Measuring Effects of Spatial Visualization and Domain on Visualization Task Performance: A Comparative Study
了解您的受众是创建高影响力可视化设计的基础。然而，个体差异和认知能力也会影响与信息可视化的交互。不同的用户需求和能力表明，一个人的背景可能会影响认知性能和互动的视觉系统的方式。本研究建立在当前特定领域的可视化和认知研究的基础上，以解决领域和空间可视化能力是否会影响信息可视化任务的表现。我们测量了那些受过高等教育的人和商业，法律和政治科学，数学和计算机科学专业人士之间的空间可视化和视觉任务表现。我们进行了一项在线研究，90名参与者使用一个既定的心理测试，以评估空间可视化能力，并沿笛卡尔和极坐标旋转的条形图布局，以评估性能的空间旋转数据。准确性和响应时间随图表类型和任务难度的不同而变化。研究发现，空间视觉化水平与准确度和时间相关，数学和计算机科学的教育程度可以指示较高的空间视觉化水平。此外，我们发现不同的动机会影响绩效，因为更高的动机可能有助于提高准确性水平。我们的研究结果表明，纪律不仅影响用户需求和与数据可视化的交互，而且还影响认知特征。我们的研究结果可以推进可视化设计中的包容性实践，并增加特定领域视觉研究的知识，使跨学科的设计师能够创建有效的可视化。
2022-09-11 cs.HC
Challenges and Opportunities of Teaching Data Visualization Together with Data Science
随着全球数据量的增加，分析和可视化数据正在成为各个行业的基本技能。重要的是让大学生具备这些基本的数据技能。为了学习，设计和开发数据可视化，学生需要编程和数据科学主题的知识。许多大学课程缺乏针对本科生的专门数据科学课程，因此通过综合课程引入这些概念非常重要。然而，由于时间限制和繁重的学习负担，将数据科学和数据可视化结合到一门课程中可能具有挑战性。在本文中，我们讨论了教学数据科学和数据可视化的发展在一门课程，并分享了课后评估调查的结果。从调查结果中，我们确定了四个挑战，包括学习多种工具和不同数据科学主题的困难，工具和库的熟练程度不同，以及选择和清理数据集。我们还总结了开发成功的数据科学和可视化课程的五个机会。这些机会包括澄清课程结构，在课程早期强调可视化素养，根据学生需求更新课程内容，使用大型真实世界数据集，向行业专业人士学习，以及促进学生之间的合作。
2024-09-09 cs.HC
Generic Approach to Visualization of Time Series Data
本文针对时间序列数据，提出一种通用的可视化方法，通过分析真实数据集中目标特征与其他特征的关系，助力识别趋势并提升机器学习建模效果。
2024-04-24 cs.HC
Evaluating LLMs for Visualization Generation and Understanding
Indian Institute of Technology（印度理工学院）
该研究评估了主流大语言模型在可视化代码生成与可视化内容理解上的能力，发现其可完成简单任务但在复杂可视化及细节问题上存在局限，相关结论可为改进LLM与信息可视化系统提供参考。
2025-06-16 cs.AI cs.HC
DRIVE-T: A Methodology for Discriminative and Representative Data Viz Item Selection for Literacy Construct and Assessment
针对数据可视化素养测量构念难度层级界定不足的问题，提出包含标注、评分、多面Rasch分析三步的DRIVE-T方法，可生成区分性与代表性的题目层级，并通过试点研究验证了方法有效性。
2025-09-05 cs.CV cs.HC
Predicting respondent difficulty in web surveys: A machine-learning approach based on mouse movement features
Humboldt-Universität zu Berlin（柏林洪堡大学）；University of Mannheim（曼海姆大学）；University of Koblenz-Landau（科布伦茨-兰道大学）；University of Maryland（马里兰大学）；Institute for Employment Research（就业研究所）
调查研究的一个核心目标是从受访者那里收集可靠的数据。然而，尽管研究人员在设计问卷时尽了最大努力，受访者可能难以理解问题的意图，因此可能难以做出适当的回应。如果有可能检测到这种困难，这种知识可以通过响应式问卷设计用于通知实时干预措施，或在事后指出和纠正测量错误。以前的研究在网络调查的背景下使用paradigm，特别是响应时间，以检测困难，并帮助改善用户体验和数据质量。然而，现在有了更丰富的数据来源，以被调查者使用鼠标的移动形式，作为被调查者与调查者互动的一个额外和更详细的指标。本文使用机器学习技术来探索鼠标跟踪数据对受访者难度的预测价值。我们使用的数据来自一项关于受访者就业历史和人口统计信息的调查，其中我们实验性地操纵了几个问题的难度。使用从光标移动中获得的特征，我们预测受访者是否回答了问题的简单或困难版本，使用和比较几种最先进的监督学习方法。此外，我们开发了一种个性化的方法，调整受访者的基线鼠标行为，并评估其性能。对于所有三个操纵的调查问题，我们发现，包括全套鼠标移动功能提高了预测性能，在嵌套交叉验证的响应时间模型。考虑到鼠标运动的个体差异，导致了进一步的改进。
