在可视化工具设计中考虑代理和数据粒度
可解释人工智能(XAI)AI 辅助决策与自动化系统交互式数据可视化UI/UX 设计师数据科学家与分析师
先前的研究已经确定了在设计可视化工具时存在的权衡。虽然建设性的“自下而上”的工具促进了用户驱动的设计过程,使用户能够深入了解和控制视觉映射,但自动化的工具更有效率,使人们能够快速探索复杂的替代设计方案,但通常以透明度为代价。我们通过一系列设计研讨会来研究如何设计可视化工具,以支持用户驱动的透明设计过程,同时实现效率和自动化,这些研讨会探讨了可视化专家和新手如何解决这个问题。参与者提出了各种解决方案,从基于示例的方法扩展建设性可视化到可视化工具代表设计师推断解决方案的方案,例如基于数据属性。从更高层次来看,这些发现强调了代理和粒度作为可以指导这一领域可视化工具设计的维度。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 83%
交互式可解释排序
CHI '26· 可解释人工智能(XAI) +2
- 80%
设计可信:数据可视化中观众对信任的看法
CHI '25· 可解释人工智能(XAI) +1
- 80%
视觉分析中未完全指定自然语言话语的推理
IUI '19· 可解释人工智能(XAI) +1
- 67%
我应该相信谁:AI还是我自己?利用人类和AI正确的可能性来促进对AI辅助决策的适当信任
CHI '23· 可解释人工智能(XAI) +1
- 67%
AnchorViz:通过交互式语义数据探索促进分类器错误发现
IUI '18· 可解释人工智能(XAI) +2
- 67%
iScore:用于解释语言模型自动评分摘要的可视化分析
IUI '24· 可解释人工智能(XAI) +1
- 67%
MIWA:用于增强用户控制与信心的混合式Web自动化
UIST '23· 可解释人工智能(XAI) +1
- 63%
交互式推理:可视化和控制大语言模型中的思维链推理
IUI '26· 大语言模型(LLM)的人机协作 +3
- 60%
使用众包配对比较来自动化图表布局配置的学习
CHI '21· 交互式数据可视化
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2018
emoji_events
奖项
未标记奖项
group
作者
3 位作者
sell
研究子方向
可解释人工智能(XAI)、AI 辅助决策与自动化系统、交互式数据可视化
work
职业/产业
UI/UX 设计师、数据科学家与分析师
article
内容状态
仅摘要
hub
相关论文
9 篇相关论文