Lost in Translation: How Does Bilingualism Shape Reader Preferences for Annotated Charts?
本研究针对多语言人群,探究注释模式对读者图表偏好与理解准确率的影响,通过对英-泰米尔、英-阿两组受试者的实验发现注释语义不影响理解,语言使用习惯与文化教育因素会左右注释偏好,为包容性可视化注释设计提供依据。
2025-03-19 cs.HC
UncertaintyVis: Preserving Linguistic Uncertainty in Automated Text-to-Chart Generation
Singapore Management University(新加坡国立大学)
针对自动文本到图表生成会丢弃语言不确定性标记导致读者误判的问题,提出UncertaintyVis系统,通过四类不确定性对应的图表视觉编码实现不确定性保留,实验显示其提升了图表匹配准确率并降低认知需求。
2026-08-10 cs.HC
Reviving Static Charts into Live Charts
本研究提出将静态图表转化为多感官Live Charts的自动化方法,结合GNN与大语言模型生成动画和旁白,经评估验证其能帮助读者更好理解数据洞见。
2024-05-17 cs.HC
Rich Screen Reader Experiences for Accessible Data Visualization
当前的Web可访问性指南要求可视化设计师通过基本的非视觉替代方案(如文本描述和访问原始数据表)来支持屏幕阅读器。但是图表不仅仅是汇总数据或复制表格;它们提供了不同粒度级别的交互式数据探索-从细粒度的数据阅读到略读和呈现高级趋势。为了应对缺乏可比的非视觉启示,我们提出了一套丰富的屏幕阅读器的经验,可访问的数据可视化和探索。通过一个迭代的协同设计过程中,我们确定了三个关键的设计维度表达屏幕阅读器的可访问性:结构,或图表实体应该如何组织屏幕阅读器遍历;导航,或结构,空间和有针对性的操作,用户可能会执行一步通过结构;和,描述,或语义内容,组成,和冗长的屏幕阅读器的叙述。我们将这些维度操作化为屏幕阅读器可访问的可视化原型,涵盖各种图表类型和我们设计维度的组合。我们在一项混合方法研究中评估了这些原型的一个子集,其中有13名盲人和低视力读者。我们的研究结果表明,这些设计可以帮助用户概念化数据空间,有选择地参加在不同级别的粒度感兴趣的数据,并在他们的数据分析过程中的经验控制和代理。这篇论文的HTML版本可以在http://vis.csail.mit.edu/pubs/rich-screen-reader-vis-experiences上找到。
2022-05-10 cs.HC
Caption: Generating Informative Content Labels for Image Buttons Using Next-Screen Context
提出LLM驱动的移动设备图像按钮标签生成工具Caption,通过结合源屏幕与交互后目标屏幕的下一屏幕上下文,生成比人工标注和LLM基线更准确的内容标签,以改善无障碍体验。
2025-08-12 cs.HC
ChartifyText: Automated Chart Generation from Data-Involved Texts via LLM
针对含数值文本难以快速解读的问题,提出ChartifyText方法,利用大语言模型自动推断表格数据并生成表现力图表,经专家访谈和用户研究验证其有效性。
2024-11-07 cs.HC cs.IR
Write, Rank, or Rate: Comparing Methods for Studying Visualization Affordances
本文比较了自由响应、排序和评分等四种方法在评估图表可供性上的效果,发现排序与评分组合可作为大规模替代方案,并探索了GPT-4o作为人类代理的潜力与局限。
2025-07-22 cs.HC
The Gulf of Interpretation: From Chart to Message and Back Again
本研究采用混合方法,对比数据记者编码的图表预期信息与多类受众的解读差异,发现数据量、陌生术语及编码惯例会造成解读鸿沟,为优化图表信息传递提供依据。
2025-02-21 cs.HC
What Is the Difference Between a Mountain and a Molehill? Quantifying Semantic Labeling of Visual Features in Line Charts
本文针对折线图视觉特征的语义标注问题,提出结合特征词分布、视觉特征与数据域的特征-词-主题模型,并通过量化语义与最小误差形状相似性方法,实现了图表标注与文本摘要生成。
2023-08-02 cs.HC
Dispersion vs Disparity: Hiding Variability Can Encourage Stereotyping When Visualizing Social Outcomes
可视化研究通常侧重于感知准确性或帮助读者解释关键信息。然而,我们对图表设计如何影响读者对数据背后的人的看法知之甚少。具体来说,设计是否会与读者的社会认知偏见相互作用,从而使有害的刻板印象永久化?例如,在分析社会不平等时,条形图是一种流行的选择,用于呈现种族,性别或其他群体之间的结果差异。但条形图可能会鼓励赤字思维,即认为结果差异是由群体的个人优势或缺陷造成的,而不是外部因素。这些错误的个人属性可能会强化人们对被形象化的群体的刻板印象。我们进行了四个实验,研究影响归因偏差(因此是赤字思维)的设计选择。众包工作者查看了描绘社会结果的可视化,这些可视化要么掩盖数据的可变性,如条形图或点图,要么强调数据的可变性,如抖动图或预测区间。他们报告说,他们同意个人和外部的解释可视化的差距。总体而言,当参与者看到隐藏组内差异的可视化时,他们更同意个人解释。当他们看到强调组内差异的可视化时,他们不太同意个人解释。这些结果表明,关于社会不平等的数据可视化可能会以有害的方式被误解,并导致刻板印象。设计选择可以影响这些偏见:隐藏可变性往往会增加刻板印象,而强调可变性会减少它。
2022-09-25 cs.CY cs.HC
Croissant Charts: Modulating the Performance of Normal Distribution Visualizations with Affordances
Khoury College of Computer Sciences, Northeastern University(东北大学库里计算机学院);College of Arts, Media and Design, Northeastern University(东北大学艺术、媒体与设计学院)
本文通过法棍图表研究如何通过触觉引导优化正态分布可视化性能,通过案例研究和实验证明触觉引导对任务表现的影响。
2026-04-06 cs.HC
Guardrail Selection in Line Charts to Contextualize Persuasive Visualizations
University of Utah(犹他大学);Graz University of Technology(格拉茨工业大学);Worcester Polytechnic Institute(伍斯特理工学院)
本研究探讨了如何通过在折线图中嵌入上下文比较线(guardrails)来增强说服性可视化的情境化效果,提出了实用的guardrail采样策略,并通过实验证明了其在提升信任度、准确性及情境感知方面的有效性。
2026-05-18 cs.HC
How Do Viewers Synthesize Conflicting Information from Data Visualizations?
