AdaVis: Adaptive and Explainable Visualization Recommendation for Tabular Data
针对现有ML可视化推荐方法假设单一结果且缺乏可解释性的问题，提出AdaVis，利用基于盒嵌入的知识图谱建模一对多映射并结合注意力机制，实现自适应且可解释的多可视化推荐。
2023-10-18 cs.HC
Visual Data Analysis with Task-based Recommendations
一般的可视化推荐系统通常会自动为数据集做出设计决策。然而，他们中的大多数只能修剪无意义的可视化，但不能推荐有针对性的结果。本文贡献TaskVis，一个面向任务的可视化推荐系统，允许用户选择他们的任务，精确的界面上。我们首先通过对学术界和工业界的调查，总结出一个包含18个经典分析任务的任务库。在此基础上，我们维护了一个规则库，它通过我们对分析任务的有针对性的建模扩展了经验智慧。然后，我们基于规则的方法通过答案集编程枚举所有候选可视化。之后，生成的图表可以通过四种排名方案进行排名。此外，我们还引入了一个基于任务的组合推荐策略，利用一组可视化来协作地提供数据集的简要视图。最后，我们通过一系列的用例和用户研究来评估TaskVis。
2022-09-14 cs.HC
Visualization Autocomplete: Visualization Authoring via Stepwise Design Recommendations
Seoul National University（首尔大学）；Sogang University（西江大学）；Aarhus University（奥胡斯大学）
研究针对领域专家创建图表时确定设计下一步的难题，提出VISAUTOCOMPLETE系统，受文本自动完成启发，按顺序过程推荐步骤，用户可干预。提炼大语言模型逻辑，经评估在复杂图表创作清晰度上超基线，可接近性与大语言模型相当。
2026-07-20 cs.HC
Visualization of Wearable Data and Biometrics for Analysis and Recommendations in Childhood Obesity
肥胖是非传染性疾病增加后的主要健康风险因素之一。了解影响肥胖的因素是非常复杂的，因为有很多变量可以影响导致肥胖的健康行为。现在，多个数据源可以用于研究健康行为，例如用于身体活动和睡眠的可穿戴传感器，社交媒体，移动和健康数据。在本文中，我们描述了一个仪表板的设计，从卡塔尔的儿童肥胖营地的体动记录和生物特征数据的可视化。该仪表板允许定量发现，可用于指导患者行为和定向定性研究。
2017-05-10 cs.HC
VizCommender: Computing Text-Based Similarity in Visualization Repositories for Content-Based Recommendations
基于云的可视化服务使可视化分析比以往任何时候都更广泛。Tableau等系统已经开始以交互式可视化工作簿的形式积累越来越大的分析知识库。当共享时，这些集合可以形成视觉分析知识库。然而，随着收集的数量增加，查找相关信息的难度也随之增加。基于内容的推荐（CBR）系统可以帮助分析人员发现和管理与他们的兴趣相关的工作簿。为了实现这一目标，我们专注于基于文本的内容，它代表了可视化的主题，而不是视觉编码和风格。我们将讨论与基于可视化规范创建CBR相关的挑战，并更具体地探讨如何使用Tableau工作簿规范作为内容数据源来实施所需的相关性度量。我们还演示了什么样的信息可以从这些可视化规范中提取，以及如何使用各种自然语言处理技术来计算工作簿之间的相似性作为一种方法来衡量相关性。我们报告了一项众包用户研究，以确定我们的相似性度量是否模仿了人类的判断。最后，我们选择潜在狄利克雷分配（LDA）作为一个特定的模型，并在一个概念验证推荐工具中实例化，以展示我们的相似性度量的基本功能。
2020-08-18 cs.HC
Personalized Visualization Recommendation
University of Maryland（马里兰大学）；Adobe Research（奥多比研究院）；Intel Labs（英特尔研究院）
