visualization in AR with Eye Tracking
增强现实（AR）技术提供了用于将可视化嵌入真实世界环境中的手段。这种技术允许在其空间域中对实时数据进行现场分析。然而，由于现有的技术必须适应这一背景，新的方法将被开发，其评价对研究人员提出了新的挑战。除了既定的性能指标外，事实证明，眼动追踪是定性和定量评估可视化的一种有价值的手段。我们讨论了眼动追踪的挑战和机遇，为评估位于可视化。我们设想将基于凝视的评估方法扩展到这一领域将为人们如何感知增强现实中的可视化并与之交互提供新的见解。
2022-09-05 cs.GR cs.HC
Evaluating Just Noticeable Differences in Layered Opacity Visualizations
University of San Francisco（旧金山大学）；Worcester Polytechnic Institute（伍斯特理工学院）
本研究通过受控两选一强制选择实验评估分层透明度可视化中的最小可觉差异，发现配色方案间差异小，个体差异大，中间范围表现稳定，极端值易出错，并提供研究材料与数据。
2026-10-06 cs.HC
Evaluating Alignment Approaches in Superimposed Time-Series and Temporal Event-Sequence Visualizations
复合时间事件序列可视化包括哨兵事件对齐技术，以应付数据量和品种。先前的工作已经证明了使用单事件对齐来理解围绕哨兵事件的前体、共发和后效事件的实用性。然而，在复合可视化中，单事件对齐的有用性还没有得到充分的评估。此外，最近提出的双事件对齐技术还没有经验评估。在这项工作中，我们围绕时间事件序列和时序分析设计了任务，并在Amazon Mechanical Turk上进行了一项对照实验，以检查四种哨兵事件对齐方法：无哨兵事件对齐（NoAlign），单事件对齐（SingleAlign），左对齐双事件对齐（DualLeft）和拉伸对齐双事件对齐（DualStretch）。方法之间的差异在数据行较多的情况下最为明显。对于理解两个哨兵事件之间的中间事件，双事件对齐是正确性的明显赢家--在理解两个哨兵事件之间的持续时间方面，NoAlign是明显的赢家：正确性-88%对DualStretch的36%-完成时间-55秒对DualLeft的101秒-和错误-1.5%对DualStretch的8.4%。对于了解前驱和后效事件，不同方法之间没有显著差异。本文的免费副本、评估激励和数据以及源代码可在https://osf.io/78fs5上获得
2019-08-20 cs.HC
uxSense: Supporting User Experience Analysis with Visualization and Computer Vision
University of Maryland, College Park（马里兰大学帕克分校）；University of Waterloo（滑铁卢大学）；Hong Kong University of Science and Technology（香港科技大学）
针对可用性评估中用户行为分析的挑战，提出视觉分析系统uxSense，利用机器学习从音视频提取多维度用户行为特征并以并行时间线可视化，支持专业UX研究人员高效分析且通过自身评估验证应用。
2023-10-11 cs.HC
Evaluating LLMs for Visualization Generation and Understanding
Indian Institute of Technology（印度理工学院）
该研究评估了主流大语言模型在可视化代码生成与可视化内容理解上的能力，发现其可完成简单任务但在复杂可视化及细节问题上存在局限，相关结论可为改进LLM与信息可视化系统提供参考。
2025-06-16 cs.AI cs.HC
MyWeekInSight: Designing and Evaluating the Use of Visualization in Self-Management of Chronic Pain by Youth
本研究设计了基于可视化的自我反思工具MyWeekInSight，通过可视化个人健康数据帮助慢性疼痛青少年理解生活因素间的交织关系，经三周临床部署评估，提出了临床部署的挑战框架与缓解策略。
2024-05-30 cs.HC
Help or Hinder? Evaluating the Impact of Fairness Metrics and Algorithms in Visualizations for Consensus Ranking
