基于智慧课堂动态生成性数据的交互可视化分析机制研究

王冬青 韩后 邱美玲 凌海燕 刘欢

[摘   要] 基于教学数据的学习分析是智慧教育研究关注的热点与难点问题之一。面对智慧教学环境所采集的跨平台异构、多源、非完整以及动态演化的数据，研究交互可视化分析机制，有助于构建云端结合的数据分析生态系统。文章基于智慧课堂研究教学过程性数据可视分析方法与交互呈现方式，提出数据分层分析框架。针对传统分析方法交互不足和理解性差的问题，提出一种基于认知模型的人机交互可視化分析方法。以实际应用中记录的3000多节智慧课堂数据为例，搭建动态生成性数据采集与分析原型系统并开展实证研究，为优化动态生成性数据采集与分析提供新方法。

[关键词] 智慧课堂; 动态生成性数据; 学习分析; 交互可视化分析

[中图分类号] G434            [文献标志码] A

[作者简介] 王冬青（1978—），女，山东烟台人。副教授，博士，主要从事智慧课堂学习环境设计与应用、基于教学大数据的学习分析研究。E-mail：wangdq.scnu@gmail.com。

一、引   言

随着云计算、大数据、人机交互等新技术快速发展，采集和分析学习者及其活动情境的数据日益成为关注的焦点问题之一。学习管理系统、社交媒体、慕课、智慧课堂等在线学习环境蕴含了更加丰富的数据，这使我们有可能更加深入地了解学生的学习过程[1]。虽然采集学习者及其行为的数据相对容易，但用户通常由于缺乏专业的数据挖掘和处理技术知识，很难有效处理和解释这些丰富的数据[2]。研究数据分析方法与机制，应用数据可视化分析技术，实现系统自动提供图形化的分析结果，是当前学习分析领域研究的重点问题。

二、问题的提出

随着智慧课堂的日益普及，教学过程中产生了大量的动态生成性数据，已有研究为上述数据的采集与存储提出解决方案[3]，但尚需借助交互可视化分析技术进行充分挖掘和应用。一方面，以往数据分析很大程度上停留在原始学习行为属性本身的分析层面，仅进行简单汇总统计和比较分析，可理解性差，缺乏全过程、关联性分析;另一方面，由于分析方法的单一和局限，即便拥有丰富的学习过程数据，也难以最大程度地挖掘数据价值，更加缺少基于人机交互的可视化分析。

文章关注智慧教学动态生成性数据的可视分析方法与交互呈现方式，力求突破传统分析方法交互不足和理解性差的问题，构建数据分层分析框架，并开展人机交互可视化分析方法研究。搭建动态生成性数据采集与分析原型系统并开展实证研究，优化动态生成性数据采集与分析方法，相关成果可为建立学习分析机制和发展教育大数据服务提供新思路与方法。

三、教学数据分析与可视化的相关研究

教育数据分析以及数据的可视化呈现对教学研究和教学评价具有非常大的潜力[4]。在数据采集的基础上需要考虑如何解释所收集到的数据，使这些数据转变为知识并为教学服务[5]，扩大人类的有限理性范围、提高决策质量。数据分析研究需要考虑分析对象、目标、模型、方法与技术等内容。

数据分析离不开上下文情境以及教学领域知识[6-7]，是一个循环迭代的过程，前期数据收集与分析的结果能够为下一次数据收集与分析方法的选择提供指导[8]。

（一）数据分析对象与目标

数据分析对象包括教师、学生、家长、教育管理者等。数据分析目的包括描述性数据分析和预测性数据分析两类[9]，又可细分为检测和分析、预测和干预、辅导和答疑、评价和反馈、适应性、个性化和推荐、反思等。目前大多数研究关注适应性系统，也有研究关注为教师提供学习活动监控系统[10]，或者为学习者提供反馈[11-12]。Feng和Heffernan为动态评价开发不同的量规，衡量学生在智能导师系统中的精度、速度、尝试次数以及寻求帮助的行为[13];Vatrapu等人通过一系列的可视化分析工具评估学生的学习活动[14];Clow和Markriyannis在声誉系统中使用数据为学习者在非正式学习环境中学习知识提供反馈[11]。

（二）数据分析方法与模型

在数据分析过程中，构建数据分析模型是关键，数据分析模型扮演着分析“路径”的角色。Knight等人构建了一个分析和任务模型[15]，通过跟踪不同类型知识和不同层次掌握水平，了解学生在复杂识字任务中的认知参与。

数据分析技术的发展需要在两个方面取得突破[16]：一是对结构化和半结构化数据进行高效率的深度分析，挖掘隐性知识;二是对非结构化数据进行分析，例如，将语音、图像和视频数据转化为机器可识别的、具有明确语义的信息，进而提取有用的知识。在教育领域，从数据中提取有价值的技术主要包括[17-19]：预测（决策树、回归分析、时序分析）、聚类（聚类、离群点分析），关系挖掘（关联规则挖掘、序列模式挖掘、相关挖掘）、模式发现和辅助决策。Dominguez等人使用归类和关联规则挖掘为编程练习的学生提供自动反馈[20];Xiong等人提出一种基于决策树的分类方法自动生成学生在同伴评价系统中的表现[21]。同时，新的分析技术手段也在不断涌现。例如，韩国檀国大学教师整合常用的学习分析技术手段提出多维分析方法[22]。不同领域学习数据分析依靠不同的技术手段。Bienkowski等人以用户分类技术和集群技术为依托，进行用户基本信息、学习习惯、学习偏好等分析，通过趋势分析技术和序列分析技术对学习者进行预测[17]。

