27.3. 本章小结#
本章系统介绍了可视分析的理论、方法和应用以及可视化设计与评估方法。
可视分析正在成为从数据中获取认知、发现知识的重要方法，是大数据时代人机协同、智能增强的新型分析范式。 从理论上看，可视分析是可视化、分析、交互等多学科交叉的结果，蕴含了深刻的”人-信息-环境”互动思想。 从方法上看，可视分析强调数据、任务、用户等多要素的系统集成，强调机器智能和人的智慧的持续对话、螺旋上升。 从应用上看，可视分析具有广泛的应用前景，正在成为科学探索、商业决策、社会治理等诸多领域的助推器和加速器。
另一方面，可视化设计与评估方法是连接理论创新与实际应用的核心纽带，其本质在于通过科学原则与用户验证，平衡数据表达的准确性与视觉认知的直觉性。 设计层面需遵循“用户为中心”的理念，融合多种设计原则，将复杂信息转化为可操作的视觉语言；评估层面则需构建多维度指标体系，结合定量指标与定性反馈，揭示设计决策对用户洞察力的真实影响。
展望未来，随着AI生成式设计工具的崛起与神经科学技术的渗透，未来将迈向“数据-算法-人因”协同的自适应评估范式，推动可视化从静态图表向智能、动态、可解释的认知伙伴进化。
27.3.1. 习题#
27.3.2. 参考文献#
Stuart Card, Jock Mackinlay, and Ben Shneiderman. Readings in Information Visualization: Using Vision To Think. Information Visualization - IVS, 01 1999.
Daniel Keim, Gennady Andrienko, Jean-Daniel Fekete, Carsten Görg, Jörn Kohlhammer, and Guy Melançon. Visual analytics: definition, process, and challenges. In Information visualization: Human-centered issues and perspectives, pages 154–175. Springer, 2008.
Tamara Munzner. A nested model for visualization design and validation. IEEE transactions on visualization and computer graphics, 15(6):921–928, 2009.
Catherine Plaisant. The challenge of information visualization evaluation. In Proceedings of the working conference on Advanced visual interfaces, 109–116. 2004.
Dominik Sacha, Andreas Stoffel, Florian Stoffel, Bum Chul Kwon, Geoffrey Ellis, and Daniel A Keim. Knowledge generation model for visual analytics. IEEE transactions on visualization and computer graphics, 20(12):1604–1613, 2014.
James J. Thomas and Kristin A. Cook. Illuminating the Path: The Research and Development Agenda for Visual Analytics. National Visualization and Analytics Center., 2005.
Yong Wang, Hammad Haleem, Conglei Shi, Yanhong Wu, Xun Zhao, Siwei Fu, and Huamin Qu. Towards easy comparison of local businesses using online reviews. In Computer Graphics Forum, volume 37, 63–74. Wiley Online Library, 2018.