本文通过200人众包实验对比ConsensusFuse与FairFuse两个系统，证明集成公平性指标可视化和算法能促使用户决策符合公平性要求，并减少手动修改共识排序的负担，为公平导向系统设计提供实证依据。
2023-08-11 cs.HC
Taken By Surprise? Evaluating how Bayesian Weighting Influences Peoples' Takeaways in Map Visualizations
本文通过300人众包实验评估了Surprise指标和VSUP技术在Choropleth地图探索中的效果，发现两者能改善分析结果并支持实际应用。
2023-07-27 cs.HC
Maybe, Maybe Not: A Survey on Uncertainty in Visualization
理解和评估不确定性在决策中起着关键作用。当一个观众研究一个可视化，需要推理，这是必要的，不确定性是描绘在它。本文展示了在可视化表示不确定性的重要性。它概述了不确定性可视化以及作者和查看者在使用此类图表时面临的挑战。我将可视化管道分为四个部分，即数据汇集，预处理，可视化和推理，以评估不确定性如何影响它们。接下来，我调查作者的方法来处理和设计的不确定性。最后，我通过探索不确定性可视化的未来路径做出贡献。
2022-12-14 cs.HC
Evaluating Force-based Haptics for Immersive Tangible Interactions with Surface Visualizations
本文通过被试内用户研究比较无触觉、曲面力反馈与辅助吸附力反馈三种模式，评估力触觉对曲面可视化点定位和曲线刷绘任务的影响，并总结设计启示。
2024-09-09 cs.HC
CausalFlow: Visual Analytics of Causality in Event Sequences
理解事件之间的关系在不同的领域都起着重要的作用，例如从应用程序日志中识别用户某些行为的原因，以及根据历史记录解释运动员的行为。共现被广泛用于描述事件之间的关系。然而，共现关系提供的见解是模糊的，这导致在解决领域问题的困难。在本文中，我们使用因果关系模型的事件之间的关系，并提出了一个可视化的方法进行因果关系分析的事件序列。我们将自动因果发现方法的方法，并提出了一个检测事件因果关系的模型。考虑到可解释性，我们设计了一种新的可视化命名为因果流集成检测到的因果关系到基于时间轴的事件序列可视化。通过这种设计，用户可以了解某些事件的发生并确定因果路径。我们进一步实现了一个交互式系统，以帮助用户全面分析事件序列。提供了两个案例研究，以评估该方法的可用性。
2020-08-27 cs.HC
TEVISE: An Interactive Visual Analytics Tool to Explore Evolution of Keywords' Relations in Tweet Data
最近，TExVis工具通过可视化频繁关键字之间的关系打开了一个新的窗口来探索推文数据。然而，对tweet数据的时间轴探索，在TExVis中不存在，可以在理解人们的反馈和反应随时间的变化方面发挥关键作用。针对这一点，我们提出了我们的可视化分析工具，称为TEVisE。它使用增强的邻接矩阵图来克服TExVis中的混乱问题，并可视化频繁关键字的演变以及这些关键字之间的关系。我们进行了两个用户研究，以找到我们的两个制定的研究问题的答案。在第一个用户研究中，我们专注于从通用可用性度量和认知负荷理论的角度评估两个工具中使用的可视化布局。我们发现TEVisE工具在与阅读相关的任务中具有更好的准确性，探索频繁关键词之间的关系。在第二项研究中，我们收集了用户对探索TEVisE中的摘要视图和新的时间轴演变视图的反馈。在第二项研究中，我们收集了用户对探索TEVisE中的摘要视图和新的时间轴演变视图的反馈。我们发现，参与者更喜欢这两种观点，一种是为了得到整体的一瞥，而另一种是为了得到随着时间的推移而变化的趋势。
2021-07-10 cs.HC
OnDiscuss: An Epistemic Network Analysis Learning Analytics Visualization Tool for Evaluating Asynchronous Online Discussions
本文提出OnDiscuss工具，结合文本挖掘与认知网络分析，帮助教师自动编码并可视化异步在线讨论数据，以减轻评估负担并提升分析效率。
2024-08-19 cs.CY cs.HC
How Do We Measure Trust in Visual Data Communication?
