Analyse Visuelle

L'analyse visuelle est la science du raisonnement analytique soutenue par des interfaces visuelles interactives, combinant le jugement humain avec l'analyse automatisée des données pour donner du sens à des données volumineuses et complexes.

Definition

L'analyse visuelle est la combinaison de techniques d'analyse automatisées avec des visualisations interactives pour soutenir le raisonnement analytique, permettant aux individus d'explorer, de comprendre et de tirer des conclusions à partir de jeux de données volumineux et complexes par le biais d'un processus impliquant l'humain (human-in-the-loop).

Scope

Ce sujet couvre l'intégration de la visualisation et du calcul pour l'analyse : le processus d'analyse visuelle qui entrelace les méthodes automatisées et l'exploration visuelle interactive, le soutien à la compréhension (sensemaking) et à la génération d'hypothèses, ainsi que le traitement des données volumineuses, hétérogènes et incertaines. Il ne couvre pas l'encodage statique ou les techniques d'interaction isolées, traitées sous leurs propres rubriques, ni les algorithmes d'apprentissage automatique eux-mêmes, qui relèvent de l'intelligence artificielle.

Core questions

• Comment l'analyse visuelle combine-t-elle le raisonnement humain et l'analyse automatisée ?
• Qu'est-ce que le processus de compréhension (sensemaking) et comment les outils peuvent-ils le soutenir ?
• Comment le processus d'analyse visuelle est-il structuré en boucle itérative ?
• Comment la taille, l'hétérogénéité et l'incertitude des données sont-elles gérées ?

Key concepts

• raisonnement analytique
• compréhension (sensemaking)
• processus d'analyse visuelle
• analyse avec humain dans la boucle (human-in-the-loop)
• recherche d'informations (information foraging)
• intégration de l'analyse automatisée
• génération d'hypothèses
• incertitude dans l'analyse

Key theories

Le programme et le processus de l'analyse visuelle

L'analyse visuelle a été conçue comme un moyen de détecter ce qui est attendu et de découvrir ce qui est inattendu en couplant étroitement la visualisation interactive avec l'analyse automatisée ; son processus itère entre les modèles, les visualisations et l'interaction humaine pour affiner la compréhension.

La compréhension (sensemaking) et la boucle analytique

Pirolli et Card ont modélisé la compréhension (sensemaking) des analystes comme des cycles de recherche d'informations et de construction et de test d'hypothèses, identifiant les points d'action où les outils visuels et computationnels peuvent être les plus utiles.

L'humain dans la boucle avec l'automatisation

Plutôt que d'automatiser entièrement l'analyse, l'analyse visuelle maintient l'humain dans la boucle, utilisant le calcul pour résumer et faire émerger des motifs tout en s'appuyant sur le jugement humain pour l'interprétation, le contexte et les décisions.

Clinical relevance

Les outils d'analyse visuelle aident les analystes dans des domaines tels que le renseignement, la cybersécurité, la santé publique et l'intelligence économique à donner du sens à des données trop volumineuses ou complexes pour être traitées par la visualisation ou l'automatisation seules, soutenant les décisions en combinant la puissance de calcul avec la perspicacité humaine.

History

L'analyse visuelle a été nommée et définie dans le programme de recherche de 2005 Illuminating the Path, motivée par la nécessité d'analyser des données massives et hétérogènes. Keim et ses collègues ont affiné sa définition et son processus, et des modèles de compréhension (sensemaking) tels que ceux de Pirolli et Card l'ont ancrée dans la théorie cognitive, établissant l'analyse visuelle comme un domaine reliant la visualisation, l'analyse et le raisonnement humain.

Key figures

• James J. Thomas
• Kristin A. Cook
• Daniel A. Keim
• Peter Pirolli
• Stuart K. Card

Seminal works

• thomas2005
• keim2008
• pirolli2005

Frequently asked questions

En quoi l'analyse visuelle diffère-t-elle de la visualisation d'informations ?

La visualisation d'informations se concentre sur la représentation visuelle des données pour la perception humaine. L'analyse visuelle est plus large, intégrant ces visualisations avec des méthodes d'analyse automatisées, telles que les statistiques et l'apprentissage automatique, dans une boucle interactive, afin que le raisonnement humain et le calcul collaborent sur des problèmes volumineux et complexes.

Pourquoi maintenir un humain dans la boucle plutôt que d'automatiser entièrement l'analyse ?

Les méthodes automatisées sont puissantes pour trouver des motifs dans de grandes quantités de données, mais elles manquent de contexte, de jugement et de la capacité de poser les bonnes questions. L'analyse visuelle maintient les personnes en contrôle de l'interprétation et des décisions tout en utilisant le calcul pour gérer l'échelle, combinant ainsi les forces des deux.