报告摘要：数据可视化越来越多地被新闻媒体在社交媒体上用于向广大受众传达洞察。然而，关于读者如何在这些快速消费环境中与数据可视化互动和响应，我们知之甚少。在这项工作中，我们引入了一个概念模型，该模型将导致Instagram点赞传播效应的可视化阅读进行分类。该模型是通过对解释点赞背后推理的陈述进行扎根理论分析开发的，这些陈述是从初步研究中记录的。受到从可视化范围和设计模式两个维度编码陈述的启发，我们的模型由三个层次组成：描述可视化的“外观”（如艺术风格和配色方案）；解释可视化的“血肉”（如可视化和叙述）；以及阐明可视化的“心灵和灵魂”（如洞察和结论）。我们还进行了一项有200名参与者的在线众包用户研究，以展示我们的模型如何通过比较这三个层次来改善可视化的传播效果。

讲者简介：同济大学设计创意学院博士研究生，导师为石洋副教授，研究方向为数据可视化理论。研究兴趣聚焦于可视化在公共传播与集体感知中的作用机制，致力于探讨设计在数据与社会之间的桥梁作用。以第一作者或学生一作的身份发表CCF A类论文3篇。

报告摘要：杂交水稻育种通过杂交不同水稻品系并在田间培育所产生的杂交种，以选择具有理想农艺性状（如更高产量）的品种。最近，基因组选择已成为杂交水稻育种的有效方法。它根据基因预测杂交种的性状，这有助于排除许多不理想的杂交种，大大减少了田间培育的工作量。然而，由于基因组预测模型的准确性有限，育种者仍需要将他们的经验与模型相结合，以识别控制性状的调控基因并选择杂交种，这仍然是一个耗时的过程。为了缓解这一过程，本文提出了一种可视分析方法来促进交互式杂交水稻育种。调控基因识别和杂交种选择自然形成了一个双重分析任务。因此，我们开发了一种具有理论保证的参数化双重投影方法来促进交互式双重分析。基于这种双重投影方法，我们进一步开发了基因可视化和杂交种可视化来验证识别的调控基因和杂交种。我们的方法的有效性通过参数化双重投影方法的定量评估、案例研究中识别的调控基因和理想杂交种，以及育种者的积极反馈得到了证明。

讲者简介：湖南大学信息科学与工程学院博士生，导师为陈长建助理教授。主要研究方向为可视分析与机器学习，探索可视化与可视分析技术在育种、医药等具体领域的应用。

报告摘要：虚拟现实（VR）转播已成为在网球等重大体育赛事中提供沉浸式体验的创新媒介。然而，当前的VR转播系统缺乏有效的镜头语言，无法捕捉动态的比赛统计数据，导致视觉叙事无法充分吸引或告知观众。在这项工作中，我们首先分析了八场主要网球转播中的400个比赛间隙片段，建立了促进嵌入式可视化的网球特定镜头运动设计框架，以解决这些不足。我们通过分析25个VR动画片段并将它们的镜头和运动模式与传统网球转播进行比较，完善了我们的方法，揭示了指导我们VR适配的关键差异。基于从转播视频中提取的数据，我们重建了一个捕捉球员和球的运动轨迹的模拟比赛。利用这个设计框架和处理流程，我们开发了Beyond the Broadcast，一个VR网球观看系统，它将嵌入式可视化与自适应镜头运动相结合，构建了一个全面且引人入胜的叙事。我们的系统实时动态叠加战术信息和关键比赛事件，在保持高沉浸感和舒适度的同时，增强观众的理解力和参与度。与网球观众的用户研究表明，我们的方法在提供沉浸式、信息丰富的观看体验方面优于传统的VR转播方法。

讲者简介：复旦大学大数据学院博士生，导师陈思明研究员。研究领域为人机交互（HCI），主要聚焦于利用增强现实（AR）和虚拟现实（VR）技术提升用户体验。具体研究方向包括：VR体育转播、嵌入式可视化、沉浸式分析及类脑智能等。研究成果发表在IEEE VIS，IEEE PacificVis等国际顶级期刊与会议上。

