Too Many Cooks: Exploring How Graphical Perception Studies Influence Visualization Recommendations in Draco
本文提出利用30篇图形感知研究结果构建Draco推荐算法，通过探索性分析验证其可行性，识别文献空白、聚类论文偏好并解释研究影响力差异，促进两领域协同发展。
2023-08-28 cs.HC
Data is Personal: Attitudes and Perceptions of Data Visualization in Rural Pennsylvania
许多指导设计师如何创建数据可视化的指导方针起源于无意中排除最有可能成为“数据穷人”的人群的研究。在本文中，我们探讨了哪些因素可能会引起对具有不同经济和教育背景的农村人口的关注和信任-这一部分在数据可视化文献中基本上没有得到充分的代表。在美国宾夕法尼亚州农村的42个半结构化访谈中，我们发现一组复杂的因素相互混合，以告知对数据可视化的态度和看法-包括教育背景，政治派别和个人经历。这项研究的数据和材料可以在https://osf.io/uxwts/上找到。
2019-01-07 cs.HC
The Risks of Ranking: Revisiting Graphical Perception to Model Individual Differences in Visualization Performance
图形感知研究通常使用“平均观察者”的误差来测量可视化编码的有效性，从而导致数字属性的编码的规范排名：例如，位置>面积>角度>体积。然而，不同的人可能在他们阅读不同的可视化类型的能力上有所不同，从而导致使用“平均观察者”模型的群体级度量未捕获的个体之间的这种排名的差异。我们可以弥合这一差距的一种方法是将经典的视觉感知任务作为评估个人表现的工具，以及整体视觉表现。在本文中，我们复制和扩展克利夫兰和麦吉尔的图形比较实验，使用贝叶斯多层次回归，使用这些模型，从多个角度探讨个体差异的可视化技能。实验和建模的结果表明，有些人表现出的准确性模式，明显偏离了可视化效果的规范排名。我们讨论了这些发现的影响，如需要新的方式来沟通可视化的有效性设计师，如何在个人的反应模式可能会显示系统的偏见和策略，在可视化判断，以及如何重铸经典的视觉感知任务作为评估个人表现的工具可能提供新的方法来量化方面的可视化素养。实验数据、源代码和分析脚本可在以下存储库中获得：https://osf.io/8ub7t/? view\_only=9be4798797404a4397be3c6fc2a68cc0.
2022-12-21 cs.HC
A Survey of Perception-Based Visualization Studies by Task
人类感知的知识早已被纳入可视化，以提高其质量和有效性。特别是在过去的十年中，基于感知的可视化研究有所增加。随着所有这些最新的进展，可视化社区缺乏一个全面的指导，以上下文他们的结果。在这份报告中，我们提供了一个系统的和全面的审查有关视觉感知的研究。本文回顾了自1980年以来以感知为中心的可视化研究，并总结了他们的研究进展，重点是低层次的任务，进一步细分技术的视觉编码和可视化类型。特别是，我们专注于感知如何被用来评估可视化的有效性，以帮助读者理解和应用他们的可视化设计通过任务优化的方法感知的原则。最后，我们总结了该领域的弱点和开放的研究问题。
2021-07-15 cs.GR cs.HC
Perception! Immersion! Empowerment! Superpowers as Inspiration for Visualization
我们探讨了虚构的超级大国的镜头如何帮助描述可视化如何赋予人们权力，并为新的可视化系统提供灵感。研究人员和实践者经常吹捧可视化的能力，“使不可见的可见”和“增强认知能力”。与此同时，超级英雄漫画和其他现代小说经常描绘具有类似奇妙能力的人物，这些能力使他们能够以超越传统人类感知的方式看待和解释世界。我们调查这些领域的交叉点，并展示如何超级大国的语言可以用来描述现有的可视化系统，并建议新的和授权的机会。我们介绍两个框架：第一部分描述了七种潜在的机制，这些机制构成了小说中描绘的各种视觉超能力的基础。第二部分确定了可视化工具和界面可以向使用它们的人灌输赋权感的七种方式。在这些观察的基础上，我们说明了一组不同的“可视化超级大国”，并强调了可视化社区创建新系统和交互的机会，这些系统和交互可以为数据提供新的体验。
2021-08-07 cs.HC
Characterizing Visualization Perception with Psychological Phenomena: Uncovering the Role of Subitizing in Data Visualization
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；University of Oklahoma（俄克拉荷马大学）
本文通过心理学理论研究子itizing现象在数据可视化中的作用，揭示类别数量对可视化任务表现的影响。
2025-08-24 cs.HC
Attention-Aware Visualization: Tracking and Responding to User Perception Over Time
本研究提出注意力感知可视化（AAVs）概念，设计含注意力测量、追踪、响应三模块的技术框架，实现2D网页端与3D两种方案，并通过定性评估验证了注意力捕捉与再可视化的反馈机制有效性。
2024-08-08 cs.HC
