What is visualization research? 笔记详解
原文:Jessica Hullman 等,《What is visualization research? What should it be?》,Medium / Multiple Views,2018-11-14。
本文是结构化笔记详解,面向入组前的可视化学习者。
| 项目 | 内容 | | --- | --- | | 作者 | Jessica Hullman(西北大学) | | 合作输入 | Danielle Albers Szafir、Enrico Bertini、Robert Kosara | | 平台 | Medium — Multiple Views | | 问题 | 可视化研究在做什么?它未来应关注什么? |
Tufte 的 data-ink ratio 与 anti-chartjunk 是入门准则。但严格执行可能产出「幽灵图」:轴线、标记被过度删减,未必更有效。
这引出可视化研究的第一价值:
用实验与理论检验、细化、甚至推翻直觉性设计准则。
1. 可视化创作工具
降低门槛:Tableau、Spotfire、D3;声明式语法 Vega / Vega-Lite。
2. 新视觉编码
Treemap、Word Tree、Parallel Sets、Arc Diagram。研究常从「常规方法哪里不够」出发。
3. 受控实验
- chartjunk 可能有助于记忆
- 连续数据分箱并不总是糟糕
- 编码 × 任务的差异
- 标题、先验信念等 top-down 因素
4. 视觉分析
探索性数据分析、大规模文本、复杂模型评估,以及深度学习可解释工具。这是 visual analytics 的主线。
5. 传播与叙事
序列顺序、Lyra、Charticulator、iStoryline。面向公众与决策者,不只是分析师。
6. Design studies
与领域专家协作:既产出领域洞察,也产出系统与编码。
7. 形式理论
Grammar of Graphics → ggplot2;以及代数 / 经济学等理论框架。
1. 从感知到认知
社区更熟 bottom-up 感知,因为贴近视觉编码。但理解同样依赖 top-down:信念、经验、领域知识。
2. 从「是什么」到「为什么」
性能比较不够。要解释机制:视觉系统机制、认知策略、启发式。理解 why,才能外推。
3. 拓宽边界
交互式插图、卫星图、草图、类比、美学、表格……是否「算可视化」的争论,有时不如问:它是否帮助人理解数据?有时文本或不展示更好。
1可视化研究2├── 工具与技术3├── 视觉编码创新4├── 受控实验5├── 视觉分析6├── 叙事与传播7├── 设计研究8└── 形式理论9└── 未来10├── 拥抱认知科学11├── 追求机制解释12└── 拓宽领域边界
- 做 explainer 不是「画个 attention heatmap」就够了。你至少要能说清:任务是什么、证据是什么、用户会带走什么误解、如何评估。
- 模型解释器落在工具 + 视觉分析 + 教学叙事交叉带。Polo Club 的交互式解释器,是系统贡献;Hullman 提醒你别忘了认知与机制。
- 准则要可检验。例如「attention 越亮越重要」听起来直观,却经常不成立;这正是研究问题。
- 设计研究与嵌套模型是后续方法论必修。读完这篇后,应继续看 Munzner 的 nested model / design study methodology。
做 model explainer 或 Transformer 可视化 时,至少回答:
| 问题 | 说明 | | --- | --- | | 任务是什么 | next-token、分类贡献、检索证据…… | | 证据是什么 | 真实 logits / attribution / source span | | 用户是谁 | 小白、进阶、研究者 | | 如何评估 | 理解测试、错误识别、任务完成时间 | | 边界是什么 | 不支持什么、不能声称什么 | | 是否该画 | 有时表格 / 文本更合适 |
这也是 证据型写作 与研究笔记共用的纪律。
这篇文章把可视化研究从「做漂亮图」抬到「理解人如何从数据中建构意义」。对 AI 时代更关键:当模型与 agent 开始自动出图、自动解释,研究问题会从「能不能生成」转向「人是否真的理解,以及理解是否可迁移」。
- 原文与中文导读
- UBC / Munzner:Visualization Analysis and Design
- IEEE VIS
- Polo Club 交互式解释器系列