教育科技研究速報

本研究透過訪談揭示設計師如何透過數據、設計與受眾三個面向，將情感功能融入視覺化設計的過程與策略。

研究發現觀察數據視覺化的手繪動態過程，能有效減輕確認偏誤並提升數據解讀的準確性。

研究發現情節式框架（聚焦特定事件）比主題式框架更能激發負面情緒，並間接影響政策支持態度。

提出一種將文檔集合投影至類地球球面的視覺化方法，透過緯度與經度呈現敘事進度與主題偏差。

提出 CAPE 框架，透過結合文件語義與空間上下文，利用 LLM 生成能解釋空間組織關係的自然語言說明。

開發 DataMagic 系統，透過多代理架構將原始表格數據與自然語言指令，自動生成具備敘事邏輯與數據保真度的影片。

本研究透過實證調查，探討使用者如何利用 AI 驅動的「氛圍編碼」工具進行數據視覺化，並分析其操作模式與面臨的挑戰。

本研究探索利用具身對話代理取代傳統圖表儀表板，透過對話引導使用者進行客觀的個人健康數據反思。

提出 chart-plot 代理框架，透過風格感知生成、佈局感知渲染與結構化編輯，實現符合學術出版標準的圖表自動化。

提出「可縮放共情視覺化（ZEVs）」技術，讓使用者能在抽象統計數據與具象個人敘事間平滑切換，以增強情感連結。

本文開發了 SuperProvenanceWidgets 擴充套件，透過跨元件的視覺化技術，追蹤並呈現使用者與多個 UI 控制項之間的互動關係。

本文探討如何建立正式評估方法，以衡量使用者在互動式數據視覺化任務中的有效操作能力。