Visualization in the preprocessing phase: an interview study with enterprise professionals
当前的信息时代越来越要求组织成为数据驱动的。然而,分析和管理原始数据仍然是数据采掘过程中具有挑战性的部分。尽管我们可以找到一些访谈研究,为数据采掘范围内的未来可视化解决方案提出设计建议或建议,但它们涵盖了整个工作流程,并没有完全关注预处理阶段的挑战以及可视化如何支持它。此外,它们没有组织一个最终的见解列表,以巩固其他相关研究的发现。因此,为了更好地了解企业专业人员在数据采掘工作流程中的当前实践,特别是在预处理阶段,以及可视化如何支持这一过程,我们对13位数据分析师进行了半结构化访谈。根据受访者的回答,对挑战和机遇进行了讨论,得出了十项见解。该列表进行了比较,与最接近的相关作品,提高了我们的研究结果的可靠性,并提供了背景,作为一个统一的一套要求,为未来的可视化研究论文应用到可视化数据探索数据采掘。此外,我们还提供了有关数据分析师的概况、他们面临的主要挑战以及他们在不同组织领域从事数据采掘项目时出现的机会的更多细节。
2019-08-21 cs.HC
Augment Engineering: A Methodology for Multi-Tool AI Orchestration Across Professional Domains
Swift North AI Lab, The Swift Group, LLC(Swift North AI实验室,Swift集团有限公司)
提出增强工程学科,通过提示工程和上下文工程的可移植技能,跨领域编排多个专用AI工具,并基于单实践者案例研究验证了方法有效性。
2026-05-22 cs.AI cs.HC cs.SE
VFLens: Co-design the Modeling Process for Efficient Vertical Federated Learning via Visualization
作为一种分散的训练方法,联邦学习使多个组织能够联合训练模型,而不会暴露他们的私有数据。这项工作研究了垂直联邦学习(VFL),以解决协作组织具有相同用户集但具有不同功能,并且只有一方拥有标签的情况。虽然VFL表现出良好的性能,但从业者在为VFL培训阶段准备不透明的内部/外部特征和样本时往往面临不确定性。此外,为了平衡预测精度和模型推理的资源消耗,从业者需要知道真正需要调用VFL模型进行推理的预测实例的哪个子集。为此,我们共同设计的VFL建模过程中提出了一个交互式的实时可视化系统,VFLens,以帮助从业者的特征工程,样本选择和推理。使用场景、定量实验和专家反馈表明,VFLens可以帮助从业者以更低的成本提高VFL效率,并具有足够的信心。
2022-10-02 cs.HC
Beyond the Algorithm: Professional Experiences and Perceptions of AI Bias
University of the Cumberlands(坎伯兰大学)
通过质性多案例研究,探讨AI从业者如何感知和缓解算法偏见,发现偏见源于历史不公、排他性设计及组织压力,强调公平需要结构性问责、多元参与和认知意识。
2026-06-18 cs.CY cs.HC
Privacy, Security, and Usability Tradeoffs of Telehealth from Practitioners' Perspectives
本文通过访谈听力学和言语治疗领域的20位私人远程医疗从业者,揭示了其在安全、隐私、可用性与可及性之间的权衡困境及HIPAA合规挑战,并呼吁政策制定者提供资源、培训和技术基础设施支持。
2023-07-07 cs.HC
Identifying Framing Practices in Visualization Design Through Practitioner Reflections
本文通过分析80余位专业可视化设计师的播客和书籍反思,揭示框架是可视化设计中普遍且迭代的核心活动,识别了触发重新框架的条件与应对不确定性的策略,强调研究和教育应支持设计师的解释性与战略性判断。
2025-08-28 cs.HC
The GenUI Study: Exploring the Design of Generative UI Tools to Support UX Practitioners and Beyond
该研究通过对四类UX相关专业人士开展为期一周的工具使用与访谈,探究生成式UI工具对UX工作的支持作用及现存差距,为后续GenUI开发提供设计参考。
2025-05-19 cs.HC
Designing Annotations in Visualization: Considerations from Visualization Practitioners and Educators
Scientific Computing and Imaging Institute, University of Utah(科学计算与成像研究所,犹他大学);Harvard Medical School(哈佛医学院);University of Oklahoma(俄克拉荷马大学)
本文通过实证研究探讨可视化注释设计的实践与教育者反思,揭示注释设计中的考量与权衡,为工具和指南支持提供改进方向。
2026-04-09 cs.HC
Order-Bound Companionship: The Practice of Emotional Labor in Professional Game Companionship
City University of Hong Kong(香港城市大学)
基于中国背景探讨职业游戏陪伴这一数字劳动实践,通过访谈从业者,发现其采用“订单约束”机制,存在三方网络和身份流动性,为未来劳动治理及平台设计提供启示。
2026-07-28 cs.HC
Practitioners' Perspectives on Designing Data Visualizations for the General Public
University of Vienna(维也纳大学);Leiden University(莱顿大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);AIT Austrian Institute of Technology(奥地利技术研究所)
通过对21位新闻领域从业者的半结构化访谈,研究他们如何构思读者、将概念转化为设计选择并评估作品,发现从业者依赖宽泛的受众定义,主要依靠同行反馈或社交指标而非用户测试进行评估,并识别出面向未定义公众的常用策略,提出受众中心设计工具的建议。
2026-05-28 cs.HC