信任是可视化设计者和读者之间有效的可视化数据通信的基础。虽然个人经验和偏好会影响读者对可视化的信任，但可视化设计师可以利用设计技术来创建唤起“校准信任”的可视化，读者在批判性地评估所呈现的信息后到达。为了系统地了解是什么驱使读者参与“校准信任”，我们必须首先装备自己可靠和有效的方法来测量信任。计算机科学和数据可视化研究人员尚未就信任定义或度量达成共识，这对于构建人-数据交互中的全面信任模型至关重要。另一方面，社会科学家和行为经济学家已经开发和完善了可以衡量广义信任和人际信任的指标，可视化社区可以参考，修改和适应我们的需求。在本文中，我们收集了现有的方法来评估其他学科的信任，并讨论了我们如何使用它们来衡量，定义和建模数据可视化研究中的信任。具体来说，我们讨论了社会科学的定量调查，行为经济学的信任游戏，通过测量信念更新来测量信任，通过感知方法来测量信任。我们评估这些方法的潜在问题，并考虑如何将它们系统地应用于可视化研究。
2022-09-28 cs.HC
Beyond Generating Code: Evaluating GPT on a Data Visualization Course
该研究使用 GPT-3.5 与 GPT-4 完成哈佛 CS171 作业，系统评估其在代码生成之外的数据解读、设计、探索和洞见交流能力。
2024-05-11 cs.GR cs.HC
Evaluating the Semantic Profiling Abilities of LLMs for Natural Language Utterances in Data Visualization
University of Maryland（马里兰大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本研究评估了四款公开大语言模型在数据可视化自然语言话语中的语义剖析能力，发现其对话语不确定性敏感但能提取数据上下文，却难以推断可视化任务，并指明了未来研究方向。
2024-07-09 cs.AI cs.HC
A Multiliteracy Model for Interactive Visualization Literacy: Definitions, Literacies, and Steps for Future Research
Aarhus University（奥胡斯大学）；Inria Bordeaux（法国国家信息与自动化研究所波尔多中心）；University of Illinois（伊利诺伊大学）
本文提出交互可视化素养的多文学模型，结合四种已知素养与五种新素养，通过分析现有系统和探索性研究验证模型，并提出测量、评估、设计和教学的步骤。
2026-02-10 cs.HC
Vis Ex Machina: An Analysis of Trust in Human versus Algorithmically Generated Visualization Recommendations
越来越多的可视化系统通过自动建议相关的可视化来简化数据分析过程。然而，几乎没有工作来了解用户是否信任这些自动推荐。在本文中，我们介绍了一项众包研究的结果，该研究探索了被定位为人工策划或算法生成的推荐的偏好和感知质量。我们观察到，虽然参与者最初更喜欢人类浏览器，他们的行为表明，在评估可视化建议时，对推荐源漠不关心。所提供信息的相关性（例如，某些数据字段的存在）是最关键的因素，其次是相信推荐者创建准确可视化的能力。我们的研究结果表明，一般漠不关心的出处的建议，并指出，可能无法通过简单的措施捕获的可视化质量和可信度的特殊定义。我们建议，推荐系统应该量身定制的特定用户的信息觅食策略。
2021-04-05 cs.HC
Evaluating how interactive visualizations can assist in finding samples where and how computer vision models make mistakes
Georgia Institute of Technology（佐治亚理工学院）；Microsoft Research（微软研究院）
本研究在Sprite系统中评估两种交互式可视化，发现它们能帮助用户识别和选择更多类型的模型错误样本，从而改进计算机视觉模型性能。
2024-03-15 cs.CV cs.HC cs.LG
Does Interaction Improve Bayesian Reasoning with Visualization?
交互使用户能够有效地浏览大量数据，支持认知处理，并增加数据表示方法。然而，很少有人尝试以经验证明是否添加交互到静态可视化提高其功能超出流行的信念。在本文中，我们解决这个差距。我们使用一个经典的贝叶斯推理任务作为测试平台，用于评估是否允许用户与静态可视化交互可以提高他们的推理。通过两个众包的研究，我们表明，增加互动的静态贝叶斯推理可视化并没有提高参与者的准确性贝叶斯推理任务。在某些情况下，它可以显着减损它。此外，我们表明，潜在的可视化设计调制性能和高与低的空间能力的人不同的响应不同的交互技术和底层基础可视化。我们的工作表明，交互并不像我们通常认为的那样毫无疑问地好;一个设计良好的静态可视化可以与交互式可视化一样有效。
2021-03-05 cs.HC
The Ball is in Our Court: Conducting Visualization Research with Sports Experts