Understanding the Impact of Referent Design on Scale Perception in Immersive Data Visualization
本文通过受控用户研究评估了沉浸式可视化中参照物布局和尺寸对尺度感知的影响，发现in-situ布局显著提升准确性与置信度，中等尺寸参照物在效率任务中表现最佳，并据此提出了设计指南。
2024-03-24 cs.HC
Let's Gamble: How a Poor Visualization Can Elicit Risky Behavior
数据可视化是评估和传达风险的标准工具。然而，并不总是清楚哪些设计是最佳的，或者编码选择如何影响风险感知和决策。在本文中，我们报告了一个大规模的赌博游戏，沉浸在一个环境中，他们的行为影响他们的奖金的参与者的调查结果。参与者根据五种常见的可视化设计选择进入彩票或获得保证的货币收益。通过测量风险感知和观察决策，我们发现图标阵列往往会引发经济上合理的行为。我们还发现，当呈现面积成比例的三角形和圆形设计时，人们更容易赌博。使用我们的研究结果，我们模型的风险感知，并讨论我们的研究结果如何可以提高可视化选择。
2020-10-25 cs.HC
AnnoBench: A Benchmark for Visualization Annotation Generation
University of Utah（犹他大学）
介绍AnnoBench可视化标注基准测试，它将可视化与标注任务配对，通过VLM评判执行，经多因素实验评估对标注质量的影响，为推进标注自动化等提供基础。
2026-07-29 cs.AI cs.HC
Paint by Odor: An Exploration of Odor Visualization through Large Language Model and Generative AI
Academy of Arts and Design, Tsinghua Unviersity（清华大学美术学院）；The Future Laboratory, Tsinghua University（清华大学未来实验室）；School of Digital Media and Design Arts, Beijing University of Posts and Telecommunications（北京邮电大学数字媒体与设计艺术学院）；School of Architecture, Tsinghua University（清华大学建筑学院）
本文提出通过大语言模型和生成式人工智能实现自动气味可视化的方法，探索了气味感知与生成工具的结合，揭示了语言描述和抽象风格对气味图像生成的影响。
2026-02-04 cs.HC
Exploring MLLMs Perception of Network Visualization Principles
Technical University of Munich（慕尼黑工业大学）
研究测试多模态大语言模型是否能在网络布局属性感知任务中匹配人类表现，发现MLLMs在同等条件下表现优于非专家，且提示工程可提升性能，表明其可能依赖视觉代理而非计算实际值。
2026-04-09 cs.HC
Heads Up!: Towards In Situ Photogrammetry Annotations and Augmented Reality Visualizations for Guided Backcountry Skiing
University of Oldenburg（奥尔登堡大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
本文提出了一种基于现场光束测量标注和增强现实可视化的系统，用于指导野外滑雪的安全沟通与互动设计研究。
2026-02-25 cs.HC
Perception-aware Sampling for Scatterplot Visualizations
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Adobe Research（Adobe 研究部门）；Georgia Institute of Technology（佐治亚理工学院）
针对散点图可视化，提出感知感知采样方法PAwS，利用显著性图建模人类视觉感知，通过密度、覆盖和显著性目标生成代表性样本，并设计快速近似方法ApproPAwS，实验表明在感知相似性上优于现有方法，速度提升达100倍。
2026-07-03 cs.DB cs.HC
A Qualitative Analysis of Common Practices in Annotations: A Taxonomy and Design Space
University of Utah（犹他大学）；University of Oklahoma（俄克拉荷马大学）；University of South Florida（南佛罗里达大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文通过分析1800多个静态注释图表，探讨了注释在可视化中的使用模式，包括分析目的、注释机制及数据来源，并构建了注释设计空间，通过三个案例研究展示其在提升可视化沟通中的应用。
2024-07-28 cs.HC
Marks, Channels, and Dead Ends: Stop Running Graphical Perception Studies and Start Modeling Visualizations as Images
