VisCanvas: A Node-Based Interface for Exploratory Visualization Authoring with LLMs
Arizona State University(亚利桑那州立大学)
研究针对大语言模型下可视化创作工具线性界面不适用于探索性分析工作流的问题,介绍基于节点的VisCanvas界面,通过用户研究表明其能在维持性能水平时促进多样数据交互,还提炼了未来AI辅助可视化创作环境的设计原则。
2026-09-23 cs.HC
Combining Multiple View Components for Exploratory Visualization
针对探索性可视化中“概览加细节”等概念在技术解释上的歧义,本文提出了视图与焦点基本组件的描述,并概述了它们的多重组合,为UI设计的视觉组合方法提供分类基础。
2023-09-14 cs.HC
Toward Agile Situated Visualization: An Exploratory User Study
我们介绍AVAR,一个原型实现的敏捷定位可视化(SV)工具包,针对活性,集成和表现力。我们报告的AVAR和七个专家用户的探索性研究的结果。在其中,参与者佩戴Microsoft HoloLens设备,并使用蓝牙键盘为给定的数据集编写可视化脚本。为了支持我们的分析,我们(i)视频记录会话,(ii)跟踪用户的交互,以及(iii)收集参与者的印象数据。我们的原型验证了敏捷SV是可行的。也就是说,在对SV进行编程时,活跃度提高了参与者的参与度,因此,会议具有高度的互动性,参与者愿意花费大量时间使用我们的工具包(即,中值>= 1.5小时)。参与者使用我们的集成工具包来处理数据转换,视觉映射和视图转换,而无需离开沉浸式环境。最后,参与者从我们的表达工具包中受益,并在编写SV时使用了多个可用功能。
2020-02-14 cs.HC
A Survey on Exploratory Spatiotemporal Visual Analytics Approaches for Climate Science
本文综述了气候数据探索性时空可视化分析的挑战、需求及现有方法,按任务、数据源、技术等对相关工具分类,并指出趋势与关键挑战,以推动未来研究与气候缓解策略制定。
2024-07-30 cs.HC
An Exploratory Study on AI-driven Visualisation Techniques on Decision Making in Extended Reality
本研究使用Meta Quest Pro探索了“告知”、“助推”、“推荐”和“指导”四种AI驱动的可视化技术对扩展现实中用户决策的影响,发现维护用户自主权、增强AI透明度及考虑情境对设计至关重要。
2025-07-15 cs.HC
To design interfaces for exploratory data analysis, we need theories of graphical inference
计算机科学和统计学的研究和发展已经产生了越来越复杂的软件界面,用于交互式和探索性分析,并针对容易的模式发现和数据暴露进行了优化。但是,强调探索而不是其他分析阶段的设计哲学可能会混淆对灵活性的需求,并得出结论,即探索性可视化分析本质上是无模型的,不能形式化。我们描述了如何在没有人类统计推断理论的基础上,探索性视觉分析的研究可能会导致矛盾的界面目标和不确定性的表示,从而阻止用户进行有效的推断。我们讨论了如何在贝叶斯统计框架中的模型检查的概念,探索性和验证性分析,以及这种理解如何与其他提出的图形推理理论。将交互式分析视为由模型检查驱动,这为围绕探索性和可视化分析的软件和实证研究提出了新的方向。例如,系统应该能够指定和显式地将数据与空值和其他参考分布进行比较,并更好地表示不确定性。贝叶斯和其他图形推理理论的含义应该根据人们交互分析的结果进行测试,以推动理论的发展。
2021-07-06 cs.HC
Interactive Visual Facets to Support Fluid Exploratory Search
探索性搜索从定义不明确的目标开始,包括浏览、学习和制定新的搜索目标。为了流畅地支持这种动态搜索行为,我们专注于设计交互式视觉方面(IVF),可视化信息方面,以支持用户的理解和控制的信息空间。为此,我们回顾了现有的分面搜索界面,并得出了两个尚未完全解决的设计要求(DR),以支持探索性搜索中的流体相互作用。然后,我们通过设计一个IVF工具来举例说明这些要求,该工具分别协调代表项目分布和汇总的线性和分类方面,并为多方面探索(DR 1)提供背景。为了支持搜索条件(DR 2)之间的快速转换,该工具引入了一种新颖的设计概念,即使用方面来选择项目,而无需过滤项目空间。特别是,我们提出了一种过滤器滑动技术,使用户能够拖动一个分类方面的线性方面的酒吧顺序查看项目的交叉点的两个方面,以及分类方面动态总结的项目在互动。三个应用程序演示了这些功能如何轻松地支持信息发现。一项针对11名参与者的用户研究表明,通过时间轴导航的动态建议可以帮助发现有用的搜索建议;新的设计概念比使用方面值作为过滤器更受欢迎。基于这些实践,我们推导出IVF设计对流体、探索性搜索的影响。
