综述：COVID-19可视化仪表盘在真实世界中的应用交互式评述

《Visual Informatics》：COVIDashboardsWild: An interactive review on COVID-19 visualization dashboards in the wild

本文系统评述了208个真实世界部署的COVID-19可视化仪表盘，基于Munzner嵌套模型构建了涵盖四层级、12类别、70余标签的层次化分类体系，深入剖析了其在领域问题表征（如疫情指标、数据来源、发布者）、数据任务抽象（数值/时空/地理数据、筛选/排序任务）、编码交互设计（单数字卡片、地图、条形图等主导视觉形式）及算法应用（百分比、预测模型）等方面的设计空间与特征，为未来公共卫生危机中的可视化实践提供了重要参考。

　　

范围与方法论

为深入理解可视化仪表盘在向不同受众传播COVID-19知识方面的应用，本研究对全球范围内由不同实体创建的208个公开可访问的COVID-19仪表盘进行了全面系统的评述。分析范围聚焦于符合特定纳入标准的公共COVID-19仪表盘，即必须报告关键COVID-19指标、提供某种形式的数据可视化、以基于网页的格式公开可用并定期更新。数据收集过程始于先前COVID-19仪表盘调查工作中引用的仪表盘，随后使用特定关键词在流行搜索引擎中进行针对性搜索，并通过个人网络调查以改善数据覆盖度。最终数据集经过筛选，排除了无法访问、重复或缺乏数据可视化的网站，并对每个仪表盘进行了截图和网页存档，以确保其状态的持久可访问性。编码过程采用手动方式，遵循经典的可视化设计流程和模型，包括初步编码、交叉验证和交互式工具辅助验证三个阶段。

领域问题表征

COVID-19仪表盘的核心目标在于增强态势感知、提高信息可及性、促进信息透明度、支持快速响应以及实现数据驱动的决策。这些仪表盘传达的内容主题广泛，主要集中在疫情指标（如病例、死亡、检测、疫苗）、医疗资源、控制措施及其社会影响等方面。数据来源多样，主要包括官方政府网站、卫生组织、医学研究机构和权威新闻网站，许多仪表盘作为综合信息枢纽，整合并交叉验证来自多个来源的数据。

仪表盘的发布者类型多样，包括政府机构、组织、公司、学术机构、个人、社交网络和新闻媒体，其中政府创建的仪表盘占比最高。目标用户涵盖公众、管理团队和健康专家等，但仅有少数仪表盘明确列出了其目标用户。地理覆盖范围从国际、国家级到区域和学校级别不等，北美地区的发布者最为集中。在时效性方面，大多数仪表盘在疫情期间每日更新，部分甚至提供近实时更新，但随着疫情演变，更新频率可能发生变化或停止更新。

数据与任务抽象

COVID-19仪表盘数据具有丰富的时空特征，并包含分类和关系信息。研究将观察到的COVID-19数据映射到通用数据类型，包括数值型、时序型、地理型、分类型、文本型和关系型。其中，数值型数据最为普遍，几乎所有仪表盘都包含；时序型和地理型数据也占据重要地位；分类型、文本型和关系型数据使用相对较少。

在任务抽象方面，仪表盘主要支持七类操作：“更多信息”（获取选定项目的详细信息）、“筛选”（按条件显示数据）、“表征分布”（显示特定属性值的分布）、“排序”（按指标对数据集排序）、“查找极值”（显示属性的极端值）、“聚类”（查找具有相似属性值的簇）和“关联”（确定两个属性之间的关系）。其中，“更多信息”、“筛选”和“表征分布”是最常用的操作。

编码与交互技术设计

在视觉编码方面，COVID-19仪表盘采用了多种视觉形式。单数字卡片和表格是展示数值数据最常用的技术，分别以简洁的方框形式呈现关键指标和以行列形式展示多维度数据。条形图和折线图（包括面积图）是呈现时间趋势的主导技术，常用于展示单变量或多变量时间序列数据。地图是呈现地理空间属性的主要视觉形式，包括基于点的地图和基于区域的地图，支持用户通过缩放探索不同地理层级的信息。此外，饼图、散点图以及其他视觉形式（如节点链接图、树图、词云）也有应用，但使用频率相对较低。

值得注意的是，尽管COVID-19研究中存在多维度和层次化数据可视化，但面向公众的仪表盘较少采用雷达图、平行坐标图等复杂表示，而是倾向于并置多个简单图表，每个图表呈现一个维度，这可能是为了适应广大受众不同的可视化素养水平。

在多视图协调方面，大多数仪表盘采用多屏幕布局（如混合多标签/滚动叙事），仅有少数仪表盘实现完全协调的视图（即一个视图中的操作引发所有其他视图的更新）。部分协调和独立视图更为常见。

交互设计方面，工具提示、筛选、选择、探索、缩放和平移是仪表盘支持的主要交互技术，用于查看详细信息、按条件过滤数据、高亮感兴趣项、切换显示指标或视角等。动画交互则用于生动描绘疫情的动态演变趋势。

算法应用

在算法层面，COVID-19仪表盘应用了基础的数据处理方法和疫情预测算法。最常用的算法包括百分比计算、归一化（便于跨区域比较）、对数尺度（在有限空间内呈现大范围数值）和移动平均（平滑时间序列中的短期波动，揭示长期趋势）。这些方法有助于提升数据的可读性和可比性。

疫情预测是另一个重要的算法类别，约有12.5%的仪表盘提供此功能。预测模型主要包括经典的易感-感染-移除（SIR）模型家族、机器学习增强模型和集成模型，用于估计病例、死亡、住院等关键指标。除了预测算法的使用，研究还观察到模型评估和解释方面的努力，例如创建工具来评估和比较不同预测模型的性能，并提供交互式仪表盘帮助用户理解流行病学参数及其对预测结果的影响。

讨论与局限性

本研究揭示了为广泛受众设计可视化仪表盘在全球危机中面临的独特挑战和机遇。核心发现包括：简单直观的视觉形式和交互对于公众理解至关重要；信息的透明度和来源标注对于建立信任不可或缺；地图等地理可视化工具虽有广泛应用，但其设计质量和效果仍有提升空间；疫情预测模型的解释性对于用户理解和信任至关重要。

本研究的局限性主要在于数据集规模（208个仪表盘）可能引入偏差，以及研究焦点仅限于COVID-19仪表盘，其发现对其他疫情或全球危机的普适性有待进一步验证。未来研究可纳入更广泛的危机应对仪表盘，并探索嵌入式用户行为追踪等方法，以更真实地评估可视化设计在公共卫生危机中的有效性。

结论

本研究通过对208个真实世界部署的COVID-19数据仪表盘进行系统评述，基于完整的可视化流水线视角，提出了一个跨越领域问题表征、数据任务抽象、编码交互设计和算法应用四个层次的嵌套分类体系。通过全面考察其领域特征和实现特性，阐明了数据仪表盘在应对全球大流行复杂性方面的设计空间和功能效用。此外，开发的交互式仪表盘浏览器为研究人员的持续探索提供了便利。这项工作有助于推进针对全球卫生紧急情况的可视化实践，并为未来危机应对仪表盘的设计奠定了基础。