视觉分析中不确定性的引导：一项综述

《Computers & Graphics》：Guiding through uncertainties in visual analytics: A survey

　　

研究人员基于5种角色和3种范围对视觉分析（Visual Analytics, VA）中的引导进行分类，并讨论其6个特征。文献中与沟通和障碍相关的不确定性研究不足。VA中的感知和思维不确定性事件需要重新定义。研究人员建议探究开发入职引导（onboarding）、叙事引导（narrative）和说服引导（persuasion）。

视觉分析中不确定性的引导：一项综述解读

视觉分析（Visual Analytics, VA）通过交互式意义建构循环支持用户从数据中获取知识和洞察，以辅助决策。然而，不确定性贯穿VA周期，造成知识鸿沟，削弱用户对系统、分析过程和决策结果的信任。不确定性可源自VA周期的四个主要组件：数据（data）、可视化（visualization）、假设/模型（hypothesis/model）和洞察（insight），且这些来源相互关联、累积并在整个周期中传播。尽管已有多种引导策略被提出，但缺乏一个系统性的分类框架来理解引导如何针对不同来源的不确定性发挥作用。为此，研究人员开展了这项综述研究，旨在回答三个核心问题：引导在不确定性存在下扮演什么角色？不同类型和组合的引导能在多大程度上解决不确定性？在给定情境下，哪种引导范围最有价值？该论文发表于《Computers》。

研究人员系统梳理了2019年至2025年间发表的文献，最终纳入128篇论文，提出了一种包含五个引导角色（分析、可访问性、协作、设计、信息性）、三个引导范围（低、中、高）和六个引导特征（目标、时间设置、空间设置、仪器、算法类型、典型用户）的多维分类法。通过将引导策略映射到Gillmann等人提出的不确定性分类法，研究人员揭示了现有引导策略在应对不确定性时的覆盖范围和空白，并提出了未来研究方向。

关键的技术方法包括：研究人员采用混合演绎-归纳方法构建分类体系。首先从已有引导文献中提取概念类别，然后通过对文献语料进行编码归纳出新的引导角色。文献检索经过多阶段筛选，使用两组关键词组合查询IEEE Xplore、Wiley和Eurographics Digital Library等数据库，从初始3500篇论文中逐步筛选出最终128篇。分类过程由两位作者独立编码，分歧通过小组协商和资深作者裁决解决。此外，研究人员利用Gillmann等人的不确定性分类法来标注每篇论文所解决的不确定性事件，并据此映射引导角色与不确定性组件之间的关系。

研究结果部分：

分析（Analysis）角色：该角色支持用户在进行意义建构或决策时提供指导。通过分析30篇相关论文，发现大多数分析引导针对用户的思维和感知不确定性事件，例如通过预测模型预测用户意图、提供交互反馈或推荐分析路径。引导范围以低范围和中间范围为主，针对领域专家时倾向于低范围以避免干扰；高范围引导较少见，主要用于可视化问题解决。

可访问性（Accessibility）角色：该角色引导有残障的用户有效使用可视化。通过9篇论文分析，发现可访问性引导主要针对交互组件中的思维不确定性，采用替代感官通道（如声化、触觉）向用户传达图表信息。中间范围引导较为常见，提供多种推断供用户选择；高范围引导则提供单一的推断摘要。大多数策略面向视觉障碍用户。

协作（Collaboration）角色：该角色通过整合多个用户的知识来支持分析。11篇论文表明，协作引导主要解决洞察组件中的不确定性，特别是用户的不完整知识和无知。中间范围引导常见，例如通过多用户分析溯源提供多种分析选项；有些策略还提供高范围引导，将多用户知识整合为单一分析路径。

设计（Design）角色：该角色支持用户选择有效视觉设计。11篇论文中，大部分采用高范围引导，直接推荐完整可视化和排名列表，以降低新手的设计门槛；低范围引导通过注释叠加来纠正设计错误，而不改变原有图表。设计引导主要解决可视化映射不确定性。

信息性（Informativeness）角色：该角色通过提供额外信息来对齐用户与系统的知识。8篇论文显示，信息性引导同时解决模型和洞察组件中的不确定性，例如解释降维模型、显示或隐藏信息等。范围方面，中间范围（提供解释）和高范围（说明分析影响）较为常见。

此外，评估研究表明，除了Ceneda等人提出的启发式方法外，大多仍采用传统用户研究来评估引导效果。评估结果强调，引导设计需要考虑用户上下文和信任。

讨论部分总结了几个重要研究空白。首先，针对视觉障碍以外的残障（如注意力缺陷多动障碍、智力障碍等）的引导研究不足；其次，引导组合的研究有待深入；第三，引导范围的选择需要更情境化。研究人员建议探索三种新的引导角色：入职引导（onboarding）、叙事引导（narrative）和说服引导（persuasion）。其中，沟通不确定性被视为VA周期中未被充分认识的新来源。最后，现有不确定性分类法需要扩展，以涵盖感知和思维不确定性事件的重新定义及沟通不确定性。

研究结论部分翻译如下：本文对解决VA中不确定性的引导工具进行了综述。该综述突出了不确定性分类法和引导方法中的若干空白。本工作还强调了引导如何有效解决不确定性，以克服量化和可视化不确定性的挑战。引导可以在不损害用户信任的情况下更微妙地解决分析过程中的不确定性。然而，当明确研究这些工具解决不确定性的有效性时，它们可以得到改进。该综述揭示了扩展VA周期的必要性。此外，未来工作需要更全面的不确定性分类法，以支持更有针对性的引导策略。而且，引导研究必须根据引导干预的角色考虑适当的设计特征。未来的工作可以聚焦于扩展对VA中不确定性和引导应用的理解。未来研究还必须探索VA中新的不确定性来源，即沟通不确定性，将现有策略重新概念化为引导（如入职引导），并丰富针对研究较少的引导角色（如可访问性引导）的工作。最后，该综述讨论了引导的六个特征。然而，这项综述没有深入对每个特征进行分类。这一努力是未来综述的一个开放机会，有望使研究人员改进引导设计中的选择。