2021-09-11 cs.HC
Interaction Techniques for Exploratory Data Visualization on Mobile Devices
针对移动设备探索式数据可视化现有交互难度高的问题,提出四项设计原则、13种候选交互方案,通过12人形成性研究总结出四大类设计考量与权衡,为移动端数据可视化交互设计提供参考。
2024-04-17 cs.HC
A Visual Analytics Approach for Exploratory Causal Analysis: Exploration, Validation, and Applications
使用因果关系来指导决策已经成为各个领域的重要分析任务,从营销和医学到教育和社会科学。虽然已经开发了强大的统计模型来从数据中推断因果关系,但领域从业者仍然缺乏有效的视觉界面来解释因果关系并将其应用于决策过程。通过与领域专家的访谈研究,我们描述了他们当前的决策工作流程,挑战和需求。通过迭代设计过程,我们开发了一个可视化工具,允许分析师在现实世界的决策场景中探索,验证和应用因果关系。该工具提供了一个不确定性感知的因果图可视化,用于呈现从高维数据推断的大量因果关系。在因果关系图之上,它支持一组直观的用户控件,用于执行假设分析和制定行动计划。我们报告的两个案例研究,在市场营销和学生咨询,以证明用户可以有效地探索因果关系和设计行动计划,以达到他们的目标。
2020-09-05 cs.HC
Enabling Longitudinal Exploratory Analysis of Clinical COVID Data
随着COVID-19大流行继续影响全球,我们正在收集和分析数据,以更好地了解该疾病。认识到可视化分析技术在支持探索性分析和从纵向临床数据中生成假设方面的潜力,一组合作者致力于将现有的事件序列可视化分析技术应用于998名高COVID-19感染率患者的纵向临床数据。本文描述了实现这一目标的初步步骤,包括:(1)为可视化分析准备数据所需的数据转换和处理工作,(2)初步发现和观察,以及(3)定性反馈和经验教训,其中突出了关键特征以及未来工作中要解决的局限性。
2021-08-25 cs.HC
Gazealytics: A Unified and Flexible Visual Toolkit for Exploratory and Comparative Gaze Analysis
本文提出开源 Web 工具 Gazealytics,通过协调视图、AOI/TWI 标注筛选和矩阵表示,统一支持眼动数据的时空探索、组内组间比较与洞见交流。
2023-04-26 cs.HC
Divisi: Interactive Search and Visualization for Scalable Exploratory Subgroup Analysis
本文提出探索性子组分析任务,并开发基于快速近似发现算法的交互式工具 Divisi,支持子组重排、细化及重叠覆盖可视化,实验表明其能促进复杂数据中的意外模式发现。
2025-02-14 cs.HC
EVM: Incorporating Model Checking into Exploratory Visual Analysis
本研究提出EVM数据探索工具,将基于可视化的统计模型检测融入视觉分析,在用户数据视图旁展示模型预测分布,经用户研究明确其对分析思考的作用及未来优化方向。
2023-08-24 cs.HC
Characterizing Visualization Insights through Entity-Based Interaction: An Exploratory Study
可视化的主要目的之一是帮助用户发现见解。虽然已经有很多针对复杂的数据转换和新颖的呈现技术的信息可视化研究,但相对较少的是了解用户如何通过交互式数据可视化获得见解。本文提出了一个众包的研究与158名参与者调查之间的关系基于实体的互动(一个动作+其目标实体)和由此产生的洞察力。为此,我们将与现有CO2 Explorer的交互概括为基于实体的交互,并使用户能够输入注释并参考相关实体以帮助他们的叙述。我们记录了用户自由探索可视化的交互,并描述了他们对数据的外部见解。使用基于实体的互动和参考来推断洞察力特征(类别,概述与细节和先验知识),我们发现证据表明,与互动相比,实体参考改善了洞察力表征,从轻微/公平到公平/中等协议。为了解释预测结果,特征重要性和相关性分析表明,详细的见解往往有更多的鼠标悬停在图表区域,并引用垂直参考线在折线图作为证据。我们讨论了知识辅助可视化的研究限制和影响,例如,基于用户探索的洞察力建议。
2022-04-27 cs.HC
Grand Challenge: Mediating Between Confirmatory and Exploratory Research Cultures in Health Sciences and Visual Analytics