可视化推荐工作仅关注基于底层数据集的可视化评分，而不是实际用户及其过去的可视化反馈。这些系统为每个用户推荐相同的可视化，尽管潜在的用户兴趣，意图和可视化偏好可能根本不同，但至关重要。在这项工作中，我们正式介绍了个性化可视化推荐的问题，并提出了一个通用的学习框架来解决它。特别是，我们专注于推荐个性化的可视化为每个单独的用户基于他们过去的可视化交互（例如，查看、点击、手动创建）以及来自这些可视化的数据。更重要的是，框架可以从与其他用户相关的可视化中学习，即使可视化是从完全不同的数据集生成的。实验证明了该方法的有效性，因为它导致更高质量的可视化建议量身定制的特定用户的意图和偏好。为了支持对这一新问题的研究，我们发布了以用户为中心的可视化语料库，其中包括17.4k用户，他们探索了94k数据集，其中包含230万个属性和32k用户生成的可视化。
2021-02-12 cs.HC cs.IR cs.LG
ML-based Visualization Recommendation: Learning to Recommend Visualizations from Data
University of Maryland（马里兰大学）；Adobe Research（奥多比研究院）
可视化推荐旨在自动生成、评分并向用户推荐有用的可视化，对于快速探索和深入了解新的或现有的数据集至关重要。在这项工作中，我们提出了第一个端到端的基于ML的可视化推荐系统，该系统将大型数据集和可视化语料库作为输入，并根据这些数据学习模型。然后，给定来自任意用户的新的未见过的数据集，模型自动生成该新数据集的可视化，导出可视化的分数，并向用户输出按有效性排序的推荐可视化列表。我们还描述了一个评估框架，以定量评估从大型可视化和数据集语料库中学习的可视化推荐模型。通过定量实验，用户研究和定性分析，我们表明，我们的端到端ML为基础的系统相比，现有的最先进的基于规则的系统，建议更有效和有用的可视化。最后，我们观察到人类专家在我们的用户研究中对我们基于ML的系统推荐的可视化的强烈偏好，而不是基于规则的系统（来自7点Likert量表的5.92，相比之下只有3.45）。
2020-09-25 cs.HC cs.IR cs.LG
Visualization for Epidemiological Modelling: Challenges, Solutions, Reflections & Recommendations
我们报告了流行病学建模人员和可视化研究人员之间正在进行的合作，记录和反思知识结构-从现有的可视化研究和实践中获得的一系列想法，方法和方法-部署和开发以支持COVID-19大流行病的建模。结构化的独立评论，这些努力是通过迭代式的反思，以发展综合：在这种情况下可视化的有效性和价值的证据;开放的问题，研究界可能会关注;指导未来的活动，这类;和建议，以保障成就和促进，推进，安全和准备未来的这种合作。在描述和比较在前所未有的条件下开展的一系列相关项目时，我们希望这份独特的报告及其丰富的互动补充材料将指导科学界在观察、分析和建模数据以及传播研究结果时采用可视化。同样，我们希望鼓励可视化社区参与有影响力的科学，以解决其新兴的数据挑战。如果我们取得成功，这一展示活动可能会刺激具有互补专业知识的社区之间的互利接触，以解决流行病学及其他领域的重要问题。https://ramp-vis.github.io/RAMPVIS-PhilTransA-Supplement/
2022-06-20 cs.HC
Designing Narrative-Focused Role-Playing Games for Visualization Literacy in Young Children
基于游戏设计和教育研究，本文介绍了以叙事为中心的角色扮演游戏作为促进幼儿视觉素养的一种方式。可视化素养技能对于理解我们周围的世界和构建有意义的可视化至关重要，然而，如何在早期更好地发展这些技能仍然在很大程度上被忽视和研究不足。直到最近，可视化社区才开始填补这一空白，导致了早期教育中使用的教育工具的初步研究和开发。我们通过探索游戏化来支持学习，并通过利用涉及可视化的数据相关问题中的叙述来确定应用基于角色扮演游戏的设计的机会。我们研究了包括叙事元素对学习的影响，通过技术探针，接地在一组设计考虑来自可视化，游戏设计和教育科学。我们创建了两个版本的游戏-一个有叙事元素，一个没有-并使用受试者之间的研究设计评估了33名11至13岁的儿童参与者的实例。尽管参与者需要两倍的时间来完成他们的游戏，由于额外的元素，包括这些元素被发现，以提高参与而不牺牲学习;我们的研究结果表明，图形阅读技能的发展没有显着差异，但在参与和整体享受的游戏显着差异。我们报告所收集的观察结果和定性反馈，并指出需要改进的地方和未来工作的空间。
2020-08-31 cs.HC
Insight-centric Visualization Recommendation
Georgia Tech（佐治亚理工学院）；Adobe Research（奥多比研究中心）
