相同数据，不同受众：基于用户画像的超级计算作业队列可视化范围划分

领域特定的可视化有时仅聚焦于一个用户群体的狭窄且重要的任务。这种关注度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若未被明确区分可能构成设计陷阱，但也提供了设计机遇——开发支持多个群体的可视化。这种开发选择会带来范围扩大但为任何单个群体的狭窄任务提供有限支持的权衡，这在某些情况下可以提高可视化的整体实用性。我们通过设计研究来检验此场景，开发了"Guidepost"——一种嵌入笔记本的超级计算队列数据可视化工具，帮助科学家评估超级计算队列等待时间，帮助机器学习研究人员理解预测准确性，帮助系统维护员分析使用趋势。我们采用HCI和软件工程领域已有文献中用于可视化设计的用户画像方法，并将其应用于基于用户画像中任务独特性对任务进行分类。在此模型下，跨越所有群体的任务应由交互式可视化支持，而针对每个群体独有的任务可延迟到脚本化的笔记本嵌入式可视化设计中。我们组织了九位专家分析师进行评估，分为两组：一组"研究分析师"使用超级计算队列数据进行研究（代表机器学习研究人员和作业数据分析师用户画像），另一组"超级计算用户"按条件使用此数据（代表HPC用户画像）。我们发现，该可视化系统通过点选交互成功执行共享任务，同时促进特定案例的程序化分析工作流程，满足了三个利益相关方群体的需求。