本文针对健康科学与视觉分析因验证性与探索性研究文化差异导致的合作障碍,提出了涵盖文化、标准和流程三个领域的七项研究需求与行动,以构建可靠、可重复且具临床相关性的数据驱动方法研究议程。
2025-08-15 cs.HC
Intelligent Canvas: Enabling Design-Like Exploratory Visual Data Analysis with Generative AI through Rapid Prototyping, Iteration and Curation
University of Maryland, College Park(马里兰大学帕克分校)
针对现有界面在探索性可视化数据分析中的局限,提出集成生成式AI的“类设计”intelligent canvas环境,支持快速原型设计、迭代与比较可视化管理,并通过N=10的用户研究验证其有效性。
2024-03-21 cs.AI cs.HC
Visual BFI: an Exploratory Study for Image-based Personality Test
本文对形象人格测验这一课题进行了定位和探索。受试者将被提供一组“选择你最喜欢的图像”视觉问题,而不是回答基于文本的问题。在每个问题的图像选项属于同一概念的情况下,通过观察被试在几个独特概念下对图像的偏好来估计被试的人格特质。设计这种基于意象的人格测验的解决方案包括概念-问题识别和意象-选项选择。我们已经提出了一个初步的框架,规范这两个步骤,在这个探索性的研究。设计的基于图像的性格测试的演示版本可在http://www.visualbfi.org/上获得。主观和客观的评价都证明了基于意象的人格测验在有限问题上的可行性。
2016-05-26 cs.CY cs.HC
WHATSNEXT: Guidance-enriched Exploratory Data Analysis with Interactive, Low-Code Notebooks
针对计算笔记本结构混乱、低代码用户难以上手的问题,本文提出 WHATSNEXT 框架,通过下一步推荐面板和动态分析依赖树支持低代码可视化探索。
2023-08-18 cs.HC
Supporting Reflection in LLM-based Exploratory Search
Politecnico di Milano(米兰理工大学)
研究探索性搜索中LLMs的问题,提出TrailLM系统,通过与用户意义建构工作流程对齐,帮助用户重构和重温探索路径,在保留基于LLM搜索优势的同时,增加对搜索过程批判性反思机会。
2026-07-14 cs.HC
Visualizing Causality in Mixed Reality for Manual Task Learning: An Exploratory Study
本研究通过48名用户的实验,探索混合现实中不同层级因果关系可视化对手动任务学习的影响,发现展示所有层级因果关系时用户表现最佳,并据此提出设计建议。
2025-02-28 cs.HC
SupplyNet: Supporting Visual Exploratory Learning in Supply Chain via Contextual Multi-Agent Simulation
The Hong Kong University of Science and Technology(香港科技大学);City University of Hong Kong(香港城市大学)
提出SupplyNet,一种基于上下文图的多智能体LLM框架的视觉模拟系统,通过交互式网络视图、分支时间线和任务分析控制台,支持供应链中的反事实探索、因果追踪和比较推理,提升用户参与度和理解。
2026-06-24 cs.HC
PromptMap: Supporting Exploratory Text-to-Image Generation
Peking University(北京大学);University of Nottingham(诺丁汉大学)
针对文本生成图像探索中用户易在设计空间迷失的问题,研究提出Design-Exploration模型形式化探索过程,开发交互式可视化系统PromptMap以适配非线性探索流程,并通过用户深度访谈完成系统评估。
2025-10-03 cs.HC
An Exploratory Study on Visual Exploration of Model Simulations by Multiple Types of Experts
不同领域的专家越来越多地依赖于复杂流程的仿真模型来获得见解,做出决策和规划未来的项目。这些模型通常用于研究可能的权衡,因为专家们试图在一次调查中优化多个相互冲突的目标。然而,理解所有复杂的模型对于一个领域专家来说是一个挑战。我们提出了一个简单的方法来支持多个专家在探索复杂的模型结果。首先,我们减少了模型的探索空间,然后在一个共享的交互式表面上,在散点图矩阵和链接视图的形式呈现的结果。为了探索多个专家如何使用这种设置来分析权衡,我们进行了一项观察性研究,重点关注分析过程中专业知识和洞察力生成之间的联系。我们的研究结果揭示了不同的探索策略和多故事情节的方法,领域专家在权衡分析,并告知我们的建议,协作模型探索系统。