Electronic Visualization Lab（电子可视化实验室）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文指出图形感知研究的缺陷，提出将可视化建模为图像、用人类视觉计算模型评估的新范式，复现散点图可辨别性预测结果并规划相关研究议程。
2026-08-11 cs.GR cs.HC
VisQuiz: Exploring Feedback Mechanisms to Improve Graphical Perception
针对现有图形感知研究缺乏深度反馈效果研究的问题，研究者设计了含试次反馈与阶段总结反馈的VisQuiz机制，实验证明其可显著提升气泡图任务表现且效果有延续性，为可视化素养提升提供参考。
2023-10-02 cs.HC
Grid Labeling: Crowdsourcing Task-Specific Importance from Visualizations
本文提出Grid Labeling标注方法，通过自适应网格动态分割可视化以高效收集任务特定重要性数据，实验表明其相比ImportAnnots和BubbleView噪声更低、一致性更高且负担更小。
2025-04-28 cs.HC
Visual Decoding Operators: Towards a Compositional Theory of Visualization Perception
Northwestern University（西北大学）；University of Chicago（芝加哥大学）；Columbia University（哥伦比亚大学）；Tufts University（塔夫茨大学）
本文提出用可组合的视觉解码运算符分析可视化解释，通过概率密度函数和累积分布函数图表，研究任务分解及误差特征，验证了运算符在不同任务中的泛化能力。
2026-07-03 cs.HC
Comparing the Emotional Impact of Thematic Versus Episodic Framing in Visualization Text
Munster Technological University（芒斯特科技大学）
通过在线实验（N=800）研究事件框架与主题框架对数据可视化情感反应的影响，发现事件框架引发更强烈的负面情绪，并通过情绪间接影响政策态度。
2026-07-02 cs.HC
Can VLMs Assess Similarity Between Graph Visualizations?
针对图可视化视觉相似性与已建立的图相似性度量关系不明确的问题，本文探索VLMs逼近人类图相似性感知的潜力，通过生成不同图数据集并对比VLM得分与特征度量，发现VLMs评估方式与特征度量相似，未来将开展人类感知实验扩展研究。
2025-04-14 cs.HC
From Perception to Decision: Assessing the Role of Chart Types Affordances in High-Level Decision Tasks
本文通过学术导师选择实验发现，条形图与饼图的感知可供性差异几乎不影响高层决策结果，表明需在现实情境中区分感知可供性与决策可供性。
2025-05-08 cs.HC
Perception of Line Attributes for Visualization
本研究通过三项实验探究线条属性的感知特性，确定了编码不确定性的常用线条属性，评估其可区分性并给出感知等级建议，发现宽度的可区分等级远多于其他属性，为标量数据的线条可视化提供设计指南。
2023-11-08 cs.HC
Graphical Perception of Icon Arrays versus Bar Charts for Value Comparisons in Health Risk Communication
本文通过系列实验研究条形图与图标阵列及其布局对健康风险沟通中数值比较感知和决策的影响，发现图标阵列结合显式编码与并置可优化差异估计与决策偏差，并强调需针对不同受众定制可视化方法。
2025-09-19 cs.HC
AVA: Towards Autonomous Visualization Agents through Visual Perception-Driven Decision-Making
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；SCI Institute, University of Utah（犹他大学SCI研究所）
本文提出首个自主可视化智能体框架 AVA，利用多模态 LLM 的视觉感知解释既有可视化输出并迭代选择参数，以自然语言完成高层级可视化目标。
2023-12-07 cs.AI cs.CV cs.GR
Integrating Annotations into the Design Process for Sonifications and Physicalizations
本文通过13位设计师的探索性研究，探讨如何将可视化注释技术适配到声音化和实体化设计中，揭示注释与数据编码的不可分割性。
2024-08-08 cs.HC
Your Model Is Unfair, Are You Even Aware? Inverse Relationship Between Comprehension and Trust in Explainability Visualizations of Biased ML Models
Georgia Institute of Technology（佐治亚理工学院）
