論文の概要: Vibe Analysis: Exploring LLM Adoption by Data Visualization Practitioners

• arxiv url: http://arxiv.org/abs/2609.31922v1
• Date: Fri, 25 Sep 2026 19:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:35:29.489511
• Title: Vibe Analysis: Exploring LLM Adoption by Data Visualization Practitioners
• Title（参考訳）: Vibe Analysis: データ可視化実践者によるLLM導入の探求
• Abstract要約: 大規模言語モデル(LLM)は、データの可視化(Vis)をサポートすることを約束している。 この結果から,Visデザイナーは,可視化プロセスの創造的側面と技術的側面の両方にLCMを積極的に活用していることがわかった。 新しいビジュアライゼーションワークフローが登場しつつある。ビブ解析と呼ばれるプロセスは、ビブコーディングに類似している。
• 参考スコア（独自算出の注目度）: 5.624973515197119
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large language models (LLMs) are enticing in their promise to support data visualization (Vis) through faster and simpler workflows for data prep, analysis, and visualization creation. Yet LLMs are notoriously error-prone and not built for data visualization tasks. Few studies have explored LLM adoption among Vis practitioners. To fill this gap, we conducted semi-structured interviews with members of the Data Visualization Society, a global community of data visualization designers. Our findings show that Vis designers actively use LLMs for both creative and technical aspects of the visualization process. A new visualization workflow is emerging, a process we call vibe analysis, analogous to vibe coding. Some key challenges raised by participants parallel those of vibe coding, while others are Vis-specific, like gaps in Vis knowledge and chart verification. This work opens up opportunities for research combining LLM-mediated work with Vis tools that incorporate data visualization guidance, constraints, and best practices.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、データプリプ、分析、視覚化生成のためのより高速でシンプルなワークフローを通じて、データ視覚化(Vis)をサポートするという彼らの約束を暗示している。 しかし、LSMはエラーを起こしやすいことで知られており、データ視覚化タスクのために構築されていない。 Vis実践者の間でLLMの採用を調査する研究はほとんどない。 このギャップを埋めるために、我々はデータビジュアライゼーションデザイナーのグローバルコミュニティであるデータビジュアライゼーション協会のメンバーと半構造化インタビューを行った。 この結果から,Visデザイナーは,可視化プロセスの創造的側面と技術的側面の両方にLCMを積極的に活用していることがわかった。 新しいビジュアライゼーションワークフローが登場しつつある。ビブ解析と呼ばれるプロセスは、ビブコーディングに類似している。 Visの知識のギャップやチャートの検証など、Vis固有のものもあります。 この研究は、データ視覚化のガイダンスや制約、ベストプラクティスを組み込んだVisツールとLLMによる研究を組み合わせるための機会を開放する。

関連論文リスト

• Seeing Beyond Redundancy: Task Complexity's Role in Vision Token Specialization in VLLMs [4.469560591280309]
  視覚大言語モデル(VLLM)の視覚能力は、その言語能力に常に遅れを取っている。 本研究では,様々な視覚情報がモデルによってどのように処理され,どのような視覚情報が破棄されるかを検討する。
  論文  参考訳（メタデータ） (2026-02-06T18:13:01Z)
• Visual Representation Alignment for Multimodal Large Language Models [38.319869213758686]
  マルチモーダルな大規模言語モデル (MLLM) は、視覚的指導のチューニングで訓練され、様々なタスクにまたがって高い性能を達成している。 しかし、それらはオブジェクトのカウントや空間的推論のような視覚中心のタスクに限られている。 本稿では、MLLMの内部視覚表現と事前学習された視覚基盤モデルとを整合させる、シンプルで効果的な正規化戦略である視覚表現アライメント(VIRAL)を提案する。
  論文  参考訳（メタデータ） (2025-09-09T17:59:14Z)
• Automated Visualization Makeovers with LLMs [0.716879432974126]
  ビジュアライゼーションのフェイルオーバーは、コミュニティがフィードバックを交換してチャートやデータの視覚化を改善する活動である。 マルチモーダル大言語モデル(LLM)はこのタスクをエミュレートできるだろうか? 当社のシステムは,ユーザガイドラインとデータ視覚化プラクティスの潜伏した知識を併用した,事前学習モデルの迅速なエンジニアリングを中心に構築されている。
  論文  参考訳（メタデータ） (2025-07-21T11:51:20Z)
• AlignVLM: Bridging Vision and Language Latent Spaces for Multimodal Document Understanding [79.43306110124875]
  AlignVLMは視覚的特徴をテキスト埋め込みの重み付き平均値にマッピングする視覚テキストアライメント手法である。 実験の結果,AlignVLMは先行アライメント法と比較して最先端の性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-02-03T13:34:51Z)
• Elevating Visual Perception in Multimodal LLMs with Visual Embedding Distillation [109.5893580175657]
  近年,MLLMの開発における標準的な実践は,視覚エンコーダの機能をLLMに供給し,自然言語による指導を施すことである。 このアプローチは、しばしばモデルが言語理解に傾き、データに存在するリッチな視覚知覚信号を損なう。 本稿では,視覚知識をエキスパートビジョンエンコーダからLLMの隠れ表現に注入する最初のアプローチであるVisPer-LMを提案する。
  論文  参考訳（メタデータ） (2024-12-12T18:55:18Z)
• Cambrian-1: A Fully Open, Vision-Centric Exploration of Multimodal LLMs [61.143381152739046]
  視覚中心のアプローチで設計したマルチモーダルLLM(MLLM)のファミリーであるCambrian-1を紹介する。 本研究は,様々な視覚表現を評価するためのインタフェースとして,LLMとビジュアルインストラクションチューニングを用いた。 モデルウェイト、コード、サポートツール、データセット、詳細なインストラクションチューニングと評価のレシピを提供しています。
  論文  参考訳（メタデータ） (2024-06-24T17:59:42Z)
• Incorporating Visual Experts to Resolve the Information Loss in Multimodal Large Language Models [121.83413400686139]
  本稿では,MLLMの視覚知覚能力を向上させるために,知識の混合強化機構を提案する。 本稿では,マルチタスクエンコーダとビジュアルツールを既存のMLLM訓練と推論パイプラインに組み込む新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T02:02:34Z)

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。