2019-02-05 cs.HC
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
Towards an Exploratory Visual Analytics System for Griefer Identification in MOBA Games
针对MOBA游戏中捣乱者识别缺乏标准与标注数据的问题,本文与专家合作开发交互式可视分析系统GrieferLens,通过多视图行为分析与关键事件综合,辅助高效识别与标注捣乱者。
2023-12-22 cs.HC
"They Aren't Built For Me": An Exploratory Study of Strategies for Measurement of Graphical Primitives in Tactile Graphics
本研究探索BLV人群测量触觉图形基元的策略,通过重复经典图形感知实验和小组访谈,发现视觉编码在触觉图形中的局限性,提出了适配触觉感知的设计指南。
2025-08-19 cs.HC
Embedding Spatial Software Visualization in the IDE: an Exploratory Study
软件可视化对于以直观的方式理解和探索软件系统非常有用。软件的空间表示是一种很有前途的方法。但是,对于开发人员如何与IDE中嵌入的空间可视化进行交互,我们知之甚少。在本文中,我们提出了一个试点研究,探讨使用软件制图程序理解一个未知的系统。我们调查了开发人员是否建立了系统的空间记忆,按主题进行聚类是否提供了一个合理的基本布局,以及开发人员如何与地图进行交互。我们以观察、假设和影响的形式报告我们的结果。主要发现是:a)开发人员很好地利用了地图来检查搜索结果和调用图,b)开发人员发现基本布局令人惊讶,而且经常令人困惑。我们的结论与嵌入式软件地图的设计具体的建议。
2010-07-25 cs.HC cs.SE
Exploratory Study on User's Dynamic Visual Acuity and Quality Perception of Impaired Images
在本文中,我们评估了头部运动对用户的视觉敏锐度和受损图像的质量感知的影响。一个人可以感知的视觉信息量存在物理限制,我们的身体以及我们的头部探索场景的速度也存在物理限制。在这些限制中存在多媒体系统通信的基本解决方案。因此,受试者被要求评估在电视屏幕上呈现的静态图像的感知质量,而他们的头部处于动态(移动)状态。该想法可能适用于虚拟现实应用,因此,我们还测量了每个受试者在盔装显示器上的图像质量感知。实验表明,当用户的头部不是静态的时,视觉敏锐度和质量感知显著降低,并且给出了关于在用户没有注意到任何损伤的情况下质量可以降低多少的指示。
2020-01-10 cs.HC cs.MM
A User-based Visual Analytics Workflow for Exploratory Model Analysis
Tufts University(塔夫茨大学);Georgia Tech(佐治亚理工学院);University of Wisconsin – Madison(威斯康星大学麦迪逊分校)
许多可视化分析系统允许用户与机器学习模型交互,以实现对给定数据集的数据探索和洞察生成的目标。然而,在某些情况下,见解可能不如为未来使用生成准确的预测模型重要。在这种情况下,用户更感兴趣的是生成多样化和鲁棒的预测模型,验证它们在holdout数据上的性能,并选择最适合其使用场景的模型。在本文中,我们考虑探索性模型分析(EMA)的概念,它被定义为发现和选择可用于对数据源进行预测的相关模型的过程。我们描述了EMA和著名的术语探索性数据分析之间的差异,在分析过程的预期结果方面:洞察数据或一组可部署的模型。这项工作的贡献是EMA的可视化分析系统工作流程,用户研究和验证工作流程有效性的两个用例。我们发现,我们的系统工作流程使用户能够生成复杂的模型,评估它们的各种质量,并为他们的任务选择最相关的模型。
2019-07-29 cs.HC cs.LG
Visual Exploratory Data Analysis of the Covid-19 Vaccination Progress in Nigeria
2020年爆发的新型冠状病毒疫情摧毁了包括尼日利亚在内的世界经济,甚至导致严重衰退。这个国家正在慢慢重建,疫苗正在帮助减少新冠肺炎的传播。自新冠疫苗进入尼日利亚以来,截至2022年5月31日,已有18,728,188人接种了疫苗。这大约是尼日利亚人口的10%,估计为2.067亿[1]。本文介绍了尼日利亚Covid-19疫苗接种进展的可视化探索性数据分析,使用R studio IDE中的R-tidyverse包进行数据清理和分析,并使用Tableau进行可视化。我们的数据集来自负责疫苗的尼日利亚国家初级卫生保健发展机构(NPHCDA)。本研究使用的数据包含2021年3月5日至2022年5月31日期间记录的Covid-19疫苗分发的各州细分。本文旨在展示这些数据分析工具和技术如何通过直观地呈现EDA的结果来帮助您在原始数据中找到见解,从而减少与表中数据相关的模糊性和可能的混淆。此外,我们的研究结果通过展示尼日利亚和各州的Covid-19疫苗接种趋势,为不断增长的Covid-19研究文献做出了贡献。
