論文の概要: Once Upon A Time In Visualization: Understanding the Use of Textual Narratives for Causality

• arxiv url: http://arxiv.org/abs/2009.02649v1
• Date: Sun, 6 Sep 2020 05:46:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 08:22:17.711409
• Title: Once Upon A Time In Visualization: Understanding the Use of Textual Narratives for Causality
• Title（参考訳）: 可視化における一時期--因果関係における文章的物語の使用の理解
• Authors: Arjun Choudhry, Mandar Sharma, Pramod Chundury, Thomas Kapler, Derek W.S. Gray, Naren Ramakrishnan and Niklas Elmqvist
• Abstract要約: 因果性ビジュアライゼーションは、イベントの時間的連鎖を理解するのに役立つ。 しかし、これらのイベントシーケンスの規模と複雑さが大きくなるにつれて、これらの視覚化でさえ圧倒的に利用できなくなる。 本稿では、因果性可視化を強化するためのデータ駆動型ストーリーテリング手法として、テキスト物語の利用を提案する。
• 参考スコア（独自算出の注目度）: 21.67542584041709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causality visualization can help people understand temporal chains of events, such as messages sent in a distributed system, cause and effect in a historical conflict, or the interplay between political actors over time. However, as the scale and complexity of these event sequences grows, even these visualizations can become overwhelming to use. In this paper, we propose the use of textual narratives as a data-driven storytelling method to augment causality visualization. We first propose a design space for how textual narratives can be used to describe causal data. We then present results from a crowdsourced user study where participants were asked to recover causality information from two causality visualizations--causal graphs and Hasse diagrams--with and without an associated textual narrative. Finally, we describe CAUSEWORKS, a causality visualization system for understanding how specific interventions influence a causal model. The system incorporates an automatic textual narrative mechanism based on our design space. We validate CAUSEWORKS through interviews with experts who used the system for understanding complex events.
• Abstract（参考訳）: 因果性ビジュアライゼーションは、分散システムに送信されたメッセージ、歴史的紛争の原因と効果、時間とともに政治的アクター間の相互作用など、イベントの時間的連鎖を理解するのに役立つ。 しかし、これらのイベントシーケンスのスケールと複雑さが大きくなるにつれて、これらの視覚化でさえ圧倒的に利用できなくなる。 本稿では、因果性可視化を強化するためのデータ駆動型ストーリーテリング手法としてテキスト物語を提案する。 まず,因果的データを記述するために,テキスト・ナラティブを用いた設計空間を提案する。 次に,2つの因果関係の可視化から因果関係の情報を復元するよう被験者に依頼した,クラウドソースによるユーザ調査の結果を提示する。 最後に、特定の介入が因果モデルにどのように影響するかを理解するための因果可視化システムであるCAUSEWORKSについて述べる。 本システムは,デザイン空間に基づく自動テキスト物語機構を組み込んでいる。 複雑な事象を理解するためにシステムを利用した専門家へのインタビューを通じてCAUSEWORKSを検証する。