Improving governance outcomes through AI documentation: Bridging theory and practice
该研究通过分析37项AI文档框架与22项实证研究,明确文档提升治理的路径,揭示从业者面临的资源不足、流程整合差等挑战,并提出组织设计文档的关键考量,为AI治理的文档实践与未来研究提供参考。
2024-12-09 cs.HC
Visualization Tool for Environmental Sensing and Public Health Data
为了帮助受石油和天然气开发影响的居民,一家非营利组织的公共卫生专业人员收集了社区数据,包括症状、空气质量和个人故事。然而,该组织无法通过计算汇总和可视化这些数据。我们提出了环境健康频道,一个基于网络的交互式工具,用于可视化环境传感和公共卫生数据。这一工具有助于讨论和传播科学证据,以揭示工业活动对当地环境和健康的影响。
2018-04-09 cs.HC
How Well Can 3D Accessibility Guidelines Support XR Development? An Interview Study with XR Practitioners in Industry
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Vanderbilt University(范德堡大学);Google XR Labs(谷歌XR实验室)
本文通过访谈研究,探讨现有3D可访问性指南在XR开发中的适用性,发现指南需转型为催化剂而非合规清单,以应对XR的独特需求。
2026-02-20 cs.HC
Cartographers in Cubicles: How Training and Preferences of Mapmakers Interplay with Structures and Norms in Not-for-Profit Organizations
该研究通过采访13家机构的16名制图与GIS专家,探究非营利等组织中分级统计图制作的决策过程,分析了个人经验、协作及组织规范对各制作环节的影响,为制图教育及相关领域研究实践提供参考。
2025-05-17 cs.HC
Results-Actionability Gap: Understanding How Practitioners Evaluate LLM Products in the Wild
HCI \& Design Section IT University of Copenhagen Copenhagen Denmark;Centre for Human-Inspired Artificial Intelligence, Cambridge University Cambridge United Kingdom;Computer Science Johns Hopkins University Baltimore Maryland United States;Engineering University of Michigan Ann Arbor Michigan United States;IT University of Copenhagen;Centre for Human-Inspired Artificial Intelligence, Cambridge University;Johns Hopkins University;University of Michigan
研究探讨从业者如何评估大语言模型产品,发现'结果-可行动性差距'问题,提出策略帮助从业者从非正式评估转向系统化评估。
2026-01-25 cs.AI cs.HC cs.SE
Practitioner Voices Summit: How Teachers Evaluate AI Tools through Deliberative Sensemaking
Stanford University(斯坦福大学)
本文探讨教师在整合AI工具时的评估标准及支持条件,通过全国峰会收集61名数学教师制定的200余条评估标准,揭示了 deliberative sensemaking 的五种机制及TPACK与代理的相互促进循环。
2026-03-31 cs.ET cs.HC
Understanding Workplace Relatedness Support among Healthcare Professionals: A Four-Layer Model and Implications for Technology Design
RWTH Aachen University(亚琛工业大学);NHS Foundation Trust(英国国民医疗服务体系基金会信托)
本文提出医疗专业人员工作场所相关性支持的四层模型,通过访谈和工作坊探讨技术如何促进相关性,强调数字化时代加强HCPs相关性支持的重要性。
2026-02-06 cs.HC
"A Second Set of Eyes": The Process and Challenges of Software Documentation Review
McGill University(麦吉尔大学);Université de Montréal(蒙特利尔大学);Google DeepMind(谷歌DeepMind)
本研究通过对31名资深技术撰写人员访谈,明确软件文档评审的五个阶段及相关挑战,将文档评审定位为关键协作工作领域,为流程与工具优化提供新方向。
2026-08-28 cs.HC cs.SE
"Accessibility people, you go work on that thing of yours over there": Addressing Disability Inclusion in AI Product Organizations
本文通过对25位AI从业者的访谈,揭示负责任AI与无障碍实践之间的摩擦、指南矛盾和数据缺口,并提出改进资源与流程以支持残障终端用户的建议。
2025-11-05 cs.AI cs.HC
Design Generative AI for Practitioners: Exploring Interaction Approaches Aligned with Creative Practice
LISN Université Paris-Saclay, CNRS, Inria(LISN 巴黎-萨克雷大学,法国国家科学研究中心,法国国家信息与自动化技术研究所);UMR 9189 CRIStAL Univ. Lille, Inria, CNRS, Centrale Lille(UMR 9189 CRIStAL 利摩日大学,法国国家信息与自动化技术研究所,法国国家科学研究中心,利摩日中央理工大学)
