Adaptive Contextualization Methods for Combating Selection Bias during High-Dimensional Visualization
Adaptive Contextualization Methods for Combating Selection Bias during High-Dimensional Visualization
复制标题
在高维可视化过程中对抗选择偏差的自适应情境化方法
DOI：
10.1145/3009973
复制
发表时间：
2017
影响因子：
3.4
通讯作者：
Meyer, Anne-Marie
中科院分区：
文献类型：
--
作者：
Gotz, David;Sun, Shun;Cao, Nan;Kundu, Rita;Meyer, Anne-Marie
大型和高维的真实世界数据集正在广泛的应用领域中收集，以实现数据驱动的决策。交互式数据可视化可以在允许领域专家从这些大型集合中选择和分析数据方面发挥关键作用。然而，在复杂的真实世界数据集中的大量维度与使用现代技术可以同时可视化的更少数量的维度之间存在严重的不匹配。这种维度上的差距可能会导致用户忽视的高水平的选择偏差。这种偏见反过来又会威胁到任何后续见解的有效性。本文介绍了自适应语境化（AC），一种新的方法来交互式视觉数据的选择，是专门设计来打击无形的介绍选择偏见。AC方法（1）监视和建模用户的视觉数据选择活动，（2）计算该模型的度量，以量化每个步骤后的选择偏差量，（3）可视化度量结果，以及（4）提供交互式工具，帮助用户评估和避免与偏差相关的问题。本文扩展了ACM IUI 2016 [16]上发表的早期文章，对AC方法和其他评估结果进行了更详细的回顾。
Large and high-dimensional real-world datasets are being gathered across a wide range of application disciplines to enable data-driven decision making. Interactive data visualization can play a critical role in allowing domain experts to select and analyze data from these large collections. However, there is a critical mismatch between the very large number of dimensions in complex real-world datasets and the much smaller number of dimensions that can be concurrently visualized using modern techniques. This gap in dimensionality can result in high levels of selection bias that go unnoticed by users. The bias can in turn threaten the very validity of any subsequent insights. This article describes Adaptive Contextualization (AC), a novel approach to interactive visual data selection that is specifically designed to combat the invisible introduction of selection bias. The AC approach (1) monitors and models a user’s visual data selection activity, (2) computes metrics over that model to quantify the amount of selection bias after each step, (3) visualizes the metric results, and (4) provides interactive tools that help users assess and avoid bias-related problems. This article expands on an earlier article presented at ACM IUI 2016 [16] by providing a more detailed review of the AC methodology and additional evaluation results.
登录
查看更多内容
DOI：
10.1109/tvcg.2011.188
发表时间：
2011-12-01
影响因子：
5.2
作者：
Cao, Nan;Gotz, David;Qu, Huamin
通讯作者：
Qu, Huamin
影响因子：
2.3
作者：
Zhiyuan Zhang;D. Gotz;Adam Perer
通讯作者：
Adam Perer
分析跟踪：支持业务用户可视化数据分析的来源、协作和重用
DOI：
--
发表时间：
2011
期刊：
IFIP TC13 International Conference on Human-Computer Interaction
影响因子：
--
作者：
Jie Lu;Zhen Wen;Shimei Pan;J. Lai
通讯作者：
J. Lai
DOI：
10.1109/visual.2002.1183791
发表时间：
2002-10
期刊：
IEEE Visualization, 2002. VIS 2002.
影响因子：
--
作者：
T. Jankun-Kelly;K. Ma;Michael Gertz
通讯作者：
T. Jankun-Kelly;K. Ma;Michael Gertz
连接视觉分析中的点
DOI：
10.1109/vast.2009.5333023
发表时间：
2009
期刊：
2009 IEEE Symposium on Visual Analytics Science and Technology
影响因子：
--
作者：
Y. Shrinivasan;D. Gotz;Jie Lu
通讯作者：
Jie Lu