Визуализация

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Визуализация — использование визуализаций данных, инфографики, информационных панелей, диаграмм, схем и других графических представлений, чтобы сделать информацию понятной для обучения и анализа. В образовании визуализация всё чаще и генерируется ИИ (текст-в-изображение, анализ слайдов и диаграмм в мультимодальных системах Мультимодальный ИИ), и используется как интерфейс, через который учащиеся, преподаватели и системы аналитики рассуждают над общими данными.

Вопросы для размышления

• Диаграмма или информационная панель могут сделать данные ясными — но означает ли просто видение визуализации то же самое, что и её понимание? Исследование, упоминаемое на странице, предполагает, что то, как вы взаимодействуете с визуализацией, важнее самой диаграммы. Вспомните информационную панель или график, на которые вы смотрели, но из которых по-настоящему не научились. Чего не хватало одному лишь отображению?
• Традиционные учебные информационные панели следуют модели «покажи данные, надейся на понимание». Найденный здесь результат состоит в том, что учащиеся, отвечающие на вопросы о своих данных до того, как видят метрики, размышляют и калибруются лучше, чем те, кто пассивно просматривает диаграммы. Почему вынужденное сначала предсказывать может изменить то, что вы извлекаете из просмотра фактических данных?
• ИИ теперь может генерировать точные визуализации специализированного контента — одно исследование повысило точность в предметной области с 12% до 78%, дообучив модель «текст-в-изображение» на ядерных понятиях. Но страница также обнаруживает, что ни одна модель не является равномерно компетентной. Где бы вы доверились сгенерированной ИИ визуализации, а где настояли бы на проверке человеком-экспертом?
• Участники одного исследования нашли комиксы данных, сгенерированные ИИ, более увлекательными и понятными, однако многие также отметили риск дезинформации и информационную перегрузку. Как вы взвешиваете привлекательность убедительной ИИ-визуализации против её потенциала вводить в заблуждение — и что бы вы проверили, прежде чем довериться ей или использовать её?
• Страница предупреждает, что уверенность модели — это не её надёжность: системы могут резко расходиться в суждениях о строгости, правильно определяя при этом базовые конструкты. Если бы вы полагались на инструмент ИИ для оценивания слайдов, эссе или данных, как бы вы обнаружили, где за уверенностью скрывалась серьёзная ошибка?
• Одно исследование обнаружило, что студенты тратили большую часть времени взгляда на код, несмотря на тщательно разработанные визуальные опоры, — визуальные средства просто не захватывали внимание всех. Что это говорит о предположении, что красивая схема или информационная панель автоматически помогут всем учащимся включиться? Что ещё, кроме визуализации, формирует то, как люди на самом деле используют инструмент?

Введение

Визуализация — это использование графического представления — информационных панелей, диаграмм, схем, инфографики и мультимодальных экранов — чтобы сделать обучение и данные об обучении понятными. Её наиболее устоявшаяся образовательная роль — информационная панель аналитики обучения, где доминирующая модель покажи данные и надейся на понимание уступила место интерактивным конструкциям: доказательства указывают, что то, как учащиеся взаимодействуют с представлением, важнее, чем то, видят ли они его, и что промпты, побуждающие к самостоятельному ответу, и педагогические агенты улучшают калибровку сильнее, чем пассивные метрики. Тот же вопрос — вызывает ли отображение размышление или подменяет его? — связывает визуализацию с Полезные трудности и Метакогниция.

Визуализация как интерфейс обучения

Наиболее устоявшаяся роль визуализации в образовании — информационная панель аналитики обучения. Традиционные информационные панели аналитики обучения (LADs) работают по модели «покажи данные → надейся на понимание», представляя поведенческие метрики в диаграммах, которые учащиеся пассивно просматривают. Исследование Interactive learning dashboards: rethinking learning visualisations as engagement tools бросает вызов этой парадигме: когда к информационной панели добавляется работающий на Большие языковые модели (LLM) педагогический агент и интерактивная самооценка «Суждение об обучении» (Judgment of Learning), условие «извлечение» (elicit), при котором учащиеся отвечают на вопросы о своих данных до просмотра метрик, даёт больше размышления и более точную калибровку усвоения, чем пассивная информационная панель или «объясняющий» агент. Урок состоит в том, что то, как учащиеся взаимодействуют с визуализациями, важнее, чем простое их видение. Это связывается с Аналитика обучения и Саморегулируемое обучение, где визуальная обратная связь поддерживает метакогнитивную калибровку суждений, а не простое отображение информации.