可视化推荐系统简化了探索性数据分析（EDA），并通过自动生成可视化供用户探索，使所有技能水平的用户更容易理解数据。然而，大多数现有的可视化推荐系统专注于基于特定属性或编码将所有可视化排列到单个列表或组集合中。这种全球排名使得用户很难找到最有趣或最相关的见解。为了解决这些限制，我们引入了一类新的可视化推荐系统，自动排名和推荐两组相关的见解以及每组中最重要的见解。我们提出的方法结合了许多不同的基于学习的方法的结果，以自动发现见解。一个关键的优点是，这种方法推广到各种各样的属性类型，如分类，数值和时间，以及这些不同的属性类型的复杂的非平凡的组合。为了评估我们的方法的有效性，我们实现了一个新的以洞察力为中心的可视化推荐系统Spotlight，它生成并排名带注释的可视化来解释每个洞察力。我们对12名参与者和两个数据集进行了用户研究，结果表明用户能够快速理解并在不熟悉的数据中找到相关见解。
2021-03-21 cs.AI cs.HC cs.IR
VizML: A Machine Learning Approach to Visualization Recommendation
MIT Media Lab（麻省理工学院媒体实验室）；MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
数据可视化应该让所有拥有数据的分析师都能访问，而不仅仅是少数拥有技术专长的人。可视化推荐系统旨在通过自动生成供分析师搜索和选择的结果，而不是手动指定，来降低探索基本可视化的障碍。在这里，我们展示了一种新颖的基于机器学习的可视化推荐方法，该方法从大型数据集和相关可视化中学习可视化设计选择。首先，我们确定了分析师在创建可视化时所做的五个关键设计选择，例如选择可视化类型和选择沿X轴或Y轴编码列。我们训练模型来预测这些设计选择，使用从流行的在线可视化平台收集的100万个可视化对。与基准模型相比，神经网络以高精度预测这些设计选择。我们报告和解释这些基线模型之一的功能重要性。为了评估我们的方法的通用性和不确定性，我们用众包测试集进行基准测试，并表明我们的模型在预测共识可视化类型时的性能与人类的性能相当，并且超过了其他基于ML的系统。
2018-08-14 cs.AI cs.HC cs.LG
LLM4Vis: Explainable Visualization Recommendation using ChatGPT
Singapore Management University（新加坡管理大学）；Microsoft Research Asia（微软亚洲研究院）
提出LLM4Vis，一种基于ChatGPT的提示方法，通过少量示例实现可解释的可视化推荐，在VizML数据集上优于或媲美监督学习模型，并生成类人解释。
2023-10-16 cs.CL cs.HC
A Design Space for Surfacing Content Recommendations in Visual Analytic Platforms
在可视化系统内，推荐算法已经以各种方式被利用，以在用户执行一系列信息任务时帮助用户。这些技术的一个共同点是推荐内容，而不是视觉形式，作为帮助用户识别与其任务上下文相关的信息的一种手段。已经提出了各种各样的技术来解决这个一般性问题，在这些解决方案如何向用户呈现相关信息方面有一系列的设计选择。本文回顾了可视化系统如何在用户的视觉分析过程中向用户推荐内容的最新技术;介绍了一个基于先前工作特征的四维视觉内容推荐设计空间;并讨论了关于常见模式和未来研究机会的关键观察结果。
2022-08-08 cs.HC
Visualization for Recommendation Explainability: A Survey and New Perspectives
University of Duisburg-Essen（杜伊斯堡-埃森大学）；National University of Sciences and Technology（国家科技大学）
本文从解释目标、范围、风格和格式四个维度全面综述了推荐系统中的视觉解释研究，提出了设计指导原则，并指出了未来研究方向，以助力研究者系统设计视觉解释。
2024-06-05 cs.AI cs.HC cs.IR
GEViTRec: Data Reconnaissance Through Recommendation Using a Domain-Specific Prevalence Visualization Design Space