本研究针对有偏ML模型可解释性可视化，构建设计特征分类体系，通过用户研究发现理解度与信任度呈反向关系且由偏见感知介导，证实可视化设计可调控相关认知，为负责任ML应用提供参考。
2025-07-31 cs.AI cs.HC
Science in a Blink: Supporting Ensemble Perception in Scalar Fields
本研究探讨人们从伪彩色标量场中估计均值与方差的ensemble感知能力，通过众包实验发现多色调和发散colormap效果更优，且人们依赖离散颜色段而非整体亮度判断，为科学可视化设计提供依据。
2024-06-20 cs.HC
Graphical Perception in Animated Bar Charts
交互式视觉应用程序创建动画，对数据中的变化进行编码。例如，交叉过滤基于用户的连续刷牙动作动态地更新链接的可视化。从这些交互产生的动画效果取决于交互（例如，刷动速度）控制动画的属性，例如帧速率，以及正被探索的数据如何指示在动画中编码的数据。过去的工作已经发现，帧速率的事项，一般的看法，但一个关键的问题是这些动画和数据属性影响的感知准确性的判断任务，并在何种程度上。虽然图形感知已经在静态数据可视化方面得到了很好的研究，但在动画环境中进行探索已经成熟。我们设计了两个动画判断任务的目标酒吧在一个动画条形图和经验评估效果的2个动画属性-突出显示的目标酒吧和帧速率-以及3个数据属性，影响目标酒吧的价值在整个动画。简而言之，我们发现，动画变化的速率和时间在较大的值中更容易检测;颜色等编码比形状更容易检测;并且时间很重要-与动画中的后期变化相比，早期变化更难感知。我们的研究结果是理解动画数据可视化的感知准确性的第一步，无论是演示还是最终作为交互式应用程序的一部分。
2016-03-31 cs.HC
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
UrbanGazeVis: A Visualization System for Analyzing Eye-Tracking Data on Urban Safety Perception
Fundação Getulio Vargas（热图利奥·瓦加斯基金会）
本研究开发UrbanGazeVis可视化系统，通过30名参与者使用HoloLens 2分析150张里约街景的眼动数据，揭示注视与城市安全感知的关联，为城市设计提供见解。
2026-08-28 cs.HC
Image or Information? Examining the Nature and Impact of Visualization Perceptual Classification
本研究通过线上评分与线下自由回忆实验，探究可视化设计元素对其被感知为图像或信息的影响，及两类感知在记忆效果、情绪与设计评价上的差异，为可视化设计提供参考。
2023-07-21 cs.HC
An Analysis of Text Functions in Information Visualization
本文提出了一个理解信息可视化中文本功能的框架，通过分析120个真实可视化和804个文本元素，识别出十种文本功能和四种基于文本的总体设计策略，揭示了文本在可视化中的灵活性和多样性。
2025-07-16 cs.HC
NewsComp: Facilitating Diverse News Reading through Comparative Annotation
为了支持高效、平衡的新闻消费，将来自不同来源的文章合并为一，可能通过众包，可以减轻一些障碍。然而，合并过程也可能影响注释者对内容的态度。为了验证这一理论，我们提出了比较新闻注释，即，注释一对文章之间的相似性和差异。通过开发和部署NewsComp --一个原型系统--我们进行了一个受试者之间的实验（N=109），以研究用户的注释与专家的注释相比，以及比较注释如何影响用户对文章可信度和质量的看法。我们发现，在某些情况下，比较注释可以轻微影响用户的可信度感知。虽然用户的注释与专家的注释并不相同，但他们在寻找相似之处方面比在识别不同的重要陈述方面表现出更高的精度。比较过程导致用户注意到信息放置/深度，真实性/意见程度和移情/煽动性语言使用的差异。我们讨论了未来的比较注释任务的设计的影响。
2023-02-08 cs.HC
Don't Peek at My Chart: Privacy-preserving Visualization for Mobile Devices
针对移动设备可视化易被旁人偷看导致隐私泄露的问题，提出一种基于人类视觉感知的掩蔽方案，通过调整空间频率和亮度对比度，使图表近距离可读而远距离不可见，有效保护隐私。
2023-05-21 cs.CR cs.HC
Automatic Scatterplot Design Optimization for Clustering Identification
散点图是最广泛使用的可视化技术之一。引人注目的散点图可视化通过利用视觉感知来提高执行特定视觉分析任务时的意识，从而提高对数据的理解。散点图中的设计选择，如图形编码或数据方面，可以直接影响底层任务（如聚类）的决策质量。因此，构建既考虑视觉编码的感知又考虑正在执行的任务的框架能够优化可视化以最大化功效。在本文中，我们提出了一个自动工具来优化散点图的设计因素，以揭示最显着的集群结构。我们的方法利用合并树数据结构来识别聚类，并优化用于生成散点图图像的子采样算法、采样率、标记大小和标记不透明度的选择。我们验证了我们的方法与用户和案例研究，表明它有效地提供了高质量的散点图设计从一个大的参数空间。
2022-07-07 cs.HC