2022-08-20 cs.CY cs.HC
Exploratory Unstructured Data Analysis: A Formative Study and Implications for Human-AI Collaboration
TU Wien(维也纳工业大学);University of Applied Sciences St. Pölten (USTP)(圣珀尔滕应用科学大学)
本研究提出EluDA框架,通过形成性研究发现用户自下而上构建分面分类、CLIP分配不可靠但支持语义分组,进而明确人机协作的四大关键机遇。
2026-09-04 cs.HC
NoteEx: Interactive Visual Context Manipulation for LLM-Assisted Exploratory Data Analysis in Computational Notebooks
School of Computer Science\ of Waterloo Waterloo Ontario Canada;The Hong Kong University of Science;School of Computer Science\ of Waterloo
NoteEx通过JupyterLab中的语义可视化帮助分析师外化EDA心智模型并交互式选择LLM上下文,实验证明其能提升心智模型保持与LLM响应质量。
2025-11-10 cs.AI cs.HC
MEGAnno: Exploratory Labeling for NLP in Computational Notebooks
Megagon Labs(美加贡实验室)
我们提出了MEGAnno,一种为NLP研究人员和从业者设计的新型探索性注释框架。与现有的仅关注数据标签的标签工具不同,我们的框架旨在支持更广泛的迭代ML工作流程,包括数据探索和模型开发。使用MEGAnno的API,用户可以通过复杂的搜索和自动建议功能以编程方式探索数据,并随着项目的发展逐步更新任务模式。结合我们的小部件,用户可以交互式地对NLP项目的其余部分所在的同一个笔记本中的多个项目进行排序、过滤和标签分配。我们通过一个情感分析用例展示了MEGAnno灵活、探索性、高效和无缝的标签体验。
2023-01-08 cs.CL cs.HC
SCSimulator: An Exploratory Visual Analytics Framework for Partner Selection in Supply Chains through LLM-driven Multi-Agent Simulation
School of Information Science and Technology, ShanghaiTech University(上海科技大学信息科学与技术学院);Advanced Institute of Information Technology (AIIT), Peking University(北京大学先进信息技术研究院);School of Entrepreneurship and Management, ShanghaiTech University(上海科技大学创业与管理学院)
SCSimulator通过LLM驱动的多智能体模拟与人机协作,探索供应链伙伴选择的动态博弈,提供透明的决策解释和可交互的分析工具。
2026-01-21 cs.HC
Towards Evaluating Exploratory Model Building Process with AutoML Systems
自动机器学习(AutoML)系统的使用是高度开放和探索性的。虽然严格评估最终用户如何与AutoML交互至关重要,但为这种探索性系统建立一个强大的评估方法是具有挑战性的。首先,AutoML很复杂,包括多个子组件,这些子组件支持用于合成ML管道的各种子任务,例如数据准备,问题规范和模型生成,因此很难产生告诉我们哪些组件成功或失败的见解。其次,由于AutoML的使用模式是高度探索性的,因此不可能仅仅依赖于广泛使用的任务效率和有效性指标作为成功指标。为了解决评估中的挑战,我们提出了一种评估方法,该方法(1)指导AutoML构建者将其AutoML系统划分为多个子系统组件,(2)通过可视化最终用户的行为模式和态度数据帮助他们对每个组件进行推理。我们进行了一项研究,以了解何时,如何,为什么以及应用我们的方法可以帮助构建者更好地了解他们的系统和最终用户。我们招募了3个专业的AutoML构建者团队。这些小组准备了自己的系统,并让41个最终用户使用这些系统。使用我们的方法,我们可视化了最终用户的行为和态度数据,并将结果分发给团队。我们从两个方面分析了结果:AutoML构建者从最终用户那里学到了什么类型的新见解,以及(2)评估方法如何帮助构建者理解工作流程及其系统的有效性。我们的研究结果提出了新的见解,解释了AutoML领域未来的设计机会,以及如何使用我们的方法帮助构建者确定见解,并让他们绘制改进系统的…