Информационные панели для преподавателей добавляют отдельный набор уроков проектирования. Mejia-Domenzain et al. (2026) обнаружили, что преподаватели систематически предпочитали более простые, традиционные визуализации (столбчатые диаграммы, круговые диаграммы, легенды), даже когда более сложные конструкции (например, тепловые карты) давали более подробное понимание, — визуальное предпочтение не всегда согласовывалось с информативностью, что перекликается с дебатами о сравнительной читаемости круговых диаграмм. Визуальная грамотность (VL) не определяла предпочтений в проектировании, но преподаватели с более высокой VL давали более глубокие, подробные интерпретации (например, большее число из них выявляло тренды в данных временных рядов), что подтверждает VL как фактор смешения при оценке того, как преподаватели читают конструкции аналитики. Для сравнения групп преподаватели сильно предпочитали наложение (superposition) расположению рядом (juxtaposition) и предпочитали диаграммы, отображающие полную информацию (например, включающие группу «студенты, не смотревшие»), а не явное кодирование различий, хотя более молодые преподаватели ставили диаграммы различий выше. Эти результаты утверждают, что проектирование информационных панелей должно уравновешивать заявленные предпочтения преподавателей и ту глубину интерпретации, которую дают более сложные кодирования.

Информационные панели также функционируют как общие представления, соединяющие человеческое и ИИ-рассуждение. Система CLARA использует генерируемые LLM артефакты — карты понятий и оценки сотрудничества по семи измерениям — как общую основу между пользователями панели и ИИ-агентами, индексируя их в отдельные векторные коллекции, чтобы обе стороны рассуждали над одним и тем же видимым, доступным для запроса материалом. Подобно этому, Expert Cognition Dashboard переопределяет аналитику как «интеллект познания», превращая сырое поведение учащегося в интерпретируемые структуры познания на уровнях отдельного человека, класса и эксперта AI Twin. Эти системы позиционируют визуализацию не как результат, а как встроенную инфраструктуру рассуждения внутри образования, нативного для Технологии.

Генерируемый ИИ и мультимодальный визуальный контент

Второй крупный пласт касается того, что ИИ производит визуализации напрямую. NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts показывает, что адаптированные к предметной области модели «текст-в-изображение» могут генерировать точные иллюстрации специализированных STEM-понятий: дообучение Stable Diffusion на изображениях ядерной предметной области повысило точность в предметной области с 12% до 78%, позволяя преподавателям по требованию производить корректные визуализации компонентов реактора и систем безопасности. Эта генеративная способность могущественна, но неравномерна. Работа Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy сравнивает в бенчмарке шесть мультимодальных больших языковых моделей с 485 участниками-людьми по научной визуальной грамотности, не находя равномерной компетентности: модель Gemini с закрытым исходным кодом превышала среднее по людям на нескольких подмножествах, тогда как все Открытый код модели оказались ниже него, с особыми слабостями в мелкогранулярной количественной оценке и визуализациях, основанных на текстуре или интеграции. Поэтому ИИ должен поддерживать — а не подменять — человеческую визуальную грамотность, что имеет прямые последствия для ИИ-грамотность и Формативное оценивание.

Генерация диаграммы из промпта поднимает другой вопрос, чем вопрос о том, может ли ИИ произвести компетентную визуализацию: выполняет ли учащийся по-прежнему аналитическую работу и работу по кодированию, которая делает артефакт образовательным. Рамка 2026 года называет это разделением «процесс–результат» и предлагает прозрачность, приглашение и снятие (fading) как линию агентности между Скаффолдинг и подменой (Purohit et al., 2026).

