ChartGPT: Leveraging LLMs to Generate Charts from Abstract Natural Language.
ChartGPT：利用LLM生成來自摘要自然語言的圖表。 IEEE Trans Vis Comput Graph 2024-02-22

NLI製圖越來越受歡迎，但準確轉換使用者需求成圖表是挑戰。提出ChartGPT系統，利用LLMs從語言生成圖表。採用逐步推理管道方法增強處理複雜邏輯問題的效能。建立包含語句和圖表的數據集，微調模型減少偏見。設計互動界面，讓用戶查看並修改輸出。透過評估和用戶研究評估系統效能。 PubMed DOI

Enhancing Data Literacy On-demand: LLMs as Guides for Novices in Chart Interpretation.
提升數據素養即時需求：以LLMs為新手在圖表解讀中的指導。 IEEE Trans Vis Comput Graph 2024-06-12

研究探討如何利用大型語言模型（LLMs）協助資料素養較低者理解複雜的視覺化，結果顯示LLM能有效幫助使用者理解圖表並鼓勵進一步探索。然而，過度依賴LLM代理人可能導致洞察不足，呈現潛在風險。研究建議妥善平衡利用LLMs提升視覺化素養的方法。 PubMed DOI

Comparing human text classification performance and explainability with large language and machine learning models using eye-tracking.
使用眼動追蹤比較大型語言和機器學習模型在人類文本分類性能和可解釋性方面的表現。 Sci Rep 2024-06-21

研究比較了人類和人工智慧（AI）在文本分析上的表現，結果顯示機器學習模型在處理複雜敘述時比大型語言模型和非專家人類表現更好。機器學習和語言模型在選擇關鍵詞方面更貼近人類思維，但次要詞彙則有差異。 PubMed DOI

The Limitations of Large Language Models for Understanding Human Language and Cognition.
大型語言模型在理解人類語言和認知方面的局限性。 Open Mind (Camb) 2024-09-04

這段論述指出大型語言模型（LLMs）在理解人類語言的學習與演變上有其限制。主要有兩個觀點： 1. **功能與機制的差異**：雖然LLMs能生成類似人類的語言，但其學習過程與人類不同。人類透過多種感官互動學習語言，而LLMs主要依賴文本數據，這使得它們的相似性只是表面現象。 2. **語言行為的範疇**：人類的語言使用範圍更廣，而LLMs的設計限制了它們對語言意義的理解及自然互動的能力。因此，LLMs應被視為輔助語言研究的工具，而非語言理論本身，這強調了謹慎應用的必要性。 PubMed DOI

Promises and Pitfalls: Using Large Language Models to Generate Visualization Items.
承諾與陷阱：使用大型語言模型生成視覺化項目。 IEEE Trans Vis Comput Graph 2024-09-10

這篇論文探討了VILA管道的開發，該管道能自動生成多選視覺化項目，以評估視覺化素養。作者創建了1,404個候選項目，涵蓋12種圖表類型和13種視覺化任務，並與專家合作制定評估規則，最終形成約1,100個高品質的VILA資料庫。研究指出VILA管道的局限性，強調人類監督的重要性。此外，作者還開發了VILA-VLAT測試，顯示出良好的效度。最後，論文提供了對VILA的應用建議及實用指導，相關材料可在線獲取。 PubMed DOI

Fine-Tuned Large Language Model for Visualization System: A Study on Self-Regulated Learning in Education.
針對視覺化系統的微調大型語言模型：教育中自我調節學習的研究。 IEEE Trans Vis Comput Graph 2024-09-10

大型語言模型（LLMs）在智能視覺化系統中有很大潛力，尤其在專業應用上，但整合時面臨挑戰，包括領域特定問題、視覺化過程及用戶互動。為解決這些問題，我們提出了一個框架，利用微調的LLMs來改善視覺互動。在教育領域，智能視覺化系統能支持初學者的自我調節學習。我們介紹了Tailor-Mind，一個互動式視覺化系統，幫助AI初學者進行自我調節學習。研究顯示，Tailor-Mind能提供個性化建議，增強學習體驗，驗證了我們框架的有效性。 PubMed DOI

An Empirical Evaluation of the GPT-4 Multimodal Language Model on Visualization Literacy Tasks.
對GPT-4多模態語言模型在視覺素養任務上的實證評估。 IEEE Trans Vis Comput Graph 2024-09-10

這項研究評估了GPT-4的視覺能力，特別是在視覺素養任務上的表現。結果顯示，GPT-4能識別趨勢和極端值，對視覺設計原則有一定理解，但在沒有原始數據的情況下，對簡單數值檢索表現不佳，且在區分圖表顏色時也有困難，可能出現幻覺和不一致的情況。研究反映了模型的優缺點，並探討了未來在視覺化研究中的潛力。所有相關資料可在提供的連結中找到。 PubMed DOI

Advancing Multimodal Large Language Models in Chart Question Answering with Visualization-Referenced Instruction Tuning.
透過視覺參考指導調整推進多模態大型語言模型在圖表問題回答中的應用。 IEEE Trans Vis Comput Graph 2024-09-10

新興的多模態大型語言模型（MLLMs）在圖表問題回答（CQA）上展現出潛力，但目前的研究存在一些不足。首先，過度關注數據量的收集，卻忽略了視覺編碼和特定QA任務的需求，導致數據分佈不均。其次，現有方法多針對自然圖像，未考慮圖表的獨特性。為了解決這些問題，我們提出了一種視覺參考的指令調整方法，並透過新數據引擎篩選高質量數據，改善模型的細粒度識別。實驗結果顯示，我們的方法在基準測試中持續超越其他CQA模型，並提供了未來研究的數據集劃分。相關代碼和數據集可在 https://github.com/zengxingchen/ChartQA-MLLM 獲得。 PubMed DOI

How Good (Or Bad) Are LLMs at Detecting Misleading Visualizations?
大型語言模型在檢測誤導性視覺化方面的表現如何（好或壞）？ IEEE Trans Vis Comput Graph 2024-09-12

這項研究探討誤導性圖表的問題，這些圖表可能會扭曲數據解讀，影響決策。研究強調需要有效的自動檢測方法，特別是在多模態大型語言模型（LLMs）技術進步的情況下。研究分析了一個包含誤導性圖表的數據集，並測試四種不同的LLMs，使用九種提示來識別超過21種圖表相關問題。結果顯示，這些LLMs能理解圖表並批判性解釋數據，顯示它們在對抗誤導性資訊和提升視覺素養方面的潛力。整體而言，研究強調了LLMs在解決誤導性圖表問題上的重要性。 PubMed DOI

DracoGPT: Extracting Visualization Design Preferences from Large Language Models.
從大型語言模型中提取可視化設計偏好。 IEEE Trans Vis Comput Graph 2024-09-16

這段文字探討了DracoGPT的開發，這是一種從大型語言模型中提取視覺設計偏好的方法。主要擔心的是，如果這些模型無法準確編碼設計知識，建議可能不可靠。DracoGPT有兩個流程：DracoGPT-Rank和DracoGPT-Recommend，模擬如何對視覺編碼進行排名或推薦。研究顯示，DracoGPT能模擬LLM的偏好，但排名和推薦之間的一致性中等，且與人類實驗的指導方針有顯著差異。未來可增強知識庫，以捕捉更廣泛的偏好，提供更可靠的視覺設計方案。 PubMed DOI

原始文章

站上相關主題文章列表