北大可视化与可视分析实验室发布疫情轨迹图，可视化对比新冠与其他历史疫情。
自从新冠疫情爆发以来，你的生活或许变成了这样：每天早上一起床，便习惯性地打开手机，点开微信朋友圈或新闻类APP，查看今天的新增确诊病例人数、新增死亡病例人数和疑似病例数，忧心忡忡地看着窗外，想着什么时候情况能够好转，自己得以“刑满释放”，出门去在春风杨柳里走一遭。
作者存档: Ma, Nan
面对新冠病毒，这张疫情轨迹图你一定要看
作者: Ma, Nan
日期: 2020年2月17日
面对新冠病毒，这张疫情轨迹图你一定要看已关闭评论
基于任务的基本可视化效果(Task-Based Effectiveness of Basic Visualizations)
作者: Ma, Nan
日期: 2019年4月13日
基于任务的基本可视化效果(Task-Based Effectiveness of Basic Visualizations)已关闭评论
大量先前的研究评估了不同可视化类型的有效性。然而，这些研究是在不一致的条件下进行的，样本大小不同，任务数量有限，使用的数据集不同。研究表明，可视化的有效性取决于几个因素，包括手头的任务，以及可视化的数据属性和数据集。例如，虽然一个图表可能适合回答特定类型的问题（例如，检查两个数据属性之间是否存在相关性），但它可能不适合其他类型（例如，查找具有最大值的数据点）。
IGAL可视化讲习班-3：数据科学工作流的可视化设计 – 赵健
作者: Ma, Nan
日期: 2018年12月31日
IGAL可视化讲习班-3：数据科学工作流的可视化设计 – 赵健已关闭评论
12月26日下午的第一个可视化前沿讲习班的报告是由赵健研究员报告数据科学工作流的可视化设计。赵健研究员来自美国FX Palo Alto实验室，他的研究兴趣主要包括信息可视化、人机交互以及数据科学。数据科学工作流是指利用可视化的方法提高整个工作流的工作效率。主要分为以下4步：准备输入数据，进行数据探索，模型创造和结果展示。赵健老师主要围绕后三个步骤分析数据科学工作流。 继续阅读 »
Chart Constellations: 对合作和多用户分析的有效图表总结（Effective Chart Summarization for Collaborative and Multi-User Analyses）
作者: Ma, Nan
日期: 2018年9月16日
Chart Constellations: 对合作和多用户分析的有效图表总结（Effective Chart Summarization for Collaborative and Multi-User Analyses）已关闭评论
考虑一个大而复杂的数据集。如果你的任务是分析此数据集，你可以通过绘制几个图表进行探索性可视分析（EVA）。这种迭代的图表驱动方法很受欢迎，并得到Tableau等软件和Kaggle Kernels等数据科学笔记本的支持。不幸的是，由于数据集的深度或宽度，这样的任务对于一个人来说可能太多了。从这些领域中提取有趣知识的问题的直接解决方案并不清晰。一种方法是让多个分析师共同工作以发现结论，无论是作为一个团队（即协同工作）还是独立（每个分析师进行自己的调查）。但现在的问题是，我们如何理解并从这一分析中学习？
大规模可视化API用法示例（Visualizing API Usage Examples at Scale）
作者: Ma, Nan
日期: 2018年6月30日
大规模可视化API用法示例（Visualizing API Usage Examples at Scale）已关闭评论
学习如何正确有效地使用现有的API是软件开发中的一个常见任务，也是一个核心挑战，因为库和API的数量和复杂性正在增加。程序员经常在Q＆A论坛中搜索在线代码示例，阅读教程和博客帖子，学习如何使用给定的API。然而，经常对于大量相关的代码示例，用户很难理解它们之间的共性和差异，并深入到具体的细节。我们介绍了一个交互式可视化探索从开源库挖掘的大量代码示例。该可视化通过一个合成代码框架总结了数百个代码示例，其中包含规范调用语句和包含API调用结构的统计分布。
考虑在设计可视化工具中的代理和数据粒度（Considering Agency and Data Granularity in the Design of Visualization Tools）