Этика и надёжность умеряют энтузиазм по поводу генерируемого ИИ визуального контента. Data Comics for Education: Evaluating Effectiveness, Benefits, and the Ethics of AI-Assisted Creation обнаружила, что ассистированные GenAI комиксы данных улучшали вовлечённость и понимание по сравнению с традиционными визуализациями независимо от предшествующей визуальной грамотности, однако участники высказывали опасения по поводу риска дезинформации и атрибуции авторства, и две трети отметили недостатки вроде информационной перегрузки от слишком насыщенных макетов. Контрфактический бенчмарк CFES-P24 расширяет эту проверку на аудит слайдов, показывая, что мультимодальные LLM могут надёжно распознавать конструкты Дизайн обучения (операции, принципы, локализация доказательств), резко расходясь при этом в сравнительных суждениях и калибровке строгости, — доказательство того, что композитные оценки скрывают, какая именно способность отказывает, и что уверенность не является надёжностью. Вместе эти работы аргументируют за послойную оценку ИИ-генерируемых визуализаций, а не за целостные оценки.

Инструменты для слайдов, комиксов и многовидовых представлений на практике

Практические системы применяют эти принципы в масштабе. AISSA сочетает оценивание по рубрике на базе LLM с информационными панелями аналитики обучения, чтобы обеспечить автоматическую, итеративную обратную связь по слайдам студенческих презентаций, обрабатывая 90 презентаций за 1–3 минуты каждую при стоимости в центы за оценку и высокой воспринимаемой юзабилити — при этом студенты избирательно применяли обратную связь, иногда игнорируя рекомендации, конфликтовавшие с их визуальным дизайном. В образовании в области кодирования Flowcode сочетает блок-схему структуры кода с ориентированным на обучение чатом, чтобы помочь начинающим творческим кодировщикам понимать и расширять найденные примеры, где визуализация и продуктивное трение направляют использование ИИ к обучению, а не к его обходу. Однако визуальные опоры действуют не универсально: Code as Anchor, Memory and Metaphor as Support: Learner Experiences with Multi-View Visualizations обнаружила, что студенты тратили ~47% времени взгляда на код, несмотря на визуальные опоры, что обусловливалось агентностью, репрезентационным соответствием и воспринимаемой легитимностью метафорических представлений. Эти результаты об опыте учащегося предостерегают, что проектирование визуализации должно учитывать аффективные и социальные факторы, а не только когнитивные возможности.

Последствия

Во всех рассмотренных здесь работах визуализация предстаёт как среда двойного назначения: ИИ всё больше генерирует и интерпретирует визуализации, тогда как информационные панели и интерактивные визуализации служат общей поверхностью для человеко-ИИ осмысления. Генерация «текст-в-изображение» и мультимодальный анализ расширяют охват визуализации на специализированный STEM-контент и автоматизированную обратную связь, однако неравномерная компетентность моделей, сбои калибровки строгости и этические опасения по поводу дезинформации и авторства требуют тщательной, послойной проверки. Для проектировщиков и преподавателей самый сильный вывод состоит в том, что интерактивность и вовлечённость — вызывание рассуждения учащегося над визуальными данными, предоставление пользователям контроля над когнитивными усилиями и трактовка произведённых ИИ визуализаций как общей инфраструктуры, а не конечных точек, — важнее, чем точность самой диаграммы.

Связанные концепции

• Аналитика обучения
• Мультимодальный ИИ
• Генеративный ИИ
• Технологии
• ИИ-грамотность
• Сторителлинг в образовании
• Дизайн обучения
• Валидность оценивания
• Виртуальная и дополненная реальность — пространственное и трёхмерное представление

Связанные статьи

• Interactive learning dashboards: rethinking learning visualisations as engagement tools — Переосмысление учебных визуализаций как инструментов вовлечённости через педагогических агентов
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — Бенчмаркинг мультимодальных LLM по научной визуальной грамотности
• NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts — Адаптированные к предметной области модели «текст-в-изображение» для визуализации ядерных понятий
• Data Comics for Education: Evaluating Effectiveness, Benefits, and the Ethics of AI-Assisted Creation — Эффективность, выгоды и этика ассистированных ИИ комиксов данных
• Benchmarking Multimodal Large Language Models for Educational Slide Auditing — Контрфактический бенчмарк для мультимодального аудита слайдов
• Making machine learning findings accessible to teachers in blended classrooms — Как сделать выводы ML доступными для преподавателей в смешанных аудиториях
• Constructing Meaning, Not Just Charts: A Cognitive–Instructional Framework for Generative AI Usage in Visualisation Education — Constructing Meaning, Not Just Charts: A Cognitive–Instructional Framework for Generative AI Usage in Visualisation Education