可视化研究是什么？它应该是什么？
原文：What is visualization research? What should it be?（Jessica Hullman，2018；Multiple Views 开篇）。本文是中文导读，不替代原文。
很多人一听 visualization research，就想到 Tufte：数据墨水比、避免 chartjunk。这些准则入门有用，但严格照做，可能得到一张几乎没有轴线的「幽灵图」。它真的更好吗？
可视化研究的价值之一，正是用实验与理论检验、细化甚至推翻这些直觉准则。
自 1980 年代末以来，可视化研究已形成以 IEEE VIS 等会议为中心的社区。它并不只是「把图画好看」，而覆盖至少七类工作。
1. 创作工具
目标：降低有效可视化的创建门槛。Tableau、Spotfire、D3 都来自研究者原型；Vega / Vega-Lite 则把声明式语法推进到可组合、可推理的规范层。
2. 新编码
Treemap、Word Tree、Parallel Sets、Arc Diagram 等今天常见的编码，最初都是研究产出。研究常问：常规方法在哪里失效，新设计如何让新模式可见。
3. 受控实验
例如：chartjunk 有时有助于记忆；二维连续数据分箱没那么糟；不同编码在不同任务下的表现；标题措辞、先验信念如何改变解读。
4. 视觉分析
可视化服务探索性数据分析：大规模数据与文本语料、复杂模型评估、深度学习可解释工具（如 LSTMVis、Rule Matrix、Seq2Seq-Vis）。这是 visual analytics 的核心战场。
5. 传播与叙事
面向公众与决策者：可视化序列顺序、拖拽式叙事工具（Lyra）、自定义布局（Charticulator）、手绘故事线（iStoryline）。
6. Design studies
与领域专家深度协作，产出领域问题新洞察，以及针对性编码 / 交互系统。
7. 形式理论
最著名的是 Wilkinson 的 Grammar of Graphics，启发了 ggplot2；也有代数、经济学等理论框架。
从感知走向认知
社区长期偏重 bottom-up 的视觉感知，因为更贴近编码本身。但人从图表带走什么，同样取决于 top-down 力量：想相信什么、以前学过什么、领域知识是什么。
从「是什么」走向「为什么」
性能比较回答「哪个图更好」；机制解释回答「为什么会有差异」。只有后者，才能外推到略微不同的条件。
拓宽边界
把研究边界死死画在「抽象数据的视觉表示」上，可能让领域变窄。交互式插图、卫星图、草图、类比推理、美学，甚至表格，都可能与数据理解相关。有时文本、甚至不展示信息才是更好的选择。
- 对初学者：它画出的是领域地图，而不是工具清单
- 对从业者：设计准则不是金科玉律，需要实证
- 对研究者：认知、机制解释、边界拓展仍是开放题
- 对 AI × 可视化：模型解释器、图表生成、agent 分析工作流，都落在「工具 + 实验 + 视觉分析 + 叙事」交叉带
如果你做 model explainer 或 Transformer 可视化，这篇文章的价值在于定位：你做的不只是前端 demo，而是可视化研究谱系中的一类系统贡献——需要明确任务、证据、评估与边界。
可视化研究既是工具与编码的创新，也是感知、认知、评估与理论的科学。它的未来不该只回答「哪个图更好」，还要回答「人为什么这样理解数据，以及何时不该画图」。
- 原文 Medium 链接
- 同系列笔记详解
- IEEE VIS：https://ieeevis.org/