2020-09-01 cs.HC
Exploring Interactive Color Palettes for Abstraction-Driven Exploratory Image Colorization
本文提出 Mondrian 试验平台,以交互式调色板支持抽象驱动的图像着色,并通过专家研究、用户比较和百人调查验证其对早期创意探索的促进作用。
2024-03-04 cs.HC
Can Coding Agents Solve Repository-Level Issues with Rendered Code? An Exploratory Study of Visual Representations
The Hong Kong University of Science and Technology(香港科技大学);ByteDance(字节跳动)
本研究探索将渲染代码作为编码智能体的操作上下文,基于 SWE-bench Verified 实验发现其可降低提示 token 成本但受模型架构限制,仅在原始代码读取为瓶颈时有用,是可行但有条件的压缩机制。
2026-08-11 cs.AI cs.HC
Hierarchical Knowledge Graphs: A Novel Information Representation for Exploratory Search Tasks
在探索性搜索任务中,除了信息检索,信息表征是意义建构的重要因素。在本文中,我们探讨了一个多层次的扩展知识图谱,层次知识图谱(HKG),结合层次和网络可视化到一个统一的数据表示作为工具,以支持探索性搜索。我们描述了我们的算法来构建这些可视化,分析交互日志,以定量地展示与网络的性能平价和层次结构的性能优势,并在测试数据集上综合来自交互日志,访谈和thinkalouds的数据,以展示统一层次结构+网络结构在我们的HKG中的实用性。除了上述研究,我们进行了一个额外的混合方法分析的精度和召回的性能的分层知识图谱的两个不同的探索性搜索任务的影响。虽然定量数据显示精确度和召回率对用户性能和用户努力的影响有限,但定性数据与事后统计分析相结合提供了证据,证明探索性搜索任务的类型(例如,学习与调查)可能受到精确度和召回率的影响。此外,我们的定性分析发现,用户无法感知提取信息的质量差异。我们讨论了我们的研究结果的影响,并分析了其他因素,更显着地影响探索性搜索性能在我们的实验任务。
2020-05-04 cs.HC cs.IR
"It just kind of shows that I went somewhere": An Exploratory Study of Fitness Data Visualization Sharing
University of British Columbia(不列颠哥伦比亚大学);Emory University(埃默里大学)
本研究通过对18名健身数据分享者的半结构化访谈,揭示健身数据分享的三个新特征,并提出相关设计启示,为健身社交平台的优化提供依据。
2026-08-19 cs.CY cs.HC
Evaluation of Visualization by Demonstration and Manual View Specification
我们提出了一个探索性的研究比较的可视化建设和数据探索过程中的人使用两个可视化工具,每个实现不同的交互模式。其中一个可视化工具实现了手动视图规范范式(Polestar),另一个实现了演示范式(VisExemplar)的可视化。我们的研究结果表明,在这些工具中实现的交互范例影响:1)用于构建可视化的方法,2)用户如何形成目标,3)考虑和创建多少可视化替代方案,以及4)在可视化构建过程中的控制感。
2018-05-07 cs.HC
Generative AI and Extended Reality in Collaborative Architectural Design Education: An Exploratory Studio Study
Worcester Polytechnic Institute(伍斯特理工学院);Western Connecticut State University(西康涅狄格州立大学)
本研究通过开发并部署GenARch流程,探索了生成式AI与扩展现实在协作式建筑设计教育中的应用,发现两者互补支持构思与空间评估,但存在控制、保真度等挑战。
2026-09-15 cs.AI cs.HC
Visual Exploratory Data Analysis of the Covid-19 Pandemic in Nigeria: Two Years after the Outbreak
本文使用 Excel、Python 与 Tableau 对 NCDC 2020—2022年尼日利亚新冠数据开展可视化 EDA,揭示两年疫情趋势并验证分析工具的决策支持价值。
