重新思考 DataScout 的数据集发现

DOI

数据集搜索——为给定任务找到合适数据集的过程——仍然是数据科学工作流程中关键但未被充分探索的挑战。评估数据集对任务（例如训练分类模型）的适用性涉及多个方面：理解数据特征（如粒度、属性、大小）、语义（如数据语义、创建目标）以及与当前任务的相关性。当前的数据集搜索界面受到严格限制——用户难以表达隐式偏好，缺乏对搜索空间和结果纳入标准的可见性——使得查询迭代具有挑战性。为了弥补这些差距，我们引入 DataScout，通过以下方式主动引导用户完成数据集发现过程：——（i）由底层搜索空间信息驱动的 AI 辅助查询重构，（ii）基于数据集内容的语义搜索和过滤，包括属性（列）和粒度（行），以及（iii）根据用户指定任务动态生成的数据集相关性指标。一项对十二名参与者进行的被试内研究比较了 DataScout 与关键词和语义数据集搜索，结果显示用户不仅将 DataScout 的功能用于结构化探索，还用于获取搜索查询反馈并建立搜索空间的概念模型。