科学知识是通过累积的发现而发展起来的,这些发现建立在以前的发现之上,与以前的发现相矛盾,与以前的发现相联系,或者纠正以前的发现。科学家和记者经常通过可视化和文本(例如,咖啡因摄入的积极和消极影响)。因此,读者需要整合来自多个来源的不同和对比的证据,以形成观点或做出决定。然而,从多个可视化合成信息的基本机制仍然未被探索。为了解决这一知识差距,我们进行了一系列的四个实验(N = 1166),参与者合成的经验证据,从一对折线图顺序。在实验1中,我们管理了一个基线条件,其中没有描绘参与者没有强烈信念的特定背景的图表。为了测试普遍性,我们在实验2中引入了真实世界的场景,并在实验3中添加了类似于在线新闻文章或博客文章的附带文本描述。在所有三个实验中,我们改变了图表对中直线斜率的相对方向和大小。我们发现,当两个图表描绘的关系方向相反时,参与者倾向于更重视正斜率(例如,一个正斜率和一个负斜率)。当两个图表描绘的关系方向相同时,参与者倾向于权衡不太陡的斜率(例如,都是积极的)。通过这些实验,我们的特征参与者的合成行为取决于他们所看到的信息之间的关系,有助于理论描述信息合成的基本认知机制,并描述设计的数据故事。
2022-08-07 cs.HC
Visual Stenography: Feature Recreation and Preservation in Sketches of Noisy Line Charts
University of Utah(犹他大学);Northeastern University(东北大学);University of Oklahoma(俄克拉荷马大学)
本研究通过视觉速记任务分析参与者在不同噪声水平下重绘折线图的特征保留策略,发现人们倾向忠实保留趋势和波峰波谷而语义化处理周期性和噪声,呼吁更灵活、以人为本的时间序列数据呈现与处理方式。
2025-10-13 cs.GR cs.HC
Understanding How Paper Writers Use AI-Generated Captions in Figure Caption Writing
Pennsylvania State University(宾夕法尼亚州立大学);University of Seoul(首尔大学);Adobe Research(奥多比研究院);Seoul National University(首尔国立大学)
本研究通过18名论文作者的用户实验,探究其将AI生成图注融入写作的过程,发现作者多复制打磨AI产出、偏好长且细节丰富的图注,且当前AI对复杂图表效果有限,为学术写作AI工具的设计提供了方向。
2025-01-10 cs.AI cs.CL cs.HC
From Scores to Strategies: Towards Gaze-Informed Diagnostic Assessment for Visualization Literacy
LMU Munich(慕尼黑大学)
本文提出通过凝视数据补充传统测试,以更全面评估读者在可视化信息处理中的认知负荷和策略差异,推动评估从二元分类向精细化描述转变。
2026-03-24 cs.HC
Assessing Graphical Perception of Image Embedding Models using Channel Effectiveness
Seoul National University(首尔大学)
本文提出一个评估图像嵌入模型图形感知的新颖框架,通过通道准确性和可辨别性两方面评估视觉通道有效性,发现CLIP模型在长度、倾斜和曲率等通道上具有与人类不同的感知能力。
2024-07-30 cs.CV cs.HC cs.LG
Accessible Visualization via Natural Language Descriptions: A Four-Level Model of Semantic Content
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
自然语言描述有时伴随着可视化,以更好地传达和情境化他们的见解,并提高残疾读者的可访问性。然而,很难评估这些描述的有用性,以及它们如何有效地改善对有意义信息的访问,因为我们对它们所传达的语义内容以及不同读者如何接收这些内容知之甚少。作为回应,我们引入了一个概念模型的语义内容所传达的自然语言描述的可视化。通过对2,147个句子的扎根理论分析,我们的模型跨越了四个层次的语义内容:列举可视化构造属性(例如,标记和编码);报告统计概念和关系(例如,极值和相关性);识别感知和认知现象(例如,复杂的趋势和模式);以及阐明特定领域的见解(例如,社会和政治背景)。为了证明我们的模型可以应用于评估可视化描述的有效性,我们进行了一个混合方法的评估与30个盲人和90个视力正常的读者,并发现这些读者群体显着不同的语义内容,他们排名为最有用的。总之,我们的模型和研究结果表明,访问有意义的信息是强烈的读者特定的,在自动可视化字幕的研究应面向描述,更丰富的沟通整体趋势和统计数据,读者的喜好敏感。我们的工作为自然语言作为一种与可视化同等重要的数据接口的研究开辟了新的空间。
2021-10-08 cs.CL cs.HC