超越识字：基于用户特征、项目难度和Rasch得分预测可视化解释正确性
人机交互
2026-01-29 v1
摘要
数据可视化识字评估通常通过固定的数据可视化项目集合进行 administer，尽管不同人对相同可视化的解释存在显著差异。本文提出并评估了一种预测人类解释正确性（P-HIC）的方法，即在暴露于该DV之前预测特定人是否会正确解释数据可视化，从而实现更个性化的评估和培训。我们将P-HIC建模为二分类问题，使用22个特征涵盖人类概览、人类性能和项目难度（包括ExpertDifficulty和RaschDifficulty）。我们评估了三个机器学习模型（Logistic回归模型、随机森林、多层感知器），分别在有无特征选择的情况下进行，使用1083名参与者回答32个数据可视化项目（每个数据可视化8个项目，4个项目）的结果，得到34,656个项目响应。性能通过每个32（项目特定）数据集中的十次十折交叉验证进行评估，使用AUC和Cohen的kappa。带有特征选择的Logistic回归模型是表现最佳的方案，达到中位数AUC为0.72，中位数kappa为0.32。特征分析显示RaschDifficulty是最主要的预测因子，其后是专家评级和先前正确性（PercCorrect），其相关性在不同session中逐渐增加。概览信息对P-HIC的支持并不突出。我们的结果支持预测数据可视化误解释的可行性，激励基于观众选择数据可视化项目，从而提高数据可视化识字评估和针对性培训的效率。
引用
@article{arxiv.2601.20544,
title = {Beyond Literacy: Predicting Interpretation Correctness of Visualizations with User Traits, Item Difficulty, and Rasch Scores},
author = {Davide Falessi and Silvia Golia and Angela Locoro},
journal= {arXiv preprint arXiv:2601.20544},
year = {2026}
}