How Does Title Framing Influence Pattern Identification in Line Charts?
University of Oklahoma（俄克拉荷马大学）；UNC-Chapel Hill（北卡罗来纳大学教堂山分校）；POSTECH（韩国科学技术院）
本研究通过50个新闻折线图实验，发现标题字数与预期信息显著影响观众的模式识别，强调标题框架对快速查看要点和有效可视化传播的重要性。
2026-09-16 cs.HC
PatternSight: A Perceptual Grouping Effectiveness Assessment Approach for Graphical Patterns in Charts
PatternSight提出一种融合感知理论的感知模拟模型，通过预测观看者注意到的图形模式来评估图表感知有效性，并嵌入原型界面帮助图表作者优化数据模式的可视化设计。
2025-07-17 cs.HC
How Do Captions Affect Visualization Reading?
标题帮助读者更好地理解可视化。然而，如果可视化旨在传达特定的特征，那么标题应该是统计的，并关注特定的值，还是感知的，并关注一般的模式？先前的研究表明，当标题提到视觉上突出的特征时，读者往往会回忆起这些特征。尽管如此，我们仍然缺乏明确的指导方针，如何撰写适当的标题。此外，如果作者希望强调一个不太突出的特征呢？在本文中，我们研究了标题中描述的特征的视觉显著性，以及标题描述的语义水平，如何影响读者从折线图中获得的信息。对于每个单线或多线图表，我们生成4个标题，1）描述图表中的主要或次要显著特征，以及2）在统计或感知水平上描述特征。然后，我们向参与者展示随机的图表-标题对，并记录他们的收获。我们发现，主要的显着特征是更难忘的单线图表时，标题表示在统计水平，在多行图表的主要和次要功能，感知水平是更难忘的。我们还发现，当有标题时，许多读者会倾向于回忆y轴的数值。
2022-09-26 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
EmphasisChecker: A Tool for Guiding Chart and Caption Emphasis
本文提出 EmphasisChecker 交互工具，自动检测时间序列图表的显著特征与标题强调内容并标出不匹配，帮助作者修订图表-标题组合；用户研究验证了其实用性和易用性。
2024-01-20 cs.HC
The Arrangement of Marks Impacts Afforded Messages: Ordering, Partitioning, Spacing, and Coloring in Bar Charts
本研究以条形图为对象，实证探究排序、分区、间距、着色等排列方式对排名、分组等可感知信息的影响，提出了可扩展、可复现的定量方法，为相关后续研究奠定基础。
2023-08-25 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
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
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
Quantifying Emotional Responses to Immutable Data Characteristics and Designer Choices in Data Visualizations
通过五项众包实验量化了颜色、图表类型及数据特征对可视化情绪的影响，发现部分数据特征在无意义时仍能影响情绪，并据此提出了平衡情绪影响的设计指南。
2024-07-25 cs.HC
The Chart Excites Me! Exploring How Data Visualization Design Influences Affective Arousal
随着数据可视化越来越多地应用于大众传播，设计师往往试图立即抓住观众，并激励他们阅读更多。正如先前的研究所表明的那样，这些目标与情绪的激活密切相关，即情感唤醒。鉴于这种动机，这项工作采取初步措施，了解数据可视化设计中的唤醒相关因素。我们收集了265个数据可视化的语料库，并与184名参与者进行了一项众包研究，在此期间，参与者被要求对数据可视化设计（所有文本都被模糊以排除语义的影响）引起的情感唤起进行评级，并提供他们的理由。根据收集的数据，首先，我们通过定性分析用户评论来识别一组与唤醒相关的设计特征。然后，我们将这些特征映射到可计算变量，并构建回归模型来推断哪些特征对情感唤起有重要的定量贡献。通过这项探索性研究，我们最终确定了四个设计特征（例如，色彩、不同视觉通道的数量）交叉验证为与情感唤起相关的重要特征。
2022-11-07 cs.HC
Recommendations for Visualization Recommendations: Exploring Preferences and Priorities in Public Health
可视化推荐系统的承诺是，分析师将自动提供相关和高质量的可视化，这将减少手动探索或图表创建的工作。然而，迄今为止，很少有研究集中在分析师在可视化建议的设计价值。我们采访了公共卫生部门的18位分析师，并探讨了他们如何理解一个流行的领域内数据集。用于生成可视化以推荐给其他人。我们还探讨了他们如何与自动和手动生成的可视化推荐语料库进行交互，目的是揭示这些分析师的设计价值如何反映在当前的可视化推荐系统中。我们发现，分析师冠军简单的图表与明确的外卖，但与现有的语义信息或域的假设。最后，我们建议可视化推荐设计师探索将上下文和期望集成到他们的系统中的方法。
2022-02-02 cs.HC
What is the message? Perspectives on Visual Data Communication