本文提出三种交互方法,帮助设计师在不同阶段引导生成式AI与创意实践对齐,强调动态协商与主动/被动角色的适应性。
2026-03-03 cs.AI cs.HC
Making Transparency Advocates: An Educational Approach Towards Better Algorithmic Transparency in Practice
New York University(纽约大学)
针对算法透明度研究未转化为实际实施的问题,提出通过开源教育研讨会培养组织内部的透明度倡导者,以自下而上的方式推动算法透明度实践并验证了其有效性。
2024-12-19 cs.AI cs.CY cs.HC
AI Rivalry as a Craft: How Resisting and Embracing Generative AI Reshape Writing Professions
Tandon School of Engineering New York University NYC NY USA;Stern School of Business New York University NYC NY USA;Tandon School of Engineering New York University;Stern School of Business New York University
本文通过25次半结构化访谈和Job Crafting视角,揭示写作专业人士通过抵制或拥抱GAI重塑角色、身份与协作方式的四类策略。
2025-03-12 cs.AI cs.HC
What We Know about Responsible AI Practices in Industry: A Half Decade of Empirical Research
Microsoft Research(微软研究院);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Carnegie Mellon University(卡内基梅隆大学)
本研究通过对6年的161项实证研究开展文献综述,整合行业负责任人工智能实践的进展与挑战,为相关研究者、从业者及政策制定者提供了启示。
2026-08-12 cs.AI cs.HC
Languaging Ethics in Technology Practice
本文以语言化为分析视角,通过十二位从业者的共创工作坊研究技术与设计从业者如何在日常工作中协商伦理,揭示其伦理表达的核心信念、生态影响因素及不可逾越的边界,并为技术伦理研究、实践和教育提供新思路。
2023-04-12 cs.CY cs.HC
Human Side of Smart Contract Fuzzing: An Empirical Study
本文通过分析Echidna与Foundry的381个GitHub issue并开展用户研究,构建智能合约模糊测试挑战分类法,揭示区块链仿真、文档与自动化等问题,为工具设计改进提供依据。
2025-06-09 cs.HC cs.SE
Towards Real-World Validity in Generative AI Benchmarks: Understanding and Designing Domain-Centered Evaluations for Journalism Practitioners
Northwestern University(西北大学)
本文通过人中心设计方法,针对新闻领域设计领域导向的评估指南,解决现有基准在生态效度和构念效度上的不足,提升评估的实用性与价值对齐性。
2026-04-28 cs.AI cs.HC
Before the Vicious Cycle Starts: Preventing Burnout Across SOC Roles Through Flow-Aligned Design
Technische Universität Berlin(柏林工业大学);Arizona State University(亚利桑那州立大学)
本文通过分析SOC职位描述,揭示了沟通技能和认证要求的现状,为流程对齐设计和防止职业倦怠提供实证基础。
2026-02-16 cs.CR cs.CY cs.HC
The Values of Value in AI Adoption: Rethinking Efficiency in UX Designers' Workplaces
Georgia Institute of Technology(佐治亚理工学院)
本文探讨AI采纳在UX设计师工作场所中如何通过协商价值观重新配置角色与责任,强调效率讨论中的伦理维度。
2026-03-06 cs.CY cs.HC
Understanding the Career Mobility of Blind and Low Vision Software Professionals
本研究通过访谈26名盲人和低视力软件专业人士(BLVSPs),识别出技术挑战、同事看法、自身管理晋升看法及无障碍投入四个影响其职业流动性的因素,并为建设无障碍工作场所提出建议。
2024-04-25 cs.HC cs.SE
Assessing the Fairness of AI Systems: AI Practitioners' Processes, Challenges, and Needs for Support
Microsoft Research(微软研究院);Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
已经开发了各种工具和实践来支持从业人员识别,评估和减轻人工智能系统造成的公平相关伤害。然而,先前的研究已经强调了这些工具和实践的预期设计与其在特定背景下的使用之间的差距,包括组织因素在塑造公平工作中所发挥的作用所造成的差距。在本文中,我们调查了这样一种做法的这些差距:人工智能系统的分类评估,旨在揭示人口统计群体之间的性能差异。通过对来自三家科技公司的10个团队的33名人工智能从业者进行半结构化访谈和结构化研讨会,我们确定了从业者在设计分类评估时的流程、挑战和支持需求。我们发现,从业人员面临的挑战时,选择绩效指标,确定最相关的直接利益相关者和人口群体的重点,并收集数据集进行分类评价。更一般地说,我们确定了对公平工作的影响,这些影响来自缺乏与直接利益相关者或领域专家的接触,优先考虑客户而不是边缘化群体的业务需求,以及大规模部署人工智能系统的驱动力。
2022-02-10 cs.AI cs.CY cs.HC
I Felt Pressured to Give 100% All the Time: How Are Neurodivergent Professionals Being Included in Software Development Teams?