Vision6D: 3D-to-2D Interactive Visualization and Annotation Tool for 6D Pose Estimation
IEEE Publication Technology Group（IEEE出版技术组）
Vision6D是一个交互式3D到2D可视化标注工具，利用视觉线索和相机内参矩阵在未知变换矩阵下实现准确6D姿态标注，经Linemod和HANDAL数据集及用户研究验证，旨在弥合2D与3D场景差距。
2025-04-21 cs.CV cs.GR cs.HC
Color-Name Aware Optimization to Enhance the Perception of Transparent Overlapped Charts
提出颜色名称感知（CNA）优化框架，通过最大化复合颜色与类标签关联自动生成最优颜色编码与透明度设置，显著提升透明重叠图表的感知可辨性并优于现有颜色混合模型。
2024-12-19 cs.GR cs.HC
Evaluating Interactive 2D Visualization as a Sample Selection Strategy for Biomedical Time-Series Data Annotation
Signal Processing Research Centre, Tampere University（塔尔皮莱大学信号处理研究中心）；BABA Center, Department of Physiology, University of Helsinki（赫尔辛基大学生理学系BABA中心）
针对生物医学时间序列标注困难，比较随机采样、最远优先遍历和基于交互式2D可视化（2DV）的三种样本选择方法，在婴儿运动评估和语音情感识别任务中，2DV在聚合标签时表现最佳，但个体标注者间标签分布差异大，随机采样最安全。
2026-06-17 cs.AI cs.HC cs.LG
Impact of Target and Tool Visualization on Depth Perception and Usability in Optical See-Through AR
Stanford University（斯坦福大学）；SJTU（上海交通大学）；SEU（东南大学）；HUST（华中科技大学）
本研究评估光学透视AR中目标透明度与工具可视化对深度感知和可用性的影响，发现不透明目标与真实工具遮挡能显著提升精度，建议优先跟踪与遮挡处理。
2025-08-25 cs.CV cs.GR cs.HC
AnnoGram: An Annotative Grammar of Graphics Extension
本文提出AnnoGram，将注释提升为图形语法中的头等设计元素，并通过Vega-Lite Annotation原型验证其能增强表达能力、减少创作工作量并支持可移植的语义集成注释工作流。
2025-07-06 cs.GR cs.HC
Enhancing Media Literacy: The Effectiveness of (Human) Annotations and Bias Visualizations on Bias Detection
本研究通过两项实验考察人工与AI偏见标签对新闻消费者偏见检测能力的训练效果，发现人工标签效果更强，且标注偏见短语的训练方式最可靠，为媒介素养教育和新闻平台设计提供了理论与实证依据。
2024-12-30 cs.HC
Seeing Through the Forecast Clutter: Communicating Climate Forecast Distributions with Weighted Multiple Forecast Visualizations
University of California, San Diego（加利福尼亚大学圣迭戈分校）；Northeastern University（东北大学）；University of Toronto（多伦多大学）
该研究针对气候预测可视化的偏差问题，通过两项实验验证，采用线宽或透明度加权的下采样多预测可视化（MFV），可提升读者对预测分布的认知，减少正态分布误判。
2026-08-04 cs.HC
The Social Construction of Visualizations: Practitioner Challenges and Experiences of Visualizing Race and Gender Demographic Data
本文针对可视化从业者如何理解自身信念、价值观和偏见对设计过程的影响及面临的挑战展开研究，通过17次半结构化访谈提出了该领域研究与实践的启示。
2025-02-14 cs.HC
Evaluating the Effect of Enhanced Text-Visualization Integration on Combating Misinformation in Data Story
错误的信息对我们的生活有破坏性的影响。许多研究人员已经研究了识别和打击文本或数据可视化中错误信息的方法。然而，仍然缺乏对文本和可视化相结合来讲述数据故事时如何引入错误信息的理解，更不用说如何提高公众对叙事可视化中可能存在的事实误解的认识。在本文中，我们首先通过文献调查分析错误信息可能会被注入到数据故事的生产-消费过程中。然后，作为打击数据故事中的错误信息的第一步，我们探索了可能的防御性设计方法，以提高读者对数据事实脚本化和可视化时信息错位的认识。更具体地说，我们进行了一项受试者之间的众包研究，以调查两种设计方法增强文本可视化集成的影响，即，解释性注释和交互式链接，提高用户对数据报道中错误信息的认识。研究结果表明，虽然大多数被试仍然不能发现错误信息，但这两种设计方法都能显著降低被试对文本或可视化的感知可信度。我们的工作告知通过防御性设计方法对抗信息流行病的可能性。