（三）可视分析方法与实现

可视分析被认为是大数据分析的重要方法[23]。可视化数据能够解决教师使用数据作出决策时面临的问题。Lefler研究表明，通过持续的评价与及时可视化的数据，教师能够在非常短的时间内完成以往花费几天才能完成的工作[24];Goodman指出，有效的分析报告应该遵循的七点建议[25]。许多研究开始研发可视化分析工具，提供关于学习者当前学习情况和历次学习情况的可视化图表[26]，帮助用户灵活地作出决策。这些工具被应用于传统面对面教学、在线学习或者混合学习中。典型案例包括，在课堂中呈现当前活动的Classroom View[27];支持学生反思与意义建构的CALMSystem[28];Ruipérez-Valiente等人为增强可汗学院平台的学习分析功能而研发的ALAS-KA模块[29];Lafford等人面向商业语言学习研发的Tell Me More应用[30];Fekete等人利用人的感知和认知能力提出的一种基于互动技术的可视化分析工具，使用户更高效地理解深层次数据的价值[31]。

目前数据分析的研究主要集中于通过在学习系统或学习平台中整合工具来实现数据获取与分析过程[32]，分析的手段多采用简单的汇总统计和比较分析，关注的重点是受教育者的群体特征以及国家、区域、学校不同层面教育发展的整体状况。面对大数据背后蕴藏的知识与智慧，已有研究尝试构建人的认知模型支持数据的可视化分析[33-34]。而对于智慧教学过程中多源、异构、多維的动态生成性数据分析工作，更需要结合人机交互技术，基于人的感知、认知和推理决策等能力[35]，运用交互式可视化分析方法开展。

四、智慧教学动态生成性数据可视化分析方法

数据可视化分析是云计算和大数据研究的核心内容之一。高效的数据分析过程离不开机器与人的相互协作与优势互补。下文将从分层分析框架与交互可视化分析机制两个方面对智慧教学的动态生成性数据可视化分析与呈现进行研究。

（一）智慧教学动态生成性数据分层分析框架

首先，基于智慧课堂教学动态生成性数据采集分层框架[3]，从计算机自动处理的角度出发，构建智慧教学动态生成性数据分层分析框架，针对数据采集的行为层、事件层、活动层与目标层提供不同类型的分析方法，结合频繁模式和周期模式挖掘，提出动态生成性数据挖掘模型，在数据分析基础上，为教师、学生、教育管理者等用户提供不同维度的教学活动序列图、学习结果统计图等可视化图表，将复杂知识转变成教育用户便于接受和认知的动态图形。

智慧教学动态生成性数据分析框架，如图1所示。面向描述层、诊断层以及应用层的不同分析需求提供预测分析、聚类分析、关系挖掘、模式发现等分析方法。

1. 描述层

描述层对教学行为、学习行为以及学习表现数据进行提取、分析，实现对一节课或多节课数据的基本统计和特征描述。数据可以从教师与学生的学习表现、行为序列、行为持续时间、行为具体参数等方面进行描述，对于标注教学事件信息的课堂数据，描述层提供每类教学事件使用的行为类型及持续时间，文章关注的描述分析包括：对于学生学习表现的描述分析;对于相同教师执教的多节课堂数据进行描述则关注“教师使用技术的行为习惯”;对相同班级课堂数据的描述聚焦于学生学习行为及表现情况等。

2. 诊断层

诊断层提供教学特征与学习特征的相关描述，例如技术应用层次（此处的技术包含软硬件、内容与服务等）、学习效果分析、对生成性内容的关注程度等。

（1）技术应用层次

技术在课堂教学中发挥着重要作用，然而技术本身并不能改变课堂教学的本质，除非教师能够在课堂教学中合理使用技术。从教学角度，合理分析教师的课堂管理与资源使用、组织测评活动、使用学情分析、分享与评价学生活动等在其技术应用行为中所占比率，确定其技术应用层次的高低。结合进一步分析得出教师智慧课堂的教学模式与风格。

（2）学习效果分析

借助S-P表分析，提供有关课堂练习、课堂测验的试题异常程度、试题异常系数、学习稳定程度和学习稳定系数的分析。S-P 表记录了每个学生对每个题目每个选项的作答情况。如果某个错误的选项被多数学生选择，可以认为学生对该题的知识掌握不好、存在误解或者题目有歧义。如果少数的学生选择了错误的选项，这样教师可以选择的策略是对选错的学生在课下进行单独指导。