基因组流行病学（genEpi）是公共卫生的一个分支，它使用许多不同的数据类型，包括表格，网络，基因组和地理，以识别和遏制致命疾病的爆发。由于数据的数量和多样性，genEpi领域专家进行数据侦察是一项挑战;也就是说，对他们拥有的数据进行概述，并对其质量，完整性和适用性进行评估。我们提出了一个算法，通过自动可视化推荐，GEViTRec的数据侦察。我们的方法处理各种各样的数据集类型，并自动生成协调的图表组合，与现有的系统，主要集中在单例可视化编码的表格数据集。我们通过分析非数值属性字段，自动检测多个输入数据集之间的链接，创建一个实体图，在其中分析和排名路径。对于每一个高排名的路径，我们指定的图表组合与空间和颜色的对齐共享字段之间，使用逐步绑定的方法来转换初始的部分规格的单例图表，以完成规格的对齐和定向一致。我们的方法的一个新颖的方面是它的领域不可知的元素与特定领域的信息，通过特定领域的可视化流行设计空间被捕获的组合。我们的实现被应用于埃博拉疫情的合成数据和真实数据。我们将GEViTRec的输出与以前的可视化推荐系统生成的输出进行比较，并与从业者使用的手动可视化进行比较。我们与10位genEpi专家进行了形成性评估，以评估我们结果的相关性和可解释性。
2020-10-22 cs.HC q-bio.GN
Smart UX-design for Rescue Operations Wearable - A Knowledge Graph Informed Visualization Approach for Information Retrieval in Emergency Situations
本文提出一种知识图谱驱动的智能UX设计方法，用于可穿戴设备在紧急情境下为医疗专业人员提供治疗建议，以改进急救救援作业。
2025-10-15 cs.HC
Metrics-Based Spreadsheet Visualization: Support for Focused Maintenance
遗留电子表格既是一种资产，也是一个关于电子表格的持久问题。为了使电子表格保持活力并保持正确，理解给定的电子表格非常重要。可视化技术应该减轻在一组巨大的电子表格单元格中寻找结构的复杂和令人兴奋的挑战，以建立电子表格程序的适当心理模型。由于电子表格程序与它们所服务的目的一样多样化，并且与它们的程序员一样不均匀，因此为每个电子表格程序找到适当的表示或可视化技术似乎是徒劳的。因此，我们提出了不同的可视化和表示方法，可以减轻电子表格的理解，但不应该适用于所有类型的电子表格程序。因此，本文提出使用（复杂性）的措施，适当的可视化指标。
2008-09-17 cs.HC cs.SE
VisMaker: a Question-Oriented Visualization Recommender System for Data Exploration
数据生产的日益快速增长以及随之而来的探索数据以获得最多样化问题的答案的需求促进了工具的开发，以促进数据可视化的操作和构建。然而，构建有用的数据可视化并不是一项微不足道的任务：它可能涉及大量微妙的决策，需要设计人员的经验。在本文中，我们提出了VisMaker，可视化推荐工具，使用一组规则来呈现可视化建议组织和描述通过问题，以促进理解的建议，并协助视觉探索过程。我们进行了两项研究，将我们的工具与Voyager 2进行比较，并分析了工具使用的某些方面。我们收集了参与者的反馈，以确定我们的推荐方法的优点和缺点。因此，我们收集了评论，以帮助改进该领域的工具开发。
2020-02-14 cs.HC cs.IR
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
Addressing Bias in Visualization Recommenders by Identifying Trends in Training Data: Improving VizML Through a Statistical Analysis of the Plotly Community Feed
University of Maryland, College Park（马里兰大学帕克分校）
机器学习具有良好的可扩展性和代表性，是一种很有前途的可视化推荐方法。研究人员可以创建一个神经网络，通过在数据集和可视化示例的语料库上训练它来预测来自输入数据的可视化。然而，这些机器学习模型可以反映其训练数据中可能对其性能产生负面影响的趋势。我们的研究项目旨在通过统计分析来识别训练数据中的趋势，从而解决机器学习可视化推荐系统中的训练偏差。
2022-03-09 cs.HC cs.IR cs.LG
Context-Aware Visualization for Explainable AI Recommendations in Social Media: A Vision for User-Aligned Explanations
Newcastle University（纽卡斯尔大学）
针对社交媒体AI推荐解释通用、未对齐用户需求的问题，提出首个在单一流水线中同时适配解释风格和粒度的上下文感知可视化解释系统，将通过30名X用户的公开试点验证其对决策和信任的影响。
