可视化推荐：探索公共卫生可视化推荐中的偏好和优先级

文献标题

Recommendations for Visualization Recommendations: Exploring Preferences and Priorities in Public Health

文献信息

• 主题领域: 数据可视化推荐系统研究，特别是在公共卫生领域的应用
• 关键词: 数据可视化推荐系统, 公共卫生, 自动化, 用户研究, 可视化设计, 算法信任, 数据探索, 设计价值

研究背景与问题

• 作者发现了哪些问题或挑战？

  • 数据可视化推荐系统有助于减轻分析师手动数据探索和图表创建的工作负担，但目前在设计这些系统时对分析师所重视的设计价值研究较少。
  • 自动生成的推荐可视化可能与用户的需求和期待错位，甚至可能对数据探索过程带来不利影响。

• 为什么这个问题很重要？

  • 数据可视化推荐系统正在广泛应用于各种领域，特别是非技术用户在数据分析过程中的便利性。
  • 公共卫生信息具有较强的社会影响力，设计适合该领域的可视化推荐系统能够切实支持政策制定和健康干预。

• 研究动机与相关工作

  • 此前的大量研究集中在推荐系统的算法设计和可视化评价方式，但较少研究探索用户在创建和使用推荐可视化时的优先级和期待。
  • 作者研究了算法生成的推荐与用户的原创推荐之间的价值差异，以检查现有系统是否满足分析师的需求。

解决方案

方法:

• 作者设计了一项包括两阶段任务的预注册定性研究，共采访了18位公共卫生领域的分析师：

  1. 可视化创意任务: 参与者在辅助下草拟并实现他们的推荐可视化，以服务于一个假设的公共政策制定客户。
  2. 排名任务: 参与者会对一组既有人手生成和算法生成的推荐可视化进行选择和排名。

• 采用的关键技术：

  • 使用 Google Jamboard 和 Tableau Desktop 来支持参与者的创意任务。
  • 利用 Vega-Lite 规范对参与者的生成图表进行标准化。
  • 使用Python脚本分析数据属性和使用的可视化编码方式。

创新之处:

• 将用户设计价值（如简单性、相关性和兴趣）引入到推荐系统的设计中。
• 对比算法生成与人类生成推荐图表之间的优势与不足。
• 强调定性和混合方法以发现用户行为和优先级。

研究成果

具体成果:

• 发现分析师在创建和评价视觉推荐时，普遍重视以下三个价值：
  1. 简单性: 用户倾向于选择解读简单、设计熟悉的条形图、折线图等。
  2. 相关性: 推荐系统需要支持领域适应性，以强调用户关心的变量间的因果关系。
  3. 兴趣点: 用户关注推荐图是否展示明确的关系或趋势，并偏向选择显示积极结果的图表。

与现有解决方案相比的优势:

• 此研究识别了设计推荐系统时忽视用户设计价值（例如，过度关注统计模式）的潜在缺陷。
• 强调推荐系统需要超越数据属性和统计特征，转向支持领域上下文和用户期望。

实验或评估结果:

• 简洁性偏好: 超过48%参与者选择了只使用两种数据属性的简单图表作为推荐。
• 领域相关: 数据分析师普遍根据自己的领域知识选择变量并草拟图表，且更关注实际问题的驱动因素。
• 兴趣点偏差: 参与者显著偏好清晰展示趋势的推荐图表。

局限性与未来方向:

• 研究局限性:

  • 所有研究均基于公共卫生领域，结果可能不适用于其他学科。
  • 在线远程实验的设计可能影响参与者的表现。
  • 使用Tableau Desktop对用户生成图表的实现带来了技术上的约束。

• 未来方向:

  • 探索其他领域用户需求，以验证设计价值是否具有普适性。
  • 优化数据推荐系统以支持更动态和迭代的用户交互过程。
  • 引入领域知识的自动化集成以及用户意图捕捉，以创建更具定制化的可视化推荐系统。

总结

本研究揭示了公共卫生领域分析师在创建和评价可视化推荐中的设计价值，提出了改善推荐系统设计的指导性建议，包括简化图表复杂度、传递明确信息以及整合用户意图和领域语境。这些发现为未来推荐系统的定制化、可解释性和领域适应性提供了实践指导。