2020年春季学期视觉计算实验室第十一周论文研读预告

时间: 2020年5月14日 09: 00
地点: 四川大学视觉计算实验室钉钉群
研读成员: 刘尚松、高雯雯

Part 1
分享者: 刘尚松
分享内容:
[1] Yañez A, Duggan J, Hayes C, Jilani M, Connolly M. PandemCap: Decision support tool for epidemic management[C]. 2017 IEEE Workshop on Visual Analytics in Healthcare (VAHC), 2017: 24-30.
论文简介:
[1] 流感大流行仍是当今人类面临的严重威胁之一。虽然不可能完全消除这种威胁,但可以通过有效的管理和决策来控制其影响。在大流行事件中,巨大的数据流给公共卫生决策者造成了严重的认知负担。在此背景下,本文提出了一种创新的决策支持工具PandemCap,公共卫生官员可以使用它来在大流行事件发生时做出更明智的决策。PandemCap 使用视觉分析和流行病建模技术,为公共卫生决策者提供了一个灵活的交互式平台。此外,该工具还可以研究各种干预控制措施对流行病的影响,例如疫苗和抗病毒药的使用,医院病床和呼吸机的增加,或实施学校停课。

图1 PandemCap用户界面

Part 2
分享者: 高雯雯
分享内容:
[2] Q.Chen et al. ViSeq: Visual Analytics of Learning Sequence in Massive Open Online Courses[J]. IEEE Transactions on Visualization and Computer Graphics,2020,26(3):1622-1636.
论文简介:
[2] 近年来,MOOC的快速发展促进了学者们对海量MOOC数据的研究。这些MOOC数据不仅包含学习者资料和学习结果,还包含每个学习者何时做了何种类型的学习活动的顺序信息,比如在做作业之前回顾课堂视频。尽管大多数MOOC都精心设计了一个学习序列(学习顺序)供学生参考,但学生可以根据个人需求进行调整。分析学习序列可用于划分不同的学习者群体和探索学习者使用MOOC的意图,以帮助理解学习序列和学习成绩之间的相关性。然而,大多数学者认为这些学习活动是聚合事件,因此极少存在对学习序列的研究,现有的工作也没有从多个粒度级别上对学习序列进行可视分析,阻碍了教师对高级行为模式的挖掘。为了解决上述问题,本文提出了一个名为ViSeq的交互式可视分析系统。ViSeq包含四个主要的视图:(a)投影视图用于识别学习者群体;(b)模式视图用于显示所选组内的总体顺序模式;(c&d)序列视图用于说明连续事件之间的转换;(e)个人视图用于比较所选的个人学习序列,具有增强序列链。最后,本文通过案例分析和专家访谈,对该系统进行了评估。

图2 ViSeq系统视图
123