报告摘要：大型语言模型（LLM）在广泛的自然语言任务中取得了显著的性能。理解LLM如何在内部表示知识仍然是一个重大挑战。尽管稀疏自动编码器（SAE）已成为从LLM中提取可解释特征的有前途的技术，但SAE特征并不天然与人类可理解的概念对齐，使得它们的解释繁琐且劳动密集。为了弥合SAE特征与人类概念之间的差距，我们提出了ConceptViz，一个专为探索LLM中概念而设计的可视分析系统。ConceptViz实现了一个新颖的识别-解释-验证流程，使用户能够使用感兴趣的概念查询SAE，交互式地探索概念到特征的对齐，并通过模型行为验证来验证对应关系。我们通过两个使用场景和一项用户研究证明了ConceptViz的有效性。我们的结果表明，ConceptViz通过简化LLM中有意义概念表示的发现和验证来增强可解释性研究，最终帮助研究人员构建更准确的LLM特征心理模型。

讲者简介：浙江大学计算机科学与技术学院博士研究生，导师陈为教授。主要研究方向为可视分析和人机交互。目前的研究工作包括开发面向大语言模型可解释性的交互式可视分析系统，探索如何将复杂的模型表示转化为人类可理解的概念空间。

报告摘要：人工智能技术的进步在过去十年中加速了可视化的创建和自动化。然而，以描述性和生成性格式呈现可视化仍然是一个挑战。此外，当前的可视化嵌入方法专注于独立的可视化，忽视了多视图可视化上下文信息的重要性。为了解决这个问题，我们提出了一个新的表示模型Chart2Vec，用于学习具有上下文感知信息的可视化通用嵌入。Chart2Vec旨在支持广泛的下游可视化任务，如推荐和故事叙述。我们的模型考虑了声明性规范中可视化的结构和语义信息。为了增强上下文感知能力，Chart2Vec在关于可视化共现的监督和无监督任务上采用多任务学习。我们通过消融研究、用户研究和定量比较来评估我们的方法。结果验证了我们的嵌入方法与人类认知的一致性，并显示了其相对于现有方法的优势。

讲者简介：2024年从北京邮电大学获得计算机学士学位，目前在同济大学攻读硕士学位，研究方向包括数据可视化，人机交互，人工智能辅助创作。

报告摘要：我们提出了PiCCL（象形图表组合语言），这是一种新的语言，使用户能够使用一组简单的操作符轻松创建象形图表。为了支持系统化构建，同时解决表达性象形图表创作的主要挑战——视觉属性的手动组合和微调——PiCCL引入了一种参数化表示，将数据驱动的图表生成与图形组合相结合。它还采用了一种延迟数据绑定机制，可以自动合成图表。PiCCL基于对现实世界象形图表实例的全面分析。我们描述了PiCCL的设计及其作为piccl.js（一个基于JavaScript的库）的实现。为了评估PiCCL，我们展示了一个画廊，展示了其表达性，并报告了评估piccl.js可用性的用户研究结果。我们最后讨论了PiCCL的局限性和潜力，以及未来的研究方向。

讲者简介：山东大学计算机科学与技术学院硕士研究生，师从汪云海教授，主要研究方向为可视化创作语法。

报告摘要：在数据驱动的叙事环境中，如数据新闻和数据视频，数据可视化经常与现实世界的图像一起呈现，以支持叙事语境。然而，这些可视化和上下文图像通常保持分离，限制了它们的组合叙事表现力和参与度。实现这一点具有挑战性，因为需要细粒度的对齐和创意构思。为了解决这个问题，我们提出了SceneLoom，一个基于视觉语言模型（VLM）的系统，它根据叙事意图促进数据可视化与现实世界图像的协调。通过一项形成性研究，我们从视觉对齐和语义连贯性的角度研究了协调关系的设计空间。在衍生的设计考虑指导下，SceneLoom利用VLM从场景图像和数据可视化中提取视觉和语义特征，并通过包含空间组织、形状相似性、布局一致性和语义绑定的推理过程执行设计映射。该系统生成一组上下文表达性、图像驱动的设计替代方案，在视觉、语义和数据维度上实现连贯的对齐。用户可以探索这些替代方案，选择首选映射，并通过交互式调整和动画过渡进一步完善设计，以支持表达性数据传播。用户研究和示例画廊验证了SceneLoom在激发创意设计和促进设计外化方面的有效性。

