作者存档: Jiang, Ruike Jiang

从惊讶到好奇:创建电影风格的数据视频开场的指导方针 (From ‘Wow’ to ‘Why’: Guidelines for Creating the Opening of a Data Video with Cinematic Styles)

数据视频是常见的数据故事叙述的形式,它结合了视听两方面内容,例如动画、镜头移动、音乐、旁白等形式,传达数据洞察。由于人们的时间和注意力有限,数据视频的开场对观众是否有兴趣看完整个视频有重要的影响。电影风格的数据视频开场可以吸引用户的注意,使他们愿意进一步了解现象背后的原因。但是目前缺少关于创建此类数据视频开场的指导原则。来自香港科技大学和北京师范大学的Xian Xu等人 [1]提出了可以用于数据视频开场的电影风格和指导方针,发表在CHI 2022。

继续阅读 »

从计算笔记本讲述故事:人工智能辅助的用于数据科学展示的幻灯片制作 (Telling Stories from Computational Notebooks: AI-Assisted Presentation Slides Creation for Presenting Data Science Work)

数据科学项目既包括数据获取、清洗、建模等技术工作,也包括技术人员和非技术人员的高度合作。例如,数据科学家在构建模型之后,需要向项目相关者展示模型,并从他们那里收集反馈和获得支持。这一过程需要从复杂的代码中定位和提取关键信息,将这些信息组织成数据故事,同时还要根据观众背景的差异改变展示的方式。数据科学家需要耗费大量时间,且容易出错。来自香港科技大学、IBM研究院和密歇根大学的Zheng等人 [1]提出了以用户为中心、人工智能辅助的模型展示幻灯片的制作系统,帮助数据科学家提高效率。

继续阅读 »

响应式可视化的任务导向洞察的自动推理方法 (An Automated Approach to Reasoning About Task-Oriented Insights in Responsive Visualization)

由于移动设备的普及,可视化创作者需要考虑可视化在不同设备上的显示,即响应式可视化。通常,创作者实现针对桌面环境的可视化之后,通过改变大小、进行数据聚合等方法调整可视化以适应移动设备。然而,这一过程会改变原始的可视化传达的信息,需要创作者不断尝试不同设计,并考虑它们保留的信息,这一过程困难且繁琐。

继续阅读 »

2021年北京大学可视化发展前沿研究生暑期学校 – Day 5

今天(2021年7月19日)的课程是由来自马里兰大学的Zhicheng Liu教授带来的主题为可视化设计中的概念、方法与工具,来自蒙纳士大学Tim Dwyer教授讲授的图可视化和来自塔夫茨大学的Remco Chang教授关于用户分析和交互式机器学习的内容。

继续阅读 »

解释装饰对于可视化的影响 (Interpreting the Effect of Embellishment on Chart Visualizations)

可视化和信息图传达数据故事,广泛应用于科学研究和社会生活。信息图的设计风格多样,既可以是极简主义的可视化,只包含原始数据相关的元素;也可以是经过精心装饰的可视化,以更好地吸引可视化读者。然而,长久以来,研究者在信息图装饰的作用上存在争论。

继续阅读 »

IEEE PacificVis 2021 机器学习和自动可视化专题(Machine Learning and Automated Visualization)

IEEE PacificVis 2021 机器学习和自动可视化专题(Machine Learning and Automated Visualization)以及可视化遇到AI专题(Visualization Meets AI)共报告五个工作,分别是关于将机器学习运用到图布局偏好预测、自动可视化问答、单元可视化的滚动叙述生成、基于图标检测训练对信息图进行解析和总结,以及使用文档嵌入和降维展示主题演变。其中,来自北京大学可视化与可视分析实验室的自动可视化工作ADVISor的具体介绍在http://vis.pku.edu.cn/blog/advisor/

继续阅读 »

IEEE PacificVis 2021 主题报告II

第二个主题报告的题目是《可视数据科学-通过计算与交互应对挑战性数据场景(Visual Data Science – Integrating Computation with Interaction to Master Challenging Data Scenarios)》,报告的嘉宾是挪威卑尔根大学的Helwig Hauser教授。Helwig Hauser是挪威卑尔根大学可视化教授和数据科学中心CEDAS的负责人,关注数据科学的跨学科研究,以及数据科学教育和应用。在信息时代,研究者以及相关从业人员需要处理大量复杂的数据,包括多维集合数据集、流数据等。为了应对这样的挑战,越来越多的学科通过交叉合作的方式来发挥各自优势。可视数据科学即将交互式可视化与机器学习、统计等方法巧妙结合起来,让专家参与决策过程。Hauser教授的报告分为三个部分,第一部分是对数据科学、可视化数据科学概念的介绍,第二部分讨论其中的相关研究问题,包括高维数据分析、模型修正、可视化交互等,第三部分是对于开展交叉学科研究的心得和展望。

继续阅读 »

P5: 针对交互式数据分析和可视化的便携渐进式并行处理流水线(P5: Portable Progressive Parallel Processing Pipelines for Interactive Data Analysis and Visualization)

交互式数据分析面临的数据,体量越来越大,复杂度越来越高,导致数据转换和可视化渲染的延迟提高,这将会阻碍用户交互分析的效率。现有的应对方式包括应用并行处理等方法提高计算速度,以及通过渐进式可视化方法,使用户能快速获得对中间结果的感知。但是大部分现有的可视化工具包,不能支持应用高性能计算方法,并且提供渐进式可视化创建的能力。该工作提供了P5这一创建渐进式可视化的可视化工具包,它提供了声明式的可视化生成方式和使用GPU计算资源的功能。

继续阅读 »

Charticulator: 交互式构建定制的图表布局(Charticulator: Interactive Construction of Bespoke Chart Layouts)

定制的图表更具表现力,可以根据想要传递的数据洞察进行细节的设计,从而让目标用户更容易注意、理解和记忆这些图表。用户想要创建这些图表,可以使用绘图的工具,但是这些工具需要手动设置数据和属性的映射,比较低效;可以用可视化的库编写代码实现,但是用户需要有较高的编程技能;也可以使用一些交互式的可视化构建工具,但是这些一般需要用户从一些模版中进行选择,因而表现能力不足,并且提供的布局方式有限或者提供的布局构建的交互不够方便。针对已有工作存在的问题,[1]的作者们提出了Charticulator,可以灵活创建可视化布局。

继续阅读 »

时间格:支持交互式可视分析大规模时间序列的数据结构(Time Lattice: A Data Structure for the Interactive Visual Analysis of Large Time Series)

物联网设备的广泛使用生成了大量的时间序列数据,通常会有几十至几千的传感器同时生成时间序列。交互式的可视化框架在分析这些数据时非常重要。进行分析时需要复杂的查询,包括在不同时间分辨率下对时间序列数据的取值进行限制,进行聚集等。

继续阅读 »