超越相关性：融合反事实指引以更好地支持探索性可视分析
人机交互
2024-10-18 v1
摘要
为用户提供有效的指导一直是高效探索式可视分析的重要且具有挑战性的任务，尤其是在高维数据集中选择变量进行可视化时。相关性是统计和分析工具中最广泛应用的指导指标，但过度依赖相关性可能导致用户在解释数据中的因果关系时走向错误。本文受前期关于反事实可视化在支持视觉因果推断方面的益处的启发，我们提出一种新颖、简洁且高效的反事实指引方法，以增强基于专家访谈收集的见解和关切在受导探索分析中的因果推断性能。我们的技术旨在利用反事实方法的优势，同时降低其复杂性以供用户使用。我们将反事实指引集成到探索式可视分析系统中，并使用合成生成的真实因果数据集进行了比较用户研究，评估了反事实指引在引导用户向更精确的视觉因果推断方面的效果。结果表明，反事实指引改进了视觉因果推断性能，也导致了与基于相关性的指引不同的探索行为。基于这些发现，我们提出了未来在更好地支持探索式可视分析中整合反事实指引的方向和挑战。
引用
@article{arxiv.2408.16078,
title = {Beyond Correlation: Incorporating Counterfactual Guidance to Better Support Exploratory Visual Analysis},
author = {Arran Zeyu Wang and David Borland and David Gotz},
journal= {arXiv preprint arXiv:2408.16078},
year = {2024}
}