A Unified Comparison of User Modeling Techniques for Predicting Data Interaction and Detecting Exploration Bias
A Unified Comparison of User Modeling Techniques for Predicting Data Interaction and Detecting Exploration Bias
复制标题
用于预测数据交互和检测探索偏差的用户建模技术的统一比较
DOI：
10.1109/tvcg.2022.3209476
复制
发表时间：
2023
影响因子：
5.2
通讯作者：
Ottley, Alvitta
中科院分区：
文献类型：
--
作者：
Ha, Sunwoo;Monadjemi, Shayan;Garnett, Roman;Ottley, Alvitta
可视化分析社区已经提出了几种用户建模算法来捕获和分析用户的交互行为，以帮助用户进行数据探索和洞察生成。例如，一些可以检测探索偏差，而另一些可以预测用户将在交互发生之前与之交互的数据点。研究人员认为，这些算法可以帮助创建更智能的可视化分析工具。然而，社区缺乏对这些现有技术的严格评估和比较。因此，关于何时使用何种方法的指导有限。我们的论文试图通过比较和排名八个用户建模算法，根据他们的性能在一组不同的四个用户研究数据集，以填补这一空白。我们分析了探索偏差检测，数据交互预测和算法复杂性等措施。基于我们的研究结果，我们强调了分析用户交互和可视化起源的开放挑战和新方向。
The visual analytics community has proposed several user modeling algorithms to capture and analyze users' interaction behavior in order to assist users in data exploration and insight generation. For example, some can detect exploration biases while others can predict data points that the user will interact with before that interaction occurs. Researchers believe this collection of algorithms can help create more intelligent visual analytics tools. However, the community lacks a rigorous evaluation and comparison of these existing techniques. As a result, there is limited guidance on which method to use and when. Our paper seeks to fill in this missing gap by comparing and ranking eight user modeling algorithms based on their performance on a diverse set of four user study datasets. We analyze exploration bias detection, data interaction prediction, and algorithmic complexity, among other measures. Based on our findings, we highlight open challenges and new directions for analyzing user interactions and visualization provenance.
登录
查看更多内容
模式和节奏：通过网络可视化量化多样化的探索行为
DOI：
10.1109/tvcg.2018.2865117
发表时间：
2019
影响因子：
5.2
作者：
Mi Feng;Evan M. Peck;Lane Harrison
通讯作者：
Lane Harrison
影响因子：
3.5
作者：
Brod, Meryl;Tesler, Laura E.;Christensen, Torsten L.
通讯作者：
Christensen, Torsten L.
DOI：
10.1007/3-540-45014-9
发表时间：
2000-06
期刊：
--
影响因子：
--
作者：
Thomas G. Dietterich
通讯作者：
Thomas G. Dietterich
预测散点图可视化中选择背后的意图
影响因子：
2.3
作者：
Gadhave, Kiran;Görtler, Jochen;Cutler, Zach;Nobre, Carolina;Deussen, Oliver;Meyer, Miriah;Phillips, Jeff M.;Lex, Alexander
通讯作者：
Lex, Alexander
Lumos：提高可视化数据分析过程中分析行为的意识
DOI：
10.1109/tvcg.2021.3114827
发表时间：
2022
影响因子：
5.2
作者：
Narechania, Arpit;Coscia, Adam;Wall, Emily;Endert, Alex
通讯作者：
Endert, Alex