知识辅助可视化与引导：理论、模型与应用

# 知识辅助可视化与引导：理论、模型与应用 ## 1. 引导在数据分析中的核心概念 在数据分析过程中，用户会以隐式或显式的方式提供自身需求和问题作为输入，系统则提供可能的答案来缓解问题情境。核心问题在于参与程度，一方面，用户通过与系统交互，明确或含蓄地表达分析目标以及阻碍进展的知识差距；另一方面，系统对用户的操作做出反应，提供有助于决定达成目标所需步骤的线索。 引导具有以下特点： - 是一个与用户常规数据分析活动并行的动态过程。 - 由于知识差距导致数据分析停滞时产生需求。 - 是一种假设有人参与其中的交互式场景。 可以将引导类比为导师帮助学生，导师虽不知道学生问题的解决方案，但能提供解决问题的思路，引导学生自行找到答案。因此，引导不仅仅是计算结果的附加算法，更是人机合作的催化剂。 ## 2. 丰富引导的可视化分析模型 ### 2.1 模型基础与扩展 基于前人对引导的初步定义，聚焦于可视化分析（VA），并针对用户的知识差距、引导生成过程的输入和输出，以及引导提供的程度进行了调整。Ceneda 等人扩展了 van Wijk 的可视化模型，将引导生成过程和 VA 过程纳入其中，用“可视化分析”取代了“可视化”这一术语，使模型涵盖了视觉和分析方法。 ### 2.2 模型组件 模型组件在图中以不同形式表示： - 方框代表数据或图像等人工制品。 - 圆圈代表处理输入并生成输出的功能。 可视化和分析手段 [V] 根据特定规格 [S] 将数据 [D] 转换为图像 [I]，图像被感知（P）以生成知识 [K]。用户基于积累的知识，通过调整规格（如选择不同的聚类算法或改变数据视角）交互式地探索（E）数据。van Wijk 的模型有效地传达了通过 VA 介导的知识生成的迭代和动态性质，适合扩展为引导式 VA 模型。 ### 2.3 引导生成过程 Ceneda 等人在模型中添加了与引导相关的新组件，其中引导生成过程（G）处于核心位置。它首先与用户的知识 [K] 相连，因为在采取任何引导措施之前，需要了解用户的具体问题。他们引入“知识差距”这一术语来描述阻碍数据分析继续进行的实际不足。引导生成过程（G）还与多种信息源相连，包括原始数据 [D]、可视化图像 [I]、VA 规格 [S]、交互历史或来源 [H] 以及领域约定或模型 [D]，这些组件构成了引导生成过程的输入。 ### 2.4 引导输出场景 引导生成过程的结果可以通过多种方式交付，主要有以下三种场景： |引导类型|引导程度|特点|