因果支持：用可视化建模因果推断
人机交互
2021-07-29 v1
摘要
分析人员常常对可能的数据生成模型作出视觉因果推断。然而，视觉分析(VA)软件往往将这些模型隐式保留在分析人员的头脑中，这使得非正式视觉“洞见”的统计有效性受到质疑。我们通过采用因果支持——一种在给定数据下学习备选因果解释概率的贝叶斯认知模型——作为因果推断的规范性基准，正式评估来自可视化的因果推断质量。我们贡献了两个实验，评估众包工作者检测(1)处理效应与(2)混杂关系的能力。我们发现图表用户的因果推断往往对样本量不敏感，从而偏离我们的规范性基准。虽然可视化中的交互式交叉过滤能提高敏感性，但平均而言用户使用常见可视化并不比使用文本列联表表现得更可靠。这些实验证明了因果支持作为 VA 中推断评估框架的效用，并指出了在 VA 软件中使分析人员心智模型更显式的机会。
引用
@article{arxiv.2107.13485,
title = {Causal Support: Modeling Causal Inferences with Visualizations},
author = {Alex Kale and Yifan Wu and Jessica Hullman},
journal= {arXiv preprint arXiv:2107.13485},
year = {2021}
}