2020-11-05 cs.HC cs.LG stat.AP
Looking beyond the horizon: Evaluation of four compact visualization techniques for time series in a spatial context
在密集的空间背景下（如地理地图）可视化时间序列是一项具有挑战性的任务，需要在所描绘的数据量和感知精度之间保持谨慎的平衡。水平图是用于复杂表示时间序列数据的众所周知的技术。它们提供了精细的细节，同时给出了强调极值的数据的概述。水平图压缩了单个线图的垂直分辨率，但不影响水平分辨率。我们提出了两种变化的一种新的可视化技术称为折叠的地平线图扩展到二维的地平线图的想法。我们的主要贡献是一个定量评估，实验比较四种可视化技术与高视觉信息分辨率（紧凑箱线图，地平线图，崩溃的地平线图，编织崩溃的地平线图）。实验研究了这些技术在处理单个图形和相邻图形组的任务中的性能。紧凑的箱形图始终为所有任务提供良好的结果，水平图在最大任务中表现出色，但在趋势检测中表现不佳。在某些任务中，水平分辨率的提高是有益的，而折叠的水平图则会大放异彩。此外，我们的研究结果表明，视觉复杂的技术高度影响用户的信心和感知任务的难度。
2019-06-18 cs.HC
Overview of Visualization Tools for Web Browser History Data
如今，Web已经成为信息交换和检索的最广泛的平台之一。随着发布文档变得更加容易，随着用户数量以及因此发布者数量的增加，以及随着文档数量的增长，搜索信息正在变成一种繁琐且耗时的操作。由于文档之间的松散连接，人们很难记住他们去过哪里并返回到以前访问过的页面。通过网络导航面临着定位自己在空间和时间方面的问题。图形辅助导航的想法是通过使链接呈现的风格适应单个用户的目标、知识和其他特征，来帮助用户在超空间中找到他们的路径。我们首先介绍与Web导航相关的概念，然后概述不同的图形导航工具和技术。最后，我们提出了一个基于一些相关标准的这些工具的比较表。
2013-02-28 cs.HC
VizQStudio: Iterative Visualization Literacy MCQs Design with Simulated Students
VizQStudio通过模拟学生帮助教师迭代设计高质量可视化素养多选题，提升评估设计的灵活性和适应性。
2026-03-01 cs.HC
Assessing Data Literacy in K-12 Education: Challenges and Opportunities
Northwestern University（西北大学）
研究探讨K-12教育中数据素养评估的挑战与机遇，分析教师对数据素养概念的不同解读及评估中可视化工具的选择难题。
2026-03-26 cs.HC
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
WordStream Maker: A Lightweight End-to-end Visualization Platform for Qualitative Time-series Data
无论是以转录的对话，博客文章还是推文的形式，定性数据都为读者提供了对总体趋势以及通过文本表达的人类思想多样性的丰富见解。然而，处理和分析大量的定性数据是困难的，通常需要多次时间密集的细读，以确定模式。这种难度随着数据集中存在的每个额外问题或时间点而倍增。因此，一个主要的挑战是创建可视化，通过更容易地识别和探索感兴趣的趋势来支持定性数据的解释。通过结合文本和可视化的启示，WordStream以前已经使信息检索和时间序列文本数据的处理变得容易，但产生WordStream所需的数据争论仍然是非技术用户的一个重大障碍。作为回应，本文介绍了WordStream Maker：一个端到端的平台，利用自然语言处理（NLP）的管道，以帮助非技术用户处理原始文本数据，并生成一个可定制的可视化，而无需编程实践。讨论了将NLP集成到可视化和扩展到大型数据集的经验教训，以及展示平台有用性的用例。
2022-09-23 cs.GR cs.HC
Time to Transfer: Predicting and Evaluating Machine-Human Chatting Handoff
Wuhan University（武汉大学）；Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）；Indiana University Bloomington（印第安纳大学伯明顿分校）
chatbot能完全取代人类代理吗？简短的回答可能是-“这取决于... ".对于一些具有挑战性的情况，例如，对话的主题频谱超出训练语料库覆盖范围，聊天机器人可能会发生故障并返回不满意的话语。这个问题可以通过引入人机聊天机器人（MHCH）来解决，它可以实现人类算法的协作。为了检测正常/可转移的话语，我们提出了一个困难辅助匹配推理（DAMI）网络，利用困难辅助编码，以提高话语的表示。此外，匹配推理机制被引入到捕获上下文匹配功能。通过考虑MHCH的容差特性，提出了一种新的性能评价指标-容差内黄金传输（GT-T）。为了深入了解任务并验证所提出的模型，我们收集了两个新的数据集。广泛的实验结果，并与一系列的基线模型进行对比，以证明我们的模型对MHCH的疗效。