2025-08-01 cs.AI cs.HC cs.LG
ASTA: Learning Analytical Semantics over Tables for Intelligent Data Analysis and Visualization
Beijing Normal University（北京师范大学）；ETH Zurich（苏黎世联邦理工学院）；Hong Kong University of Science and Technology（香港科技大学）；Xi’an Jiaotong University（西安交通大学）；Microsoft Research（微软研究院）
表格的智能分析和可视化使用技术从数据中自动推荐有用的知识，从而将用户从繁琐的多维数据采掘中解放出来。虽然许多研究已经成功地通过规则或机器学习自动化推荐，但很难概括专家知识并提供可解释的推荐。在本文中，我们提出的建议，条件格式的第一次，与图表推荐，以促进智能表分析。我们提出了分析语义表，以揭示用户创建的分析背后的共同分析模式。在这里，我们设计的分析语义分离的数据焦点和用户意图，提取用户的动机，分别从数据和人类的角度。此外，ASTA框架是由我们设计的应用分析语义多个自动化的建议。ASTA框架通过基于专家知识设计签名来提取数据特征，并使用预先训练的模型在字段（图表）或单元格级别（条件格式）实现数据引用。实验结果表明，我们的框架在公共图表语料库上达到了62.86%的前1召回率，超过了最佳基线约14%，在收集的语料库ConFormT上达到了72.31%，验证了ASTA框架在提供准确和可解释的推荐方面是有效的。
2022-08-08 cs.DB cs.HC cs.LG
MEDLEY: Intent-based Recommendations to Support Dashboard Composition
尽管仪表板在广泛的领域中越来越受欢迎，但它们的创作仍然是一个繁琐而复杂的过程。当前的工具为创建单独的可视化提供了相当大的支持，但对发现可共同用于组成分析仪表板的可视化组提供了有限的支持。为了解决这个问题，我们提出了MEDLEY，一个混合主动界面，通过推荐仪表板集合（即，视图和过滤小部件的逻辑分组集合），其映射到特定的分析意图。用户可以通过界面中的输入面板显式地指定仪表板意图（即，度量分析、变更分析、类别分析或分布分析），或者通过选择感兴趣的数据属性和视图隐式地指定仪表板意图。系统根据这些分析意图推荐集合，并且可以选择视图和小部件来组成各种仪表板。MEDLEY还提供了一个轻量级的直接操作界面来配置仪表板中视图之间的交互。基于一项有13名参与者执行有针对性和开放式任务的研究，我们讨论了MEDLEY的建议如何指导仪表板组成并促进不同的用户工作流程。研究中的观察结果确定了未来工作的潜在方向，包括将手动视图规范与仪表板建议相结合，以及为仪表板创作设计自然语言界面。
2022-08-05 cs.HC
ScaleViz: Scaling Visualization Recommendation Models on Large Data
IIIT B（印度信息技术学院班加罗尔分校）；Adobe Research（奥多比研究院）；IIT B（印度理工学院班加罗尔分校）；IIT KGP（印度理工学院克勒格布尔分校）
针对现有自动化可视化推荐模型因依赖大量高成本统计量而无法高效处理大型数据集的问题，提出基于强化学习的框架，在给定时间预算内选择最优统计量子集，显著减少可视化时间且误差极小，速度较相似误差基线快约10倍。
2024-11-27 cs.AI cs.HC stat.ML
Ethical conceptual replication of visualization research considering sources of methodological bias and practical significance
在过去的20年里，基于认知和感知理论以及经验评估的结合，可视化的一般设计原则已经相对完善。为了确定这些原则如何在使用环境和最终用户中保持不变，我认为我们应该强调概念复制，重点是确定实际意义和减少方法偏差。这种思维的转变旨在确定设计原则如何与方法论方法相互作用，为可视化元科学奠定基础。
2020-09-25 cs.HC
Comparison of Spatial Visualization Techniques for Radiation in Augmented Reality
本研究针对AR环境中辐射威胁可视化的难题，提出基于AR头显空间感知网格的实时辐射编码方案，通过用户研究对比不同可视化效果，发现各方案无统计优劣但用户偏好差异大，并给出评估建议。