讲者简介：复旦大学大数据学院硕士研究生。研究方向为人机交互，数据可视化与故事叙述，智能教育。研究成果发表在IEEE VIS，ACM CHI， ACM CSCW等国际顶级期刊与会议上。

报告摘要：文本到3D（T23D）生成已经改变了数字内容创作，但仍然受到盲目试错提示过程的瓶颈，产生不可预测的结果。虽然视觉提示工程在文本到图像领域取得了进展，但其在3D生成中的应用面临着需要多视图一致性评估和空间理解的独特挑战。我们提出了Sel3DCraft，一个用于T23D的视觉提示工程系统，将非结构化探索转化为引导性视觉过程。我们的方法引入了三个关键创新：结合检索和生成的双分支结构，用于多样化候选探索；利用MLLM的多视图混合评分方法，采用创新的高级别指标来评估具有人类专家一致性的3D模型；以及提示驱动的可视分析套件，能够直观地识别缺陷和改进。广泛的测试和用户研究表明，Sel3DCraft在支持设计师创造力方面超越了其他T23D系统。

讲者简介：项楠，华东师范大学软件工程学院硕士研究生，本科毕业于上海大学电影学院。主要研究方向为计算机图形学，人机交互和人工智能的交叉领域。

报告摘要：虽然数据可视化在揭示模式和传达洞察方面具有强大的作用，但创建有效的可视化需要熟悉创作工具，通常会中断分析流程。虽然大型语言模型在自动将分析意图转换为可视化方面显示出了前景，但现有方法作为黑盒运行，没有透明的推理过程，这阻止了用户理解设计原理并改进次优输出。为了弥合这一差距，我们提出将思维链（CoT）推理集成到自然语言到可视化（NL2VIS）流程中。首先，我们为NL2VIS设计了一个全面的CoT推理过程，并开发了一个自动流程，为现有数据集配备结构化推理步骤。其次，我们引入了nvBench-CoT，这是一个专门的数据集，捕获了从模糊的自然语言描述到最终可视化的详细逐步推理，当用于模型微调时，能够实现最先进的性能。第三，我们开发了DeepVIS，这是一个与CoT推理过程紧密集成的交互式可视界面，允许用户检查推理步骤，识别错误，并进行有针对性的调整以改善可视化结果。定量基准评估、两个使用案例和一项用户研究共同表明，我们的CoT框架有效地提高了NL2VIS质量，同时为用户提供了有洞察力的推理步骤。

讲者简介：香港科技大学（广州）数据科学与分析专业博士生，师从杨维铠助理教授，主要研究方向为数据可视化、数据质量与可解释大模型。

报告摘要：为新分子设计合成路线在医学和化学等各个领域都至关重要。在这个过程中，研究人员需要探索一系列合成反应，逐步将起始分子转化为中间体，直到获得目标新分子。然而，设计合成路线对研究人员来说是一个挑战。首先，研究人员需要在每个步骤中从众多可能的合成反应中做出决策，考虑各种标准（如产率、实验持续时间和实验步骤数量）来构建合成路线。其次，他们必须考虑每个步骤中的一个选择对整个合成路线的潜在影响。为了解决这些挑战，我们提出了SynthLens，这是一个可视分析系统，通过在构建的每个步骤中探索合成反应的多种可能性来促进合成路线的迭代构建。具体而言，我们在SynthLens中引入了一个树形可视化，在各个探索步骤中比较和评估所有探索的路线，考虑探索步骤和多个标准。我们的系统使研究人员能够全面考虑他们的构建过程，指导他们朝着有希望的探索方向完成合成路线。我们通过定量评估和专家访谈验证了SynthLens的可用性和有效性，突出了其在促进合成路线设计过程中的作用。最后，我们讨论了SynthLens的见解，以启发其他具有可视分析的多标准决策场景。

讲者简介：香港科技大学博士生，师从屈华民教授。主要研究方向为可视分析以及人机交互技术如何帮助解决生物医疗方向的问题。毕业于武汉大学，并获得两次国家奖学金，香港政府奖学金获得者。在VIS, UIST, CSR, TVCG等发表多篇文章。广泛与国内外各个实验室（包括CMU Adam Perer教授团队，Cornell王飞教授团队，密歇根州立大学Tai-Quan Peng教授团队，西湖大学李子青教授团队等）密切合作。