2022-05-24 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
The Impact of Uncertainty Visualization on Trust in Thematic Maps
Arizona State University（亚利桑那州立大学）；University of Waterloo（滑铁卢大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本研究通过实验发现，不确定性可视化在不同层次下会降低主题地图的信任度，但低不确定性地图对信任的影响不显著，且对制图者诚信感影响较弱。
2026-01-30 cs.HC
Enhanced Real-Time 6-DOF Extended Reality Catheter Tracking for Evaluating Potential Improvement in Efficiency, Precision, and Depth Perception for Cardiac Interventions
本研究开发基于XR的实时6-DOF导管跟踪平台，经20名医学生测试，其可使心脏介入操作速度提升超5倍、导管移动距离减约5倍，还能提高精度、降低变异性，优化操作体验。
2026-08-11 cs.AI cs.HC cs.RO
How unitizing affects annotation of cohesion
本文研究了单位化对外部观察者群体凝聚力的影响。我们比较了属于这些类别的单位化技术：间隔编码，连续编码，和一种受事件感知认知理论启发的技术。我们应用这些技术从一组记录的社会互动中抽取编码单元，这些记录丰富了与凝聚力相关的行为。然后，我们比较了观察者分配给每个编码单元的内聚分数。结果表明，这三种技术可以导致合适的评级和技术的启发，认知理论导致分数反映变化的衔接比其他的。
2022-09-28 cs.HC
More Human or More AI? Visualizing Human-AI Collaboration Disclosures in Journalistic News Production
Centrum Wiskunde & Informatica Amsterdam（阿姆斯特丹数学与信息学研究中心）；Centrum Wiskunde & Informatica（阿姆斯特丹数学与信息学研究中心）；TU Delft（代尔夫特理工大学）；Utrecht University（乌得勒支大学）
通过协同设计会话和实验室研究，探讨不同可视化披露方式（文本、基于角色的时间线、基于任务的时间线、聊天机器人）及协作比例如何影响用户对新闻中人机协作的感知。
2026-01-16 cs.AI cs.CY cs.HC
Muted: Multilingual Targeted Offensive Speech Identification and Visualization
IBM Research AI（IBM研究院人工智能部门）
针对网络多语言攻击性言论识别需求，提出Muted系统，可直接利用预训练HAP分类模型及注意力机制识别毒性片段与目标，结合spaCy定位具体对象，支持多语言可视化展示。
2023-12-18 cs.AI cs.CL cs.HC
Understanding Why ChatGPT Outperforms Humans in Visualization Design Advice
Boston College（波士顿学院）
本文通过系统比较ChatGPT与人类在数据可视化知识任务中的回答，发现ChatGPT-4兼具人类与ChatGPT-3.5特征，其覆盖广度与技术导向反馈使其回答更受青睐，并据此提出利用LLM与人类感知推进用户体验的启示。
2025-08-03 cs.AI cs.HC
User Perception of Attention Visualizations: Effects on Interpretability Across Evidence-Based Medical Documents
CENIA – Centro Nacional de Inteligencia Artificial（CENIA – 国家人工智能中心）；Pontificia Universidad Católica de Chile（天主教大学）；University of Pittsburgh（匹兹堡大学）；KU Leuven（根特大学）
该研究通过医学专家评估注意力可视化在生物医学文档分类中的作用，发现尽管Transformer模型（XLNet）分类准确，但注意力权重的解释有用性受可视化方式影响，用户更偏好直观的格式。
2025-08-05 cs.AI cs.CL cs.HC
Accelerated Video Annotation driven by Deep Detector and Tracker
Institute for Flight Mechanics and Controls, University of Stuttgart（斯图加特大学飞行力学与控制研究所）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出一种结合深度学习检测器SSD和跟踪器RE³的视频标注方法，以减少标注漂移和人工监督，并在无人机视频帧上验证其有效性。
2023-02-19 cs.CV cs.HC