2024-03-08 cs.HC
Visual Analytics for Understanding Draco's Knowledge Base
针对 Draco 知识库约束增多导致推荐决策难以追溯的问题，提出基于修订 ASP 语法与超图的可视化分析方法，帮助专家交互式探索约束并验证其有效性。
2023-07-24 cs.GR cs.HC
Comparison Conundrum and the Chamber of Visualizations: An Exploration of How Language Influences Visual Design
用于表达比较的语言通常是复杂和微妙的，使得支持基于自然语言的视觉比较成为一项重要的任务。为了更好地理解人们如何在自然语言中进行比较，我们探索了用于比较数据实体的话语的设计空间。我们识别了指示正在比较什么的比较话语的不同参数（即，数据变量和属性）以及如何指定这些参数（即，显式地或隐式地）。我们与16位数据可视化专家和非专家进行了一项用户研究，以调查他们如何在我们的设计空间中设计用于比较的可视化。基于观察到的丰富的可视化技术，我们从可视化中提取了关键的设计特征，并将其合成为16个代表性可视化设计的子集。然后，我们进行了后续的研究，以验证用户的偏好，在我们的设计空间中的话语对应的16个代表性的可视化。这些研究结果为设计自然语言界面和推荐工具提供了指导方针和未来方向，以更好地支持可视化分析中的自然语言比较。
2022-08-07 cs.HC
Roboviz: A Game-Centered Project for Information Visualization Education
由于其教学优势，信息可视化课程的大型期末项目已成为标准做法。学生需要一个真实或模拟的客户端，一个数据集和一组模糊的目标来创建一个完整的可视化或可视化分析产品。不幸的是，许多项目的目标不明确，客户期望过高或过低，以及数据限制，这些限制使学生将时间花在非可视化问题上（例如，数据清理）。这些都是重要的技能，但往往是次要的课程目标，不可预见的问题可能会严重阻碍学生。我们为我们的信息可视化课程创建了一个替代方案：Roboviz，这是一个实时游戏，学生可以通过构建一个以可视化为中心的界面来玩。通过围绕四种不同的数据类型设计游戏机制，该项目允许学生创建各种交互式可视化。学生团队与他们的同学进行比赛，目的是收集最多（好）的机器人。策略的灵活性鼓励可变性，一系列方法，并解决邪恶的设计约束。我们描述了这个游戏的建设，并报告了两年多的学生项目。我们进一步展示了游戏机制如何扩展或适应其他基于游戏的项目。
2022-08-08 cs.HC
Visualization on Smart Wristbands: Results from an In-situ Design Workshop with Four Scenarios
本文通过实地设计工作坊，针对办公、散步、骑行和驾驶四种手臂姿态场景，探索了智能腕带全腕显示的数据可视化设计，发现布局需随数据项和姿态变化，并得出用户偏好响应式自适应设计的结论。
2025-08-21 cs.HC
A Consensus-Focused Group Recommender System
在许多情况下，推荐是由用户组而不是个人消费的。在本文中，我们提出了一个系统，建议社会事件的群体。该系统帮助团体组织联合活动，并在几个可能的选项中集体选择要执行的活动。我们还遵循群体共识决策的原则，促进共识的形成。我们的系统允许用户异步投票，添加和评论的替代品。我们通过群体决策过程中的推荐后反馈来观察群体内的社会影响。我们提出了一个决策级联模型，并估计这样的社会影响力，它可以用来提高组推荐的性能。我们进行实验来衡量我们的模型的预测性能。结果表明，该模型比独立决策模型取得了更好的效果。
2014-03-25 cs.HC cs.IR cs.SI
Visual Arrangements of Bar Charts Influence Comparisons in Viewer Takeaways
设计良好的数据可视化可以让查看者进行更强大、更直观的处理。为了帮助查看者直观地比较值以快速生成关键要点，可视化设计人员可以操纵数据值在图表中的排列方式以提供特定的比较。使用简单的条形图作为案例研究，我们经验性地测试了四种常见排列的比较启示：垂直并列，水平并列，重叠和堆叠。我们要求参与者在图表中输入他们感知到的模式，并将他们的外卖编码为比较类型。在第二项研究中，我们要求数据可视化设计专家预测他们将使用哪种安排来提供每种类型的比较，并发现与我们的发现一致和不匹配。这些结果为人类设计师和自动图表推荐系统如何进行可视化提供了具体的指导，帮助观众提取“正确”的外卖。