関連論文リスト

• ContextualStory: Consistent Visual Storytelling with Spatially-Enhanced and Storyline Context [50.572907418430155]
  既存の自動回帰手法は、メモリ使用量の増加、生成速度の低下、コンテキスト統合の制限に悩まされている。 本研究では,コヒーレントなストーリーフレームの生成とストーリー継続のためのフレーム拡張を目的とした新しいフレームワークであるContextualStoryを提案する。 PororoSVとFlintstonesSVベンチマークの実験では、ContextualStoryはストーリービジュアライゼーションとストーリー継続の両方において既存のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-07-13T05:02:42Z)
• Evaluating the Ability of Computationally Extracted Narrative Maps to Encode Media Framing [1.2277343096128712]
  本稿では、特定の物語抽出と表現アプローチ(物語マップ)の能力について考察する。 本結果は,ニュース物語における複雑なフレーミングのダイナミクスをユーザに提供するナラティブマップの可能性を強調した。 しかし、計算的物語抽出プロセスにおいて、フレーミング情報を直接活用することは、未解決の課題である。
  論文  参考訳（メタデータ） (2024-05-04T14:40:28Z)
• Enhancing Argument Structure Extraction with Efficient Leverage of Contextual Information [79.06082391992545]
  本稿では,コンテキスト情報を完全に活用する効率的なコンテキスト認識モデル(ECASE)を提案する。 文脈情報や議論情報を集約するために,シーケンスアテンションモジュールと距離重み付き類似度損失を導入する。 各種ドメインの5つのデータセットに対する実験により,我々のモデルが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-10-08T08:47:10Z)
• Causal schema induction for knowledge discovery [21.295680010103602]
  本稿では、時間構造、事象構造、因果構造を組み合わせたテキストグラフスキーマのデータセットであるTorquestraを紹介する。 データセットを3つの知識発見タスクにベンチマークし、それぞれのモデルの構築と評価を行います。 その結果、因果構造を利用するシステムは、類似の因果的意味成分を共有するテキストを特定するのに効果的であることがわかった。
  論文  参考訳（メタデータ） (2023-03-27T16:55:49Z)
• Narrative Visualization to Communicate Neurological Diseases [8.326479391467725]
  可視化技術を用いて神経疾患データを一般の聴衆に理解可能な方法で伝達する方法について検討した。 我々は脳小血管疾患を解説した物語的可視化を考案した。 我々は、慎重に考え抜かれたストーリーラインと明確なキーメッセージの組み合わせ、分かりやすいインタラクションと組み合わせた視覚化の魅力、そして信頼できる参照が、聴衆を巻き込む神経疾患に関する物語の可視化に不可欠であることを見出した。
  論文  参考訳（メタデータ） (2022-12-20T09:39:57Z)
• NECE: Narrative Event Chain Extraction Toolkit [64.89332212585404]
  NECEはオープンアクセス型文書レベルのツールキットで,その発生の時間順に物語のイベントを自動的に抽出・アライメントする。 NECEツールキットの高品質さを示し、性別に関するナラティブバイアスを分析するために、その下流の応用を実証する。 また、現状のアプローチの欠点と、今後の研究で生成モデルを活用する可能性についてもオープンに論じる。
  論文  参考訳（メタデータ） (2022-08-17T04:30:58Z)
• Cross-Modal Causal Relational Reasoning for Event-Level Visual Question Answering [134.91774666260338]
  既存の視覚的質問応答法は、しばしばクロスモーダルなスプリアス相関と過度に単純化されたイベントレベルの推論プロセスに悩まされる。 本稿では,イベントレベルの視覚的質問応答の課題に対処するために,モーダルな因果関係推論のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-26T04:25:54Z)
• Open-set Text Recognition via Character-Context Decoupling [16.2819099852748]
  オープンセットテキスト認識タスクは、評価中に新しい文字を認識する余分な能力を必要とする、新たな課題である。 現状の手法における限られた性能の大きな原因は,個々の文字の視覚的情報に対する文脈情報の相違である,と我々は主張する。 文脈情報と文字視覚情報を分離することでこの問題を軽減するために,文字コンテキスト分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-12T05:43:46Z)
• Learning Contextual Causality from Time-consecutive Images [84.26437953699444]
  因果知識は多くの人工知能システムにとって重要である。 本稿では,視覚信号から文脈因果関係を学習する可能性について検討する。 まず,高品質なデータセットvis-causalを提案し,ビデオから有意義な因果知識を自動的に発見できることを示す実験を行った。
  論文  参考訳（メタデータ） (2020-12-13T20:24:48Z)
• Paragraph-level Commonsense Transformers with Recurrent Memory [77.4133779538797]
  物語からコヒーレントなコモンセンス推論を生成するために,段落レベルの情報を含む談話認識モデルを訓練する。 以上の結果から,PARA-COMETは文レベルのベースライン,特にコヒーレントかつ新規な推論に優れていた。
  論文  参考訳（メタデータ） (2020-10-04T05:24:12Z)
• Narrative Maps: An Algorithmic Approach to Represent and Extract Information Narratives [6.85316573653194]
  本稿では、物語表現の理論と現代のオンラインシステムのデータを組み合わせる。 物語地図の表現は、物語の中の出来事と物語を、地図上のランドマークとルートのシリーズとして描いている。 我々の発見は、情報アナリスト、計算ジャーナリスト、誤情報研究者に影響を及ぼす。
  論文  参考訳（メタデータ） (2020-09-09T18:30:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。