大多数体育可视化依赖于空间、高度时间性和以用户为中心的数据的组合，这使得体育成为可视化的一个具有挑战性的目标。增强现实和混合现实（AR/XR）等新兴技术为体育可视化带来了令人兴奋的机遇和新的挑战。我们分享了与体育领域专家合作的经验，并介绍了在SportsXR中进行可视化研究的经验教训。在我们之前的工作中，我们针对不同类型的体育用户，包括运动员，游戏分析师和粉丝。每个用户组都有独特的设计约束和要求，例如在训练中获得实时视觉反馈、自动化低级视频分析工作流程或个性化嵌入式可视化以进行实时游戏数据分析。在本文中，我们总结了我们在SportsXR上工作时发现的最佳实践和陷阱。我们强调了与体育领域专家合作设计和评估体育可视化以及与新兴AR/XR技术合作的经验教训。我们设想，体育可视化研究将通过其独特的挑战和机遇，沉浸式和现场分析，使更大的可视化社区受益。
2022-11-15 cs.HC
On Regulatory and Organizational Constraints in Visualization Design and Evaluation
基于问题的可视化研究提供了明确的指导，识别和设计的用户需求，但缺乏更具体的指导，对用户的需求，也有影响可视化设计和评估的外部因素。这种缺乏更明确的指导可以离开可视化研究人员和从业人员容易受到超出用户需求的不可预见的限制，可能会影响评估的有效性，甚至导致项目的过早终止。在这里，我们深入探讨两种类型的外部约束，监管和组织约束，并描述这些约束如何影响可视化设计和评估。通过借鉴软件开发，项目管理和可视化研究中的技术，我们建议通过设计研究方法来识别，减轻和评估这些外部约束的策略。最后，我们提出了这些建议在医疗保健案例研究中的应用。我们认为，通过明确地将外部约束纳入可视化设计和评估，研究人员和从业人员可以提高其可视化解决方案的实用性和有效性，并提高与外部约束更多的行业成功合作的可能性。
2016-10-31 cs.HC
Striking a Balance: Evaluating How Aggregations of Multiple Forecasts Impact Judgment Under Uncertainty
University of Toronto（多伦多大学）；Northeastern University（东北大学）
本文通过两个实验研究了部分汇总多个预测对判断的影响，发现特定可视化设计能提高预测准确性并减少对实际结果的惊讶。
2026-01-27 cs.HC
Evaluating Usability in Biomedical Visualization: Rethinking Heuristic Evaluation for Spatial Omics and Multidisciplinary Research Platforms
College of Medicine, University of Florida（佛罗里达大学医学院）；Duke University（杜克大学）；Kitware, Inc（Kitware公司）；Washington University School of Medicine（华盛顿大学医学院）；Indiana University School of Medicine（印第安纳大学医学院）；Indianapolis VA Medical Center（印第安纳波利斯退伍军人事务医疗中心）
该研究针对空间组学等新兴技术驱动的生物医学可视化CRI平台，通过两项含39名参与者的研究，提出三种专用可用性启发式以优化其可用性与可访问性。
2026-09-02 cs.HC
Making sense of Open Data Statistics with Information from Wikipedia
今天，越来越多的开放数据统计数据由政府，统计局和联合国，世界银行或欧盟统计局等组织发布。这些数据是免费提供的，最终用户可以在交互式可视化中使用。然而，需要更多的信息，使外行人能够解释这些统计数据，以使原始数据的意义。在本文中，我们提出了一种方法，将开放数据统计与历史事件相结合。在用户界面中，我们将开放数据统计的交互式可视化与维基百科中主题适当的历史事件的时间轴集成在一起。这可以帮助用户在多个视图中探索统计数据，并在时间轴中获取某些趋势的相关事件。事件包括维基百科文章的链接，在那里可以找到详细信息，搜索过程可以继续。我们进行了一项用户研究，以评估用户是否可以直观地使用该界面，是否可以找到统计趋势和历史事件之间的关系，以及用户是否喜欢这种探索过程的方法。
2015-04-27 cs.CY cs.HC
Vi(E)va LLM! A Conceptual Stack for Evaluating and Interpreting Generative AI-based Visualizations
Sapienza University of Rome（罗马智慧大学）；Link Campus University（林克校园大学）
本文提出EvaLLM评估堆栈，将LLM生成可视化的评估分解为原子组件，并构建平台支持自动与人工评分，通过两个案例验证其有效性。
2024-02-03 cs.AI cs.HC cs.LG
VISHIEN-MAAT: Scrollytelling visualization design for explaining Siamese Neural Network concept to non-technical users
Zhejiang University（浙江大学）；Thammasat University（法政大学）