2020-12-14 cs.CL cs.HC
Uncertainty Tube Visualization of Particle Trajectories
SCI Institute（SCI研究所）；Argonne National Laboratory（阿贡国家实验室）
本文提出一种计算高效的不确定性管可视化方法，利用超椭圆管表示神经网络粒子轨迹预测中的非对称不确定性，并结合深度集成、MC Dropout和SWAG在合成与模拟数据上验证其有效性。
2025-08-19 cs.HC cs.LG
Self-Supervised Continuous Colormap Recovery from a 2D Scalar Field Visualization without a Legend
Shandong University（山东大学）；University of Maryland（马里兰大学）；Renming University of China（renaming University of China）
提出一种自监督方法，通过解耦-重建策略从无图例的二维标量场可视化中恢复连续色图，并验证其在色图调整与转移等应用中的有效性。
2025-09-07 cs.CV cs.HC
Chartist: Task-driven Eye Movement Control for Chart Reading
Chartist提出两级层次控制架构，结合大语言模型与强化学习，模拟用户执行图表分析任务时的任务驱动眼动扫描路径，为理解人类图表阅读行为提供新方法。
2025-02-05 cs.HC
Calliope-Net: Automatic Generation of Graph Data Facts via Annotated Node-link Diagrams
本文提出自动图事实生成系统Calliope-Net，通过事实发现、组织与可视化模块及新布局算法，从网络数据自动生成带标注的节点-链接图，帮助用户尤其是数据记者发现和理解图数据事实。
2023-08-12 cs.HC
Visualization of Collaborative Data
University of California, Riverside（加州大学河滨分校）
协作数据由与两组不同对象相关的评级组成：用户和项目。使用这些数据的大部分工作都集中在过滤上：预测用户和项目对的未知评级。在本文中，我们专注于可视化信息的问题。给定所有评分，我们的任务是将所有用户和项目作为点嵌入到同一个欧几里得空间中。我们希望将用户放置在他们评价（或将评价）高的项目附近，远离他们将给予低评价的项目。我们把这个问题作为一个实值非线性贝叶斯网络，并采用马尔可夫链蒙特卡罗和期望最大化找到一个嵌入。我们提出了一个度量标准，通过它来判断可视化的质量，并将我们的结果与三个真实世界数据集上的局部线性嵌入和Eigentaste进行比较。
2012-06-27 cs.AI cs.GR cs.HC
A Comparative Study of Scanpath Models in Graph-Based Visualization
Telef\' o nica Scientific Research Barcelona Spain；University of Luxembourg Esch-sur-Alzette Luxembourg；Telef\' o nica Scientific Research；University of Luxembourg
本研究比较了DeepGaze、UMSS和Gazeformer等模型在图可视化中预测扫描路径的准确性，探讨了问题复杂性和节点数量对性能的影响，以提升信息可视化系统的有效性。
2025-06-03 cs.CV cs.HC
Perception-Augmented Databases for Effective Visual Analytics
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 Unified Comparison of User Modeling Techniques for Predicting Data Interaction and Detecting Exploration Bias
Washington University（华盛顿大学）
可视化分析社区已经提出了几种用户建模算法来捕获和分析用户的交互行为，以帮助用户进行数据探索和洞察生成。例如，一些可以检测探索偏差，而另一些可以预测用户将在交互发生之前与之交互的数据点。研究人员认为，这些算法可以帮助创建更智能的可视化分析工具。然而，社区缺乏对这些现有技术的严格评估和比较。因此，关于何时使用何种方法的指导有限。我们的论文试图通过比较和排名八个用户建模算法，根据他们的性能在一组不同的四个用户研究数据集，以填补这一空白。我们分析了探索偏差检测，数据交互预测和算法复杂性等措施。基于我们的研究结果，我们强调了分析用户交互和可视化起源的开放挑战和新方向。
2022-08-09 cs.HC cs.LG
CityAQVis: Integrated ML-Visualization Sandbox Tool for Pollutant Estimation in Urban Regions Using Multi-Source Data (Software Article)