Faculty of Computer Science, University of Vienna（维也纳大学计算机学院）；UniVie Doctoral School Computer Science DoCS, University of Vienna（维也纳大学计算机科学博士学校DoCS）；Centre for Science and Technology Studies (CWTS), Leiden University（莱顿大学科学技术研究中心(CWTS)）；Research Network Data Science, University of Vienna（维也纳大学数据科学研究网络）；Department of Human-Computer Interaction, Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学人机交互系）；AIT Austrian Institute of Technology（奥地利技术研究院(AIT)）
通过混合方法研究《科学美国人》中气候变化和流行病的数据可视化，从读者、图表和生产者三个视角分析信息传达，发现文本显著改变信息解读，并提出信息类型学与设计建议。
2026-05-28 cs.HC
Polarizing Political Polls: How Visualization Design Choices Can Shape Public Opinion and Increase Political Polarization
本研究通过三项实验发现，可视化设计选择（如党派框架）可诱发社会从众，使公众态度偏向所展示的群体立场，从而加剧政治极化。
2023-09-01 cs.HC
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
Truth or Square: Aspect Ratio Biases Recall of Position Encodings
条形图是最常用的可视化形式之一，部分原因是它们的位置编码使它们能够精确地传达数据值。然而，图中单个条形或条形组的复制可能会有偏差。奇怪的是，以前的一些工作发现，这种偏差导致高估了复制的数据值，而其他工作则发现低估了。在三个实证研究中，我们对这些相互矛盾的发现提供了一个解释：这种差异是测试条标记的不同纵横比的结果。观察者倾向于记住一个条形标记更类似于一个原型正方形，导致高估宽高比的条形，低估高宽比的条形。实验1和2表明，条形标记的纵横比确实会影响这种偏差的方向。实验3证实，这种模式的错误估计偏见是存在的再现记忆，这表明这种偏见可能会出现时，比较值跨顺序显示或视图。我们描述了其他可视化设计，这些设计可能倾向于条形图之外的这种偏差（例如，Mekko图表和树形图），并推测其他视觉通道可能对原型值持有类似的偏见。
2020-09-14 cs.HC
Same Data, Diverging Perspectives: The Power of Visualizations to Elicit Competing Interpretations
本文通过实验证明，相同数据在不同可视化呈现和注释方式下会引发竞争性解读，使人们因关注历史领先或增长势头而做出不同预测，揭示了可视化对决策偏差的影响。
2024-01-17 cs.HC
Mitigating Confirmation Bias through Hand-Drawing Videos
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Georgia Institute of Technology（佐治亚理工学院）
研究通过观察动态手绘可视化过程，能否减轻确认偏差并提高数据解读准确性，实验表明该方法有效。
2026-07-03 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
Truncating the Y-Axis: Threat or Menace?
Y轴不从零开始的条形图可能会在视觉上夸大效果大小。但是，对于其他可视化类型，是否截断y轴的建议可能不明确。在本文中，我们提出了可视化的例子，其中Y轴截断可以是有益的，也可以是有害的，这取决于沟通和分析的意图。我们还提出了一系列众包实验的结果，在这些实验中，我们研究了y轴截断如何影响可视化类型的主观效应大小，并探索了更直接地提醒观众注意这种截断的替代设计。我们发现，轴截断的主观影响是持久的可视化设计，即使是明确的视觉线索，表明截断已经发生的设计。我们建议设计师考虑他们打算传达的有意义的效果大小和变化的规模，无论视觉编码如何。
2020-01-08 cs.HC
How Good (Or Bad) Are LLMs at Detecting Misleading Visualizations?
Hong Kong University of Science and Technology（香港科技大学）
本研究探讨了多模态LLM在检测误导性图表中的能力，通过设计九种提示测试四种模型识别21种图表问题，发现多模态LLM具备较强的图表理解和批判性思维能力，能有效应对误导性可视化问题。
2024-07-24 cs.AI cs.CL cs.CV
Words of Estimative Correlation: Studying Verbalizations of Scatterplots
自然语言和可视化越来越多地被部署在一起，以不同的方式支持数据分析，从多模式交互到丰富的数据摘要和见解。然而，研究人员仍然缺乏系统的知识，观众如何用言语表达他们的视觉化的解释，以及他们如何在这样的背景下解释视觉化的言语化。我们描述了两项研究，旨在确定这些任务中相关的数据和图表的特征。第一项研究要求参与者用语言描述他们在散点图中看到的东西，这些散点图描绘了各种程度的相关性。第二项研究要求参与者选择与给定的相关性口头描述相匹配的可视化。我们从响应中提取关键概念，将它们组织在分类中并分析分类的响应。我们观察到，参与者在所有散点图中使用广泛的词汇，但特定的概念更倾向于更高水平的相关性。对这些研究进行比较后发现，其中一些概念存在歧义。我们讨论了结果如何为与数据和分析任务相一致的多模态表示的设计提供信息，并提出了一个研究路线图，以加深对可视化和自然语言的理解。
2020-09-29 cs.HC