2023-05-30 cs.CY cs.HC
Learning and Anticipating Future Actions During Exploratory Data Analysis
可视化分析的目标是通过利用人类和计算机的独特优势来创建人类和计算机之间的共生关系。虽然这种模式已经取得了巨大的成功,但我们还没有充分认识到这种人机合作伙伴关系的潜力。在一个完美的协作混合主动系统中,计算机必须具备学习和预测用户需求的技能。针对这一差距,我们提出了一个框架,从被动观察用户的行动推断重点领域,从而允许准确预测未来的事件。我们用犯罪地图评估了这种技术,并证明用户的点击在95% - 97%的时间里出现在我们的预测集中。进一步的分析表明,我们通常可以在三次点击后实现高预测精度。总之,我们表明,交互数据的被动观察可以揭示有价值的信息,使系统能够学习和预测未来的事件,为下一代工具奠定基础。
2018-09-25 cs.HC
Immersive Insights: A Hybrid Analytics System for Collaborative Exploratory Data Analysis
在过去的几年里,增强现实(AR)和虚拟现实(VR)技术在可访问性和硬件能力方面都有了很大的改进,鼓励这些设备在各个领域的应用。虽然研究人员已经证明了AR和VR在某些数据科学任务中的可能优势,但目前还不清楚这些技术在探索性数据分析(EDA)中的表现。特别是,我们认为更好地了解哪种沉浸式EDA将具体受益,并量化AR和VR对标准分析工作流程的贡献非常重要。在这项工作中,我们利用Dataspace可重构混合现实环境来研究数据科学家如何在协同定位的协作环境中执行EDA。具体来说,我们提出了沉浸式洞察力的设计和实现,这是一个混合分析系统,结合了高分辨率显示,表格投影和数据的增强现实(AR)可视化。我们与12位数据科学家进行了一项由两部分组成的用户研究,评估了不同程度的数据沉浸感如何影响EDA过程,并将Immersive Insights的性能与最先进的非沉浸式数据分析系统进行了比较。
2019-10-27 cs.HC
An Exploratory Study on How AI Awareness Impacts Human-AI Design Collaboration
本研究针对人机设计协作中AI沟通机制的研究空白,通过Wizard-of-Oz实验探索AI感知对人机协作的影响,证实其可提升沟通流畅度与协作效率,并给出未来系统设计启示。
2025-02-24 cs.HC
HiRegEx: Interactive Visual Query and Exploration of Multivariate Hierarchical Data
针对多变量层次化数据查询难的问题,提出声明式语法HiRegEx,基于e-MLTT框架设计查询目标与维度,开发集成该语法的TreeQueryER系统,验证了其表达能力与实用价值。
2024-08-13 cs.GR cs.HC
A Visual Interaction Framework for Dimensionality Reduction Based Data Exploration
IBM Research(IBM研究院)
高维性约简是高维数据分析和可视化的常用方法。然而,动态地推理降维的结果是困难的。降维算法使用复杂的优化来减少数据集的维度数量,但这些新维度通常与初始数据维度缺乏明确的关系,因此难以解释。在这里,我们提出了一个可视化的交互框架,以提高降维为基础的探索性数据分析。我们介绍了两种互动技术,向前投影和向后投影,动态推理降维数据。我们还提供了两个可视化技术,脯氨酸和可行性地图,以促进有效地使用拟议的相互作用。我们将我们的框架应用于PCA和基于自动编码器的降维。通过数据探索的例子,我们展示了我们的视觉交互如何可以提高在探索性数据分析的降维的使用。
2018-11-28 cs.AI cs.HC cs.LG
Confides: A Visual Analytics Solution for Automated Speech Recognition Analysis and Exploration
本文提出ConFides可视化分析系统,通过可视化呈现置信度辅助ASR转录后编辑,帮助情报分析师减少关键信息误解,并探讨人机协作中数据清理与模型透明度的改进机会。
2024-07-24 cs.HC
Clustrophile 2: Guided Visual Clustering Analysis
IBM Research(IBM研究院);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Fitnescity Labs(Fitnescity实验室)