2021-08-13 cs.HC
How Do LLMs See Charts? A Comparative Study on High-Level Visualization Comprehension in Humans and LLMs
Pohang University of Science and Technology (POSTECH)（浦项科技大学）；Soongsil University（崇实大学）；Australian National University（澳大利亚国立大学）；University of Oklahoma（俄克拉荷马大学）；Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院）
研究比较了人类与LLMs在图表高级理解上的差异，发现LLMs采用结构化列举而非人类的趋势叙事，揭示了可视化设计的新挑战与机遇。
2026-04-10 cs.HC
Using Counterfactuals to Improve Causal Inferences from Visualizations
本文针对可视化分析中用户常从相关性误推因果的问题，综述了直接支持视觉因果推断的最新方法，并指出其局限，进而提出关键开放挑战与研究优先方向。
2024-01-16 cs.HC
Explainable Iterative Data Visualisation Refinement via an LLM Agent
Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系）
本文提出利用LLM代理的自动化方法，通过结合定量评估与人类洞察，实现高维数据可视化优化，生成高质量可视化结果。
2026-04-22 cs.AI cs.HC
Safire: Similarity Framework for Visualization Retrieval
Harvard Medical School（哈佛医学院）
本文提出Safire框架，通过比较标准和表示模态两个维度，系统化分析可视化相似性，揭示不同应用场景中相似性标准与表示模态的关联，并探讨其对多模态学习、AI应用和可视化可重复性的影响。
2025-10-18 cs.AI cs.HC cs.IR
A Comparison of Spatiotemporal Visualizations for 3D Urban Analytics
最近的技术创新增加了3D城市数据的可用性，如阴影、噪声、太阳能和地震模拟。这些时空数据集为新的可视化创造了机会，让来自不同领域的专家参与研究城市空间在这个未被探索的维度中的动态行为。然而，设计3D时空城市可视化是具有挑战性的，因为它需要视觉策略来支持时变数据的分析。虽然不同的视觉策略已被用于3D城市视觉分析，这些视觉设计是如何有效地支持建筑物表面的时空分析的问题仍然是开放的。为了调查这一点，在本文中，我们首先贡献了一系列的分析任务后，从三个城市领域的从业者采访。我们还提供了一个定量的用户研究比较四个代表性的视觉设计用于可视化三维时空城市数据的有效性：空间并置，时间并置，链接视图，嵌入式视图。参与者执行了一系列任务，要求他们随着时间的推移识别建筑表面的极值。任务在空间和时间维度上的粒度不同。我们的研究结果表明，参与者使用基于图的可视化（链接视图，嵌入式视图）更准确，但使用颜色编码的可视化（空间并置，时间并置）更快。我们的研究结果还表明，随着任务复杂性的增加，与颜色编码的可视化相比，基于图的可视化在保持效率（时间，准确性）方面表现得更好。根据我们的研究结果，我们提出了一套外卖与设计建议的研究人员和从业人员的三维时空城市可视化。
2022-08-10 cs.CY cs.GR cs.HC
The State of Reproducibility Stamps for Visualization Research Papers
Université Paris-Saclay, CNRS, Inria, LISN（巴黎萨克雷大学，法国国家科学研究中心，Inria，LISN实验室）
本文分析了可视化研究论文的可重复性现状，探讨了影响可重复性的因素，并提出了提高可重复性的方法。
2024-09-16 cs.DL cs.GR cs.HC
adder-viz: Real-Time Visualization Software for Transcoding Event Video
Baylor University（贝勒大学）
针对事件视频表示在灵活性等方面的局限，本文对adder-viz软件进行多项改进，实现实时事件转码过程及在环应用的可视化，该MIT许可软件可从指定仓库获取。
2025-08-25 cs.CV cs.HC cs.MM