作者: Ma, Nan
日期: 2018年5月30日
考虑在设计可视化工具中的代理和数据粒度（Considering Agency and Data Granularity in the Design of Visualization Tools）已关闭评论
在设计可视化工具时，先前的研究已经做出了取舍。“自下而上”的工具是用户驱动的设计过程，并且能够深入了解和控制视觉映射；而自动化工具更有效，允许人们快速探索复杂的替代设计，但透明度较低。这个工作研究如何设计可视化工具，使其支持一个用户驱动的，透明的设计过程，同时保证效率和自动化。通过一系列的设计研讨会，参加者产生了各种各样的解决方案，范围从基于实例的方法扩展构造可视化到解决方案，其中可视化工具代表设计者来推断解决方案，例如基于数据属性。在更高的层次上，这些发现强调代理和粒度作为维度，可以指导在这个空间中的可视化工具的设计。
对于赋予表现力的故事讲述的设计空间和思考(Timelines Revisited: A Design Space and Considerations for Expressive Storytelling)
作者: Ma, Nan
日期: 2018年4月24日
对于赋予表现力的故事讲述的设计空间和思考(Timelines Revisited: A Design Space and Considerations for Expressive Storytelling)已关闭评论
时间线早在几个世纪前就被用来表达序列事件。为了用时间线讲述更富有表现力的故事，并保持对于知觉性和故事有效性的关心。Timelines Revisited[1]这个工作将设计空间总结为3个维度：表达、比例、布局。这项工作的两个主要贡献分别是：①介绍和分析用时间线讲述故事的设计空间。②用设计空间在一个沙盒环境中实现一个可行的时间线设计。
IEEE Pacific Visualization Symposium 2018 – Day 1
作者: Ma, Nan
日期: 2018年4月11日
IEEE Pacific Visualization Symposium 2018 – Day 1已关闭评论
今天是IEEE PacificVis会议正式日程的第一天。首先进行的是大会的开幕式。本次大会的会议主席Takayuki Itoh教授向各位与会者表示热烈的欢迎。在回顾了PacificVis十多年的发展之后，他介绍了本次会议的参与情况。今年是第十一届PacificVis会议。过去十年在中国举办了五次，韩国两次。今年是第三次在日本举办，前两次分别是首届2008年的京都以及2014年的横滨。今年会议共有15个国家的161位参会者，其中来自大陆的可视化研究者有49名，位居各国第一。
第二届中日可视化研讨会
第二届中日可视化研讨会于2018年4月9日在神户大学泷川纪念学术交流会馆举行。继首届会议2017年7月在北京大学成功举办后，本次研讨会有中国方面北京大学、清华大学、浙江大学、天津大学、西南科技大学、中科院、北京应用物理与计算数学研究所以及奇虎、阿里、百度等互联网企业专业人员，日本方面京都大学、大阪大学、应庆义塾、东京工业大学等日本知名大学50余人参加。
Voyager 2：通过部分具体视图扩展可视分析（Voyager 2: Augmenting Visual Analysis with Partial View Specifications）
作者: Ma, Nan
日期: 2017年12月17日
Voyager 2：通过部分具体视图扩展可视分析（Voyager 2: Augmenting Visual Analysis with Partial View Specifications）已关闭评论
探索性的可视分析主要分为两类高层级的任务，一类是无预期结论的探索，一类是针对于特定问题的解答。然而现有的工具都仅针对上述的一个任务进行设计，没有能同时解决上述两个任务的工具。
因此，这项工作提出了一个名叫Voyager 2的工具，它是一个新型的，混合主动性的系统。它混合了人工和自动的图形绘制，帮助分析人员进行无预期结论的探索，和解答特定问题。
近期评论