Graphics-Visualization-Computing Lab, International Institute of Information Technology Bangalore, Karnataka 560100, India（图形可视化计算实验室，国际信息学院班加罗尔，卡纳塔克邦560100，印度）
本文介绍CityAQVis，一个集成机器学习与可视化的交互式沙盒工具，利用多源数据预测并可视化地面污染物浓度，支持模型比较，助力空气质量管理决策。
2025-10-24 cs.HC cs.LG
An Interactive Machine Learning Framework
University at Buffalo（布法罗大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
机器学习（ML）被认为是一种有效的工具，可以建立可靠的预测模型或从大量数据中提取有用的结构。然而，ML也因其难以解释和复杂的参数调整而受到批评。相反，可视化能够很好地组织和可视化编码数据中纠缠的信息，并引导观众进行更简单的感性推理和分析思维。但是大规模、高维的数据往往会导致许多可视化方法的失败。在本文中，我们通过ML算法与用户之间的交互来闭合ML和可视化之间的循环，因此机器智能和人类智能可以以互惠互利的方式相互合作和改进。特别地，我们提出了“透明提升树（TBT）"，它将梯度提升树学习过程中每一步的模型结构和预测统计信息可视化给用户，并将用户对树的反馈操作纳入学习过程。在TBT中，ML负责更新学习模型中的权重，并从大数据中过滤显示给用户的信息，而可视化则负责提供ML模型的可视化理解，以方便用户探索。它结合了机器学习在大数据统计方面的优势和人类在基于领域知识的决策方面的优势。我们为这种新的学习方法开发了一个用户友好的界面，并将其应用于从实际应用中收集的两个数据集。我们的研究表明，通过使用交互式可视化使ML透明可以显着改善ML算法的探索，产生ML模型的新见解，并集成机器和人类智能。
2016-10-18 cs.HC cs.LG
Nonlinear Dimensionality Reduction for Data Visualization: An Unsupervised Fuzzy Rule-based Approach
Indian Statistical Institute（印度统计研究所）
在这里，我们提出了一个无监督的模糊规则为基础的降维方法主要用于数据可视化。它考虑了以下重要问题相关的降维为基础的数据可视化：（i）保存的邻域关系，（ii）处理数据的非线性流形，（iii）预测新的测试数据点的能力，（iv）系统的可解释性，以及（v）拒绝测试点的能力，如果需要的话。为此，我们使用一阶Takagi-Sugeno型模型。我们使用输入数据中的聚类生成规则前因。在这方面，我们还提出了一个新的变种的测地线c-均值聚类算法。我们通过最小化误差函数来估计规则参数，该误差函数将点间测地线距离（流形上的距离）保持为投影空间上的欧氏距离。我们将所提出的方法应用于三个合成和三个真实世界的数据集，并与其他四个标准的数据可视化方法的结果进行了直观的比较。实验结果表明，该方法具有较好的性能，优于或可与其它方法相媲美。所提出的方法被认为是强大的初始条件。通过实验验证了该方法对测试点的预测性。我们还评估了我们的方法在应该拒绝输出点时拒绝输出点的能力。然后，我们扩展了这个概念，为学习具有不同目标函数的数据投影的无监督模糊模型提供了一个通用框架。据我们所知，这是第一次尝试使用无监督模糊建模进行流形学习。
2020-04-08 cs.HC cs.LG stat.ML
Predicting Confusion from Eye-Tracking Data with Recurrent Neural Networks
The University of British Columbia（不列颠哥伦比亚大学）
受到深度学习在各个领域的成功的鼓舞，我们研究了循环神经网络（RNN）在尚未使用深度学习的领域的适用性和有效性;即从眼动追踪数据中检测混淆。通过对用户与ValueChart（一种交互式可视化工具）交互的数据集进行实验，我们发现RNN从原始数据中学习特征表示，这使得分类器比以前使用工程特征的方法更强大。这通过RNN（0.74/0.71灵敏度/特异性）的更强性能来证明，与随机森林分类器（0.51/0.70灵敏度/特异性）相比，当两者都在未增强的数据集上训练时。然而，使用工程特征允许使用简单的数据增强方法。这些相同的方法在增强从原始数据中学习的特征表示方面并不有效，这可能是由于无法匹配数据的时间动态。
2019-06-19 cs.CV cs.HC cs.LG
Towards Explainable Quantum AI: Informing the Encoder Selection of Quantum Neural Networks via Visualization
Singapore Management University（新加坡国立大学）；Nanyang Technological University（南洋理工大学）；KTH Royal Institute of Technology（皇家理工学院）；Kent State University（肯特州立大学）
本文提出XQAI-Eyes可视化工具，通过比较经典数据与量子态帮助选择量子神经网络编码器，提升编码器设计的透明性和有效性。
2025-12-16 cs.AI cs.HC quant-ph
