可视化分析树：促进初学者的对话式可视化分析

文献标题

Visualizing Tree-of-Analysis: Facilitating Conversational Visual Analytics for Novices

出版信息

• 主题领域: 面向初学者的对话式可视化分析 (CVA)
• 关键词: 对话式可视化分析，树状可视化，初学者，大语言模型，数据探索，用户界面，查询推荐，分析流程，多模态交互，分析民主化

背景与问题

• 问题与挑战: 初学者在使用对话式可视化分析 (CVA) 时，常因分析流程的碎片化、模糊的查询以及对 AI 输出中分析线索的敏感度不足而感到迷失。现有解决方案提供孤立的推荐，但未能为分析过程提供全局视角。
• 重要性: 解决 CVA 中的迷失问题对于使数据探索对初学者更具可访问性至关重要，从而使他们无需具备数据科学或可视化工具的高级专业知识即可进行有意义的分析。
• 动机与相关研究: 以往关于 CVA、可视化分析和对话系统的研究主要集中在提高输入清晰度、生成后续问题以及提供数据驱动的推荐。然而，这些方法缺乏帮助用户保持对其分析过程整体视图的机制。本研究受复杂任务可视化中树状结构的启发，旨在通过将 CVA 交互结构化为分析树来弥补这一空白。

解决方案

• 提出的方法: 分析树 (Tree-of-Analysis, ToA)，一种将 CVA 对话组织为交互式分析树的系统，其中 AI 输出作为节点，用户查询作为分类边。
• 创新点:
  1. 引入分析树结构以提供 CVA 过程的全局概览。
  2. 开发实时树构建算法，提取分析线索并将用户查询分类为七种类型。
  3. 集成基于树的查询推荐以指导初学者进行探索。
  4. 通过用户研究和专家访谈验证，证明其提高任务表现并减少迷失感。
• 流程与关键技术:
  1. 进行形成性研究以识别初学者的弱点（如线索敏感度不足、查询模糊）和专家的优势（如触发敏感度、树状工作流）。
  2. 设计一种树结构，其中 AI 输出（图表、文本、触发器）形成节点，用户查询（分类为七种类型）形成边。
  3. 开发基于大语言模型 (LLM) 的算法，通过检测触发器并根据预定义规则连接节点来实时构建树。
  4. 增强 CVA 界面，添加树导航面板和上下文查询推荐功能。
  5. 通过用户研究 (N = 12 初学者) 和专家访谈 (N = 3) 评估 ToA。

结果

• 具体发现:
  • ToA 每轮交互的洞察力提升了 58.3%（1.167 次洞察/轮 vs. 基线的 0.737 次）。
  • ToA 每轮交互所需的思考时间增加了 17.7%（71.3 秒 vs. 基线的 60.6 秒）。
  • ToA 减少了交互轮数 23.1%（14.4 轮 vs. 基线的 18.8 轮）。
  • 所有参与者均成功完成了使用 ToA 的任务，而使用基线系统时有一人未完成任务。
• 相较基线的优势:
  • ToA 消除了任务失败并提高了洞察力生产率。
  • 减少了心理需求和努力，并改善了感知表现（NASA-TLX 评分）。
  • 增强了用户对系统有用性的感知，特别是在跟踪分析进度和识别步骤之间关系方面。
• 实验与评估:
  • 用户研究 (N = 12 初学者)，比较 ToA 与没有分析树的基线 CVA 系统。
  • 树构建准确性的技术评估（整体准确率为 70.73%，查询类型分类准确率为 99.10%）。
  • 专家访谈 (N = 3)，评估 ToA 的表现力、可用性和教学价值。
• 局限性与未来工作:
  • 在扩展分析中，树的复杂性可能变得难以管理。
  • 基于规则的树构建在复杂场景中可能与用户逻辑不一致。
  • 评估范围有限（两个数据集、短期会话、小样本量）。
  • 未来工作包括添加交互式修剪功能、支持故事叙述以及扩展 ToA 到更多分析任务。

总结

本文提出了分析树 (Tree-of-Analysis, ToA)，一种将对话式可视化分析 (CVA) 结构化为交互式分析树的创新系统，旨在帮助初学者在数据探索过程中保持方向感。通过对用户查询进行分类并将 AI 输出可视化为节点，ToA 提供了分析过程的全局概览，并提供上下文查询推荐。用户研究表明，ToA 显著提高了洞察力生产率（+58.3%），并消除了任务失败，尽管每轮交互的思考时间略有增加。专家访谈强调了其在分析民主化和教学数据探索技能方面的潜力。未来工作将解决可扩展性问题，探索故事叙述应用，并支持更广泛的任务场景。