数据聚类是一种常用的无监督学习方法,常用于探索性数据分析。然而,在未标记的高维数据中识别相关结构是不平凡的,需要使用聚类参数以及数据特征和实例进行迭代实验。典型数据集可能的聚类数量是巨大的,在这个巨大的空间中导航也是一个挑战。由于缺乏真实标签,因此无法定义最佳解决方案,因此需要用户判断来确定可被视为满意的聚类结果。数据科学家需要足够的交互式工具来有效地探索和导航大型聚类空间,以提高探索性聚类分析的有效性。我们介绍了\textit{Clustrophile~2},一个新的互动工具,指导聚类分析。\textit{Clustrophile~2}在基于聚类的探索性分析中指导用户,调整用户反馈以改进用户指导,促进聚类的解释,并帮助快速推理聚类之间的差异。为此,\textit{Clustrophile~2}贡献了一个新的功能,聚类之旅,以帮助用户选择聚类参数,并评估不同的聚类结果的质量与当前的分析目标和用户的期望。我们通过与12位数据科学家的用户研究来评估\textit{Clustrophile~2},他们使用我们的工具来探索和解释帕金森病患者数据集中的子队列。结果表明,\textit{Clustrophile~2}提高了专家和非专家的探索性聚类分析的速度和有效性。
2018-09-08 cs.AI cs.DB cs.HC
Visual Model Validation via Inline Replication
数据可视化通常显示现有数据集的回顾性视图,很少或根本不关注可重复性。然而,这些工具的消费者经常使用从回顾性可视化中收集的见解作为对未来事件的决策基础。通过这种方式,可视化通常用作视觉预测模型,尽管它们通常被设计为呈现数据的历史视图。然而,这种“视觉预测模型”方法可能导致无效的推断。在本文中,我们描述了一种称为内联复制(IR)的视觉模型验证方法,类似于机器学习中广泛使用的交叉验证技术,为视觉模型评估和可重复性提供了一种非参数和广泛适用的技术。本文描述了整个IR过程,并概述了如何将其集成到传统和新兴的“大数据”可视化管道中。提供的例子显示IR集成在常见的可视化技术(如条形图和线性回归线),以及一个功能更全的可视化系统,设计用于复杂的探索性分析任务。
2016-05-27 cs.HC
GRAFS: Graphical Faceted Search System to Support Conceptual Understanding in Exploratory Search
当人们在大型文档集合中搜索有关新主题的信息时,他们会隐含地构建一个不熟悉信息空间的心理模型,以表示他们目前所知道的信息,并引导他们探索未知。建立这种心理模型可能具有挑战性,因为它不仅需要找到相关的文档,而且还需要综合重要的概念以及在文档内和跨文档连接这些概念的关系。本文描述了一种新的交互式方法,旨在帮助用户在探索性搜索过程中构建一个不熟悉的信息空间的心理模型。我们提出了一个新的语义搜索系统,组织和可视化的重要概念和它们的关系,一组搜索结果。进行了一项用户研究($n=20$),以比较所提出的方法与探索性文献检索任务的基线分面检索系统。实验结果表明,该方法是更有效地帮助用户认识到关键概念之间的关系,导致一个更复杂的理解的搜索主题,同时保持类似的功能和可用性方面的搜索系统。
2023-02-19 cs.HC cs.IR
ProvThreads: Analytic Provenance Visualization and Segmentation
我们的工作旨在生成可视化,使元分析的分析出处,并帮助更好地理解分析师的策略,在探索性的文本分析。我们介绍ProvThreads,一种可视化分析方法,它结合了交互式主题建模结果,以说明用户交互和正在调查的数据主题之间的关系。ProvThreads使用一系列称为主题线索的连续分析路径来展示主题覆盖率和调查随时间的进展。当分析师在分析过程中与不同的数据进行交互时,交互会被记录下来,并用于跟踪用户在一段时间内对主题的兴趣。折线图显示了在分析期间对多个主题的不同兴趣量。我们讨论了如何不同的配置ProvThreads可以用来揭示整个分析的重点变化。
2018-01-16 cs.HC
Challenges and opportunities in visual interpretation of Big Data
我们生活在一个数据生成无处不在的世界。在过去的几十年里,计算机硬件的创新加上它们之间日益可靠的连接,助长了这一现象。我们不断地在不同形状因子的数字设备上创建和使用数据。利用大量数据涉及对数据进行解释。然而,解释数据仍然是一项艰巨的任务。我们需要数据分析师来帮助我们做出决策。这些专家运用他们的领域知识、对问题空间的理解和数值分析,从数据中得出推论,以支持决策。现有的干扰工具和技术为用户提供了硬约束决策服务。消费者系统通常是为了支持探索性的数据分析而构建的,而不是为了进行合理的分析。
2018-03-01 cs.HC
Designing Hierarchical Exploratory Experiences for Ethnic Costumes: A Cultural Gene-Based Perspective
School of Journalism and Communication, Sun Yat-sen University(中山大学新闻与传播学院)
本文提出三层文化基因框架以系统解码民族服饰的文化内涵,并据此设计融合“基因优先”探索路径与AI共创体验的交互平台,经用户研究验证其能有效提升文化认知、情感联结与文化认同感。
2025-11-07 cs.HC