同一数据，不同受众：用于超级计算机作业队列可视化的 Persona 设计
摘要
领域特定可视化有时聚焦于为单一用户组服务的狭窄且重要任务。这一聚焦限制了可视化对其他使用相同数据的群体的实用性。虽然来自其他群体的任务如果未被消除可能构成设计陷阱，但也代表了开发支持多个群体的可视化的设计机遇。这种开发选择在扩大范围与为任何单个群体的更狭窄任务提供支持之间存在权衡，某些情况下可能提升可视化的整体实用性。我们通过设计研究来探索此场景，其中我们开发了 \textit{Guidepost}，一种嵌入笔记本的超级计算机队列数据可视化，帮助科学家评估超级计算机队列等待时间，帮助机器学习研究人员理解预测准确性，帮助系统维护者分析使用趋势。我们采用来自人机交互和软件工程领域已有文献中用于可视化设计的 Persona 用法，并将其用于基于 Persona 任务的唯一性对任务进行分类。在此模型下，针对所有群体共享的任务应由交互式可视化支持，而针对每个群体唯一的任务可推迟到使用笔记本嵌入可视化设计的脚本中。我们将可视化评估给九名专家分析师，分为两个组成员：代表机器学习研究人员和作业数据分析师 Persona 的“研究分析师”组成员，以及代表 HPC 用户 Persona 的“超级计算机用户”组成员。我们发现，可视化通过启用共享任务的点-点击交互，帮助用户成功执行，同时促进特定情境下程序化分析工作流程。
引用
@article{arxiv.2507.17897,
title = {Multimodal Recurrent Ensembles for Predicting Brain Responses to Naturalistic Movies (Algonauts 2025)},
author = {Semih Eren and Deniz Kucukahmetler and Nico Scherf},
journal= {arXiv preprint arXiv:2507.17897},
year = {2025}
}
备注
8 pages, 2 figures, 1 table. Invited report, CCN 2025 Algonauts Project session (3rd-place team). Code: https://github.com/erensemih/Algonauts2025_ModalityRNN v3: Added equal contribution footnote to author list. Corrected reference list