本文介绍了针对生物制药中一种多维多层次数据——筛选数据的可视分析系统。这个系统连接了现有的支持大量数据但是层次较高的系统和支持细节层次但是数据量支持有限的系统。

继续阅读 »

草图允许分析者指定复杂和自由的兴趣模式。可视化查询系统可以利用草图在大型数据集中找到这些感兴趣的模式。然而，草图是不明确的：同一张图可能代表大量潜在的查询。在这项工作中，我们调查了这些含糊之处，因为它们适用于可视查询系统的时间序列数据。我们定义了一类“不变量”——分析者在执行基于草图的查询时希望忽略的时间序列的属性。我们提出了一个众包的研究结果，表明这些不变量是人们如何评价草图和目标之间的匹配强度的关键组成部分。我们采用了一些时间序列匹配算法来支持草图中的不变量。最后，依赖于这些不变量，我们提出了一个基于Web部署的草图可视化查询系统原型。我们将原型应用于金融、数字人文和政治科学的数据。

继续阅读 »

吸引效应是人在两个选择之间的决定会被第三个不相关的选择所影响，这在心理学中是一个被广泛研究的问题。可视化是支持用户的决策的重要方式，比如当我们选择一个要购买的房子或者选择一个要雇佣的雇员，可视化可以帮助用户选择最优的决策方案，然而系统所导致的偏差会产生非常重要的影响。吸引效应所造成的认知偏差，目前仅仅在三个选择中被验证，并且仅仅使用表格，文本，图片的形式，但是其所造成认知偏差同样出现在可视化中。本文为了研究吸引效应在可视化中的存在情况，设计并完成了两个用户调研，在第一个众包的实验中，本文实际上重复了吸引效应的经典实验并且将其拓展到可视化中，并且发现在可视化中具有同样的用户认知偏差；第二个实验主要针对的是吸引效应是否可以被扩展到更大的数据集上，这一类的数据集因为数量的原因难以使用数据表格进行展现。实验结果同样表明，吸引效应所导致的偏差大规模数据集的散点图中同样存在。[1]

继续阅读 »

多变量地理空间数据是一种十分常见的数据类型，例如对各大城市的人口状况统计、世界各国的国力评判指标等等。如何分析地理因素（如地域的位置、范围、方向等）对多变量数据的影响，一直是地理信息、可视分析等领域的重要课题。另一方面，聚类是简化多变量分析的常用方法，它能够挖掘相似数据、总结数据特征、并消除变量增长所带来的负担。然而，当下的聚类分析方法并没有考虑地理因素的影响。这篇发表于2016年EuroVis会议的文章[1]，就探讨了如何通过可视化分析地理因素对多变量聚类的影响。

继续阅读 »

动态网络，其结构随着时间不断发生变化，是个应用领域相当广泛的数据结构，比如社交媒体交流网络，学者之间的合作网络等。相关的研究相当的丰富（图1）。基本的展示形式有两种，点边形式（Node-link Diagram）和矩阵形式 (Matrix Diagram)；时间映射方式主要有两大类，基于时间轴的映射和基于动画的映射。这些方法，关注的往往是整个网络。另一种重要的动态图研究方法，是自我网络分析（egocentric analysis）。相比于关注整个网络的分析，自我网络分析关注的是中心点（ego）及其相关联的节点（alters）构建的子图。 继续阅读 »