本研究提出一种基于scrollytelling的新型可视化设计，用于向非技术用户解释Siamese Neural Network概念，实验证明其比传统材料更能提升用户对机器学习概念的理解与知识获取。
2023-04-04 cs.HC cs.LG
What Gets Lost When Memory Becomes Media? Evaluating AI-Generated Oral History Visualization
AA LAB（AA实验室）；MODULABS；Aiffel（艾菲尔公司）
研究散居海外者口述历史可视化中记忆变媒介时的问题，基于口述历史理论设计指标，比较两种管道，发现场景规划与叙事保留冲突，提出基于失败模式的评估框架、冲突分析及系统选择路由协议。
2026-07-29 cs.AI cs.HC
SciVisAgentBench: A Benchmark for Evaluating Scientific Data Analysis and Visualization Agents
University of Notre Dame（圣母大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；University of Utah（犹他大学）；University of Nebraska–Lincoln（内布拉斯加大学林肯分校）；The Ohio State University（俄亥俄州立大学）；Argonne National Laboratory（阿贡国家实验室）；Anthropic PBC
本文提出SciVisAgentBench，一个用于评估科学数据可视化代理的基准测试，涵盖四个维度，包含108个案例，结合LLM和确定性评估器进行多模态评估，揭示代理能力差距。
2026-08-11 cs.AI cs.GR cs.HC
Evaluating and Improving Weak Scalability Analysis of Visualization Algorithms
University of Kaiserslautern-Landau (RPTU)（凯泽斯劳滕-兰道大学）
本研究针对可视化算法弱可扩展性分析的不准确问题，在多算法多数据集上分析常见缩放方法的适用性，提出共享内存环境下缓解工作负载增长不一致的方法，推动可扩展可视化研究的评估与报告。
2026-08-11 cs.DC cs.GR cs.HC
An Aggregation-Based Overall Quality Measurement for Visualization
美学常被用来评价图形绘制的质量。然而，现有的美学标准是有用的，在判断的程度，一个图形符合特定的绘图规则。他们在评价整体质量方面有局限性。目前，图形绘制的整体质量主要基于个人判断和用户研究来评估。个人判断是不可靠的，而用户研究可能是昂贵的运行。因此，有必要直接衡量整体质量。可视化设计人员可以使用此度量在设计阶段快速比较手头的图形质量并做出相应的决策。为了满足这一需求，我们提出了一种基于个人审美标准聚合来衡量整体质量的措施。我们提出了一项用户研究，验证了这一措施，并证明了它预测人类图形理解性能的能力。建议的措施，为未来的研究的影响进行了讨论。
2013-06-11 cs.HC
Constraint-Based Breakpoints for Responsive Visualization Design and Development
本文提出基于约束的断点技术，通过评估视觉元素尺寸、重叠和纵横比等可视化特定约束，使响应式可视化能自动适应不同屏幕尺寸和数据集，并展示了其在多种数据类型上的应用。
2024-09-02 cs.HC
A User-centered Approach for Optimizing Information Visualizations
信息可视化的优化是耗时且昂贵的。为了减少这种情况，我们提出了一个改进现有的优化方法的基础上以用户为中心的设计，专注于可读性，可理解性和用户满意度作为优化目标。变更包括（1）用户界面和表示的单独优化，（2）表示的全自动评价，以及（3）同时创建和评价界面变体的定性用户研究。在这些结果的基础上，我们能够找到一个局部最优的信息可视化在一个有效的方式。
2020-02-13 cs.GR cs.HC
Understanding User Experience of COVID-19 Maps through Remote Elicitation Interviews
在冠状病毒大流行期间，可视化对更广泛的受众来说获得了新的普及和意义。从简单的图表到复杂的交互式仪表板，人们被一系列广泛的公共卫生可视化所轰炸。在大流行背景下，世界上大量人口正在社交上保持距离，迫切需要改进现有的远程设置用户体验评估方法，以了解人们如何理解COVID-19相关的可视化。在评估面向社会人口背景差异巨大、技术水平和数据素养水平各异的普通公众的可视化时，重要的是要了解用户反馈，而不仅仅是速度、任务准确性或可用性问题。作为这一更广泛的评价视角的一部分，微观现象学被用来评价静态和叙事性的可视化，以详细的方式揭示生活经验。在这些研究的基础上，我们进行了一项用户研究，以了解如何在远程环境中使用启发式（又名微观现象学）访谈。在一个案例研究中，我们调查了参与者对基于地图的交互式可视化的体验。我们的研究结果揭示了远程进行诱导面试的积极和消极方面。我们的研究结果可以告知规划和执行远程启发式访谈，以评估交互式可视化的过程。此外，我们分享有关公共卫生数据的可视化技术和交互设计的建议。
2020-09-03 cs.HC
