[论文解读] How Does Automation Shape the Process of Narrative Visualization: A Survey of Tools

Qing Chen, Shixiong Cao+2 more|arXiv (Cornell University)|Jun 24, 2022

Data Visualization and Analytics被引用 6

一句话总结

本文综述了六大类型——注释图表、信息图、时间线与叙事线、数据漫画、滚动叙事与幻灯片、数据视频——共105种叙事可视化工具，按四种自动化层级分类：设计空间、创作工具、机器学习/人工智能支持工具、机器学习/人工智能生成工具。研究发现，尽管自动化在叙事可视化中日益普及，但现有工具在理解用户意图和处理复杂数据方面仍显不足，凸显了智能推荐系统与人机协同设计流程的潜在发展空间。

ABSTRACT

In recent years, narrative visualization has gained much attention. Researchers have proposed different design spaces for various narrative visualization genres and scenarios to facilitate the creation process. As users' needs grow and automation technologies advance, increasingly more tools have been designed and developed. In this study, we summarized six genres of narrative visualization (annotated charts, infographics, timelines & storylines, data comics, scrollytelling & slideshow, and data videos) based on previous research and four types of tools (design spaces, authoring tools, ML/AI-supported tools and ML/AI-generator tools) based on the intelligence and automation level of the tools. We surveyed 105 papers and tools to study how automation can progressively engage in visualization design and narrative processes to help users easily create narrative visualizations. This research aims to provide an overview of current research and development in the automation involvement of narrative visualization tools. We discuss key research problems in each category and suggest new opportunities to encourage further research in the related domain.

研究动机与目标

• 系统分析自动化如何影响叙事可视化工具的设计与叙事流程。
• 基于自动化智能水平，对六大叙事可视化类型中的105种工具进行分类与综述。
• 识别当前自动化在理解用户设计意图及处理复杂数据方面的关键研究空白。
• 提出面向智能推荐系统与混合人机协同创作工具在叙事可视化中的新研究方向。
• 提供一个全面且可交互的参考平台（http://autovis.idvxlab.com/），用于探索设计空间与工具。

提出的方法

• 从不同类型与自动化层级中收集并分析了105篇与叙事可视化相关的论文与工具。
• 将工具划分为四个自动化层级：设计空间（理论框架）、创作工具（交互式、用户可控）、机器学习/人工智能支持工具（基于推荐）、机器学习/人工智能生成工具（完全自动化输出）。
• 将每种工具映射至一个或多个六大叙事可视化类型，以评估各类型中的自动化趋势。
• 在不同类型间进行对比分析，识别自动化关注点与成熟度的差异。
• 识别现有机器学习/人工智能生成工具的局限性，如在不同数据集间泛化能力差、缺乏用户意图建模。
• 提出未来研究框架，包括学习用户设计过程与结果的叙事推荐平台。

实验结果

研究问题

• RQ1 自动化在不同叙事可视化类型中，如何逐步支持创作流程？
• RQ2 六大叙事可视化类型在自动化关注点与成熟度方面有何关键差异？
• RQ3 当前的机器学习/人工智能生成工具在多大程度上理解用户意图，或能适应复杂数据（而不仅限于简单统计图表）？
• RQ4 现有工具在解释数据变化或支持用户主导的叙事决策方面存在哪些局限？
• RQ5 未来工具如何更好地将用户意图整合进自动化叙事可视化流程？

主要发现

• 本综述识别出六大叙事可视化类型中共91个独特的设计空间与工具，其中信息图与数据视频为研究最活跃的类型。
• 创作工具仍占主导地位，表明目前大多数叙事任务（尤其是复杂类型）尚无法实现完全自动化。
• 如Autoclips等机器学习/人工智能生成工具可无需用户输入生成输出，但常难以在多样化数据集或复杂数据类型间实现泛化。
• 缺乏对用户设计意图建模的工具；现有推荐系统基于数据特征或设计规则，而非用户目标。
• 最具前景的未来方向是混合型机器学习/人工智能支持工具，结合用户控制与智能建议，提升可用性与设计多样性。
• 开发了一个交互式浏览器（http://autovis.idvxlab.com/），用于可视化与探索所收集的工具与设计空间，提升工具可发现性与研究可及性。