[论文解读] Learning Vis Tools: Teaching Data Visualization Tutorials

Leo Yu‐Ho Lo, Yao Ming+1 more|arXiv (Cornell University)|Jul 20, 2019

Data Visualization and Analytics参考文献 19被引用 4

一句话总结

本文提出了一套教学数据可视化的教育框架，整合了基于图形界面的工具、Python 库（例如 Altair、Vega-Lite）以及交互式笔记本（Jupyter 和 Observable），以适应不同编程背景的学生。通过从低代码工具逐步过渡到基于 D3 的编程，该方法使非计算机科学专业学生能够创建高质量的可视化作品，从而实现更广泛的工具采用率和更高的学生项目参与度。

ABSTRACT

Teaching and advocating data visualization are among the most important activities in the visualization community. With growing interest in data analysis from business and science professionals, data visualization courses attract students across different disciplines. However, comprehensive visualization training requires students to have a certain level of proficiency in programming, a requirement that imposes challenges on both teachers and students. With recent developments in visualization tools, we have managed to overcome these obstacles by teaching a wide range of visualization and supporting tools. Starting with GUI-based visualization tools and data analysis with Python, students put visualization knowledge into practice with increasing amounts of programming. At the end of the course, students can design and implement visualizations with D3 and other programming-based visualization tools. Throughout the course, we continuously collect student feedback and refine the teaching materials. This paper documents our teaching methods and considerations when designing the teaching materials.

研究动机与目标

• 解决如何向具有多样化编程背景的学生（尤其是非 CSE 专业学生）教授数据可视化的问题。
• 通过整合 Tableau、Excel 和 Python 库等易用工具，降低可视化课程的学习门槛。
• 通过早期且实际地应用可视化概念，提升学生参与度和项目质量。
• 设计一种可扩展、可适应的课程体系，支持从图形界面工具到基于编程的可视化库的渐进式学习。
• 记录并以开放许可证发布教学材料，以供更广泛的教育再利用。

提出的方法

• 课程采用分层方法：从基于图形界面的工具（如 Tableau、Excel）开始，逐步过渡到基于 Python 的库（如 Altair、Vega-Lite），最终进阶至 D3.js 的高级编程。
• 所有教程材料均通过交互式笔记本提供——Python 使用 Jupyter，JavaScript 使用 Observable，支持实时编码和即时反馈。
• 使用 Spotify 和 Pokémon 等数据集作为催化剂，在实践环节中激发学生探索和同伴分享。
• 持续收集学生反馈并用于优化材料，重点关注不同技能水平学生的可用性和可及性。
• 课程强调实践应用而非理论讲授，以小组项目作为最终成果展示。
• 材料以知识共享许可证发布在 GitHub 上，供其他教育工作者开放使用和改编。

实验结果

研究问题

• RQ1 如何使缺乏编程经验的学生也能轻松接触数据可视化教育？
• RQ2 哪种工具栈能够实现从低代码到代码化可视化开发的平滑过渡？
• RQ3 交互式笔记本的使用在数据可视化课程中对学生参与度和学习成效有何影响？
• RQ4 在采用分层工具课程支持的情况下，非 CSE 学生在多大程度上能够制作出高质量的可视化作品？
• RQ5 具有吸引力的真实世界数据集在激发学生探索和项目开发方面起到什么作用？

主要发现

• 学生显著拓宽了工具使用范围，除 D3 外，对 Python（通过 Jupyter）、Tableau 和基于网页的笔记本表现出强烈采用意愿。
• Jupyter 和 Observable 笔记本广受好评，学生特别赞赏其安全、迭代式实验的能力。
• 非 CSE 学生成功制作出高质量、与特定领域相关的可视化作品，表明编程熟练度并非开展有影响力的可视化工作的先决条件。
• 学生积极探索教程范围之外的工具，如 Matplotlib、Plotly.js 和 Power BI，显示出强烈的内在动机和知识迁移能力。
• Spotify 和 Pokémon 数据集在激发学生参与方面尤为有效，学生主动分享发现并独立探索趋势。
• 课程设计支持项目早期启动，多个小组在构思阶段即使用 Tableau 或 Jupyter 笔记本展示数据可视化作品。