Combining Automatic Coding and Instructor Input to Generate ENA Visualizations for Asynchronous Online Discussion
Colorado State University（科罗拉多州立大学）
针对教师评估异步在线讨论任务繁重的问题，提出结合LDA与教师关键词自动提取编码构建ENA模型的方法，实验证明其与人工编码的ENA模型无统计差异，为教师提供了可行的可视化评估工具。
2023-08-22 cs.HC cs.LG
Debugging Defective Visualizations: Empirical Insights Informing a Human-AI Co-Debugging System
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
本文提出一种人机协同调试系统，结合LLM建议与论坛知识，有效解决可视化调试问题，解决率高达86%。
2026-02-04 cs.HC
SportsBuddy: Designing and Evaluating an AI-Powered Sports Video Storytelling Tool Through Real-World Deployment
针对体育视频叙事传统方法耗时、难满足个性化需求的问题，SportsBuddy整合球员追踪、嵌入式交互设计和时间线可视化，推出AI驱动的交互式视频创作工具，经真实部署验证可提升多元用户的视频制作效率与受众参与度。
2025-02-14 cs.HC
Visualizing Cartograms: Goals and Task Taxonomy
地图是一种地图，其中地理区域（国家，州）的面积与某些感兴趣的变量（人口，收入）成比例。地图是地理参考数据的流行可视化，已经存在了一个多世纪。报纸、杂志、教科书、博客和演示文稿经常使用地图来显示投票结果、受欢迎程度以及一般的地理模式。尽管地图的普及和大量的地图变体，有很少的研究评估的有效性，地图在传达信息。为了将地图设计成一种有用的可视化工具，并能够比较不同方法生成的地图的有效性，我们需要研究所传达的信息的性质和可以在地图上执行的具体任务。在本文中，我们考虑一组地图可视化任务，从制图和信息可视化的标准分类的基础上。然后，我们提出了一个cartogram任务分类法，可用于组织不仅在这里考虑的任务，但也可能会被添加到以后的其他任务。
2015-04-19 cs.HC
A Unified Interactive Model Evaluation for Classification, Object Detection, and Instance Segmentation in Computer Vision
Tsinghua University（清华大学）；Cardiff University（卡迪夫大学）；Harvard University（哈佛大学）
本文提出开源工具Uni-Evaluator，将分类、目标检测和实例分割的预测统一为概率分布，并通过矩阵、表格和网格三种可视化支持从全局到样本的模型评估与改进。
2023-08-09 cs.CV cs.HC
Scalable Topological Data Analysis and Visualization for Evaluating Data-Driven Models in Scientific Applications
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；SCI Institute, University of Utah（犹他大学SCI研究所）
随着机器学习技术在科学和工程领域的大规模应用的迅速采用，可视化领域的两大挑战也随之而来。首先，黑盒模型的利用（例如，深度神经网络）需要探索和解释模型行为的先进技术。其次，计算的快速发展产生了巨大的数据集，需要能够处理数百万或更多样本的技术。尽管已经提出了一些解决这些可解释性挑战的方案，但它们通常不会超过数千个样本，也不会提供科学家正在寻找的高级直觉。在这里，我们提出了第一个可扩展的解决方案，以探索和分析科学数据分析管道中经常遇到的高维函数。通过结合一个新的流邻域图的建设，相应的拓扑计算，和一种新的数据聚合方案，即拓扑感知数据立方体，我们使互动式探索的拓扑和几何方面的高维数据。在高能量密度（HED）物理学和计算生物学的两个用例之后，我们展示了这些功能如何在这两个应用中产生关键的新见解。
2019-07-19 cs.HC cs.LG cs.NE
FairVizARD: A Visualization System for Assessing Multi-Party Fairness of Ride-Sharing Matching Algorithms
FairVizARD 是一个可视化系统，通过动画和聚合图表展示拼车匹配算法的时空结果，帮助用户在多方公平性冲突的现实场景中评估并拓展公平性概念。
2025-08-15 cs.HC
LLM-Based Visualization Evaluation: How Well Do Literacy-Stratified Personas Approximate Human Judgments?
Northumbria University（诺森比亚大学）
提出识字分层LLM评估框架（LSLE），通过构建可视化识字角色并引导LLM模拟评估，与人类数据对比，发现其在早期设计探索中有效，但在总结性评估中系统失效。
2026-06-08 cs.HC