本研究通过半结构化访谈九名神经发散软件工程专业人士,基于社会技术理论揭示其在沟通、社交、偏见及工具过载方面的融入障碍,并提出基于实证的包容性改进建议。
2025-03-12 cs.HC cs.SE
Understanding Practices, Challenges, and Opportunities for User-Engaged Algorithm Auditing in Industry Practice
Carnegie Mellon University(卡内基梅隆大学)
近年来,研究人员和从业人员对用户参与的算法审计方法越来越感兴趣,这种方法直接让用户参与检测算法系统中的问题行为。然而,我们对行业从业者目前在用户参与审计方面的做法和挑战知之甚少,也不知道他们在实践中有什么机会更好地利用这些方法。为了进行调查,我们与在工作中采用用户参与审计方法的从业人员进行了一系列访谈和迭代协同设计活动。我们的研究结果揭示了从业者在适当招募和激励用户审计员,脚手架用户审计以及从用户参与的审计报告中获得可操作的见解方面面临的几个挑战。此外,从业人员在用户参与审计方面遇到了共同的组织障碍,使从业人员和用户审计员之间的复杂关系浮出水面。基于这些发现,我们讨论了未来HCI研究的机会,以帮助实现潜在的(和减轻风险)的用户参与审计在行业实践中。
2023-02-21 cs.AI cs.HC cs.LG
Advancing Data Equity: Practitioner Responsibility and Accountability in NLP Data Practices
AAAI(美国人工智能协会);AAAI Publications Committee(AAAI出版委员会)
本研究以美国NLP数据从业者视角为中心,结合多层级AI治理框架,揭示商业目标与公平承诺之间的张力,并提出需要结构性治理改革来支持从业者能动性和社区同意,从而推进NLP数据公平。
2025-08-16 cs.AI cs.CY cs.HC
Fairness-in-the-Workflow: How Machine Learning Practitioners at Big Tech Companies Approach Fairness in Recommender Systems
Cornell University(康奈尔大学);Loyola University Maryland(洛约拉大学马里兰州)
研究探讨了大型科技公司如何在推荐系统中处理公平性,识别了技术团队与法律、数据团队在公平性工作中的挑战,并提出可行的实践建议。
2026-02-27 cs.AI cs.CY cs.HC
"It Might be Technically Impressive, But It's Practically Useless to us": Motivations, Practices, Challenges, and Opportunities for Cross-Functional Collaboration around AI within the News Industry
Human-Computer Interaction Institute, Carnegie Mellon University(卡内基梅隆大学人机交互研究所);Tsinghua University(清华大学);Reuters Institute for the Study of Journalism, University of Oxford(牛津大学路透新闻研究所);School of Journalism and Mass Communication, University of Iowa(爱荷华大学新闻与大众传播学院)
针对新闻行业内AI专业人员与记者跨职能协作研究的缺失,本研究通过访谈26名从业者,调查其协作实践、挑战并提出建议,填补了该领域空白。
2025-02-13 cs.CY cs.HC cs.LG
From Junior to Senior: Allocating Agency and Navigating Professional Growth in Agentic AI-Mediated Software Engineering
Independent Researcher(独立研究者)
本文通过混合方法研究,探讨了代理AI在软件工程中初级和高级工程师的代理使用情况,发现组织政策而非个人偏好主要限制了代理能力,并提出三种实践以保持编码、学习和指导中的代理能力。
2026-02-11 cs.AI cs.HC cs.SE