Sneak Pique : Exploration de l'autocomplétion en tant qu'échafaudage de découverte de données pour soutenir l'analyse visuelle

Résumé

L'interaction en langage naturel est devenue une modalité utile pour aider les utilisateurs à explorer et à interagir avec leurs données pendant l'analyse visuelle. Peu de travaux ont été réalisés pour explorer comment l'autocomplétion peut contribuer à la découverte de données tout en aidant les utilisateurs à formuler des questions analytiques. Nous avons développé un système appelé \system comme sonde de conception pour mieux comprendre l'utilité de l'autocomplétion pour l'analyse visuelle. Nous avons mené trois études sur Mechanical Turk afin d'évaluer les préférences des utilisateurs pour diverses variantes de conception d'autocomplétion basées sur des widgets de texte et de visualisation afin d'aider les requêtes de recherche partielle. Nos résultats indiquent que les utilisateurs ont trouvé les aperçus de données utiles dans les suggestions. Les widgets ont été préférés pour l'aperçu des données temporelles, géospatiales et numériques, tandis que l'autocomplétion textuelle a été préférée pour les données catégoriques et hiérarchiques. Nous avons mené une analyse exploratoire de notre système mettant en œuvre ce sous-ensemble spécifique de variantes d'autocomplétion préférées. Nos observations concernant l'efficacité de ces suggestions d'autocomplétion peuvent contribuer à la conception future d'interfaces en langage naturel pour l'analyse visuelle.