（3）对生成性内容的关注程度

生成性内容包括教师板书、学生测评结果与学习作品等，对生成性内容的关注体现在“资源使用”“作品展示”与“课堂评价”等行为中。

3. 建议层

学习分析的终极目标是提高学习和教学成效，因此，根据数据分析结果进行有效干预显得非常重要。建议层则是根据描述层与诊断层的分析结果，为教师深化技术应用层次、学生了解个人课堂学习状况、家长掌握学生学习情况、教育管理者查看教师课堂教学情况等提供指导与帮助。

（二）基于知识产生模型的交互可视化分析机制

针对传统数据分析方法交互性不足和理解性差等问题，以人作为分析主体和需求主体，强调基于人机交互和符合人的认知规律的分析方法，提出基于认知模型的人机交互可视化分析方法，引入时空数据和多维数据可视化技术，研究智慧教学数据可视分析方法，将隐喻知识转变成教育用户便于接受和认知的图形、图像。

教育大数据分析面临的最根本挑战是从数据中凝练可领悟的知识，采用数据融合技术聚合数据间、信息间、知识片段间多维度、多粒度的关联关系，实现更多层面的知识交互。以知识发现活动为核心，构建面向人机交互可视化分析的认知模型和干预引擎，从而形成新知识的建立过程。例如，分析者可以通过标注等交互操作显式建立链接，计算机对分析者新建的知识链接进行更新，并通过语法语义分析更新领域知识库，为交互可视分析提供干预引擎。

知识产生模型是实现人机交互可视化分析的核心，在Sacha等人提出的知识产生模型[35]基础上，分析智慧教学动态生成性数据的不同类型，提出动态生成性数据可视化分析中的知识产生模型，如图2所示。在意义建构理论支持下设计探索、验证与知识产生的三层循环模式，提出面向时空数据、多维数据以及二者融合的可视化分析方法，开发基于用户认知模型的干预引擎。其中，时空数据和多维数据是智慧教学动态生成性数据类型的典型代表。一方面，智慧课堂教学现场或者进行交互式数据查询时，通常需要结合时间和事件等从不同维度提供数据的实时分析。另一方面，随着更多教学活动在多终端环境开展，除了数据的规模化扩张，高维引起的问题也是研究的重点。采用平行坐标散点图的方式支持分析者从多个角度应用多种可视化技术进行分析。

五、系统实现

（一）智慧教学动态生成性数据分析系统体系结构

针对上述智慧课堂动态生成性数据的分析方法，搭建数据采集、分析与可视化（交互式视觉表现）原型系统，针对不同使用对象和应用需求呈现不同的信息量与信息深度，帮助用户探索和解释复杂的数据，系统体系结构如图3所示。

基本流程包括：（1）获取不同类型智慧教学支撑系统中的教学行为数据、学习行为数据与学习表现数据。所采集的数据遵循智慧教学动态生成性数据采集规范[3]。（2）对预处理后的教学行为与表现数据进行分类，完善学生、教师、班级、课程等基本信息。（3）将数据输出给交互式分析引擎，针对不同使用对象和应用需求呈现不同的信息量与信息深度，帮助用户探索和解释复杂的数据。（4）为教师和学习者提供颗粒度不同的可视化图表，并将分析结果同步至教育云服务中。（5）教育云服务基于分析结果为用户推送个性化学习资源。（6）教育研究人员根据可视化数据，完善智慧教学支撑系统，实现智慧教学全过程数据的整合应用，满足个性化教学与学习要求。

本文依托珠海“粤教云”试验区智慧课堂教学试点项目，自2013年以来，共在珠海5个区建成100多间智慧教室，开展基于智慧课堂教学支撑系统的常态化应用。所研发的智慧教学动态生成性数据分析系统汇聚了珠海市智慧教学试点校应用智慧教学支撑系统的3000多节课堂数据，涉及93所学校，233个班级，622名教师用户，实现了课堂活动再现、教学序列分析、SP表分析、教师风格聚类等教学行为数据与表现数据的分析、挖掘与可视化呈现，如图4所示。

a. SP表分析      b. 教学活动统计     c. 教学活动序列

（二）交互可视化分析机制实现

交互可视化常用的一种方法是使用户能够以不同粒度级别（例如，任务，学生，团体，课程）查看数据需求。本文以教师风格为例，构建智慧课堂教学风格序列模型，由于每位教师的教学活动序列不同，根据教师行为特征及有效规则进行频繁序列挖掘和聚类分析，能有效呈现教学风格的交互可视化分析结果。

首先依据加涅九步教学法，将能够体现教学风格的教学行为特征提炼为“课堂讲授”“课堂测验”“自主学习”“课堂提问”“总结评价”“鼓励学生”六类，然后进行频繁序列聚类的可视化分析实现。实现过程由接口模块、预处理模块、分析模块、可视化模块四个模块共同完成，如图5所示。

基于云端平台数据采集API接口[3]，汇聚跨平台异构、多源的第三方智慧课堂支撑系统教学行为的业务数据。在预处理模块，对原始课堂行为数据进行数据预处理或标准化形成特征数据;在分析模块，通过读取配置参数和规则列表，采用优化的K-means聚类算法，对预处理过后的课堂交互数据进行极大频繁序列挖掘和聚类分析，以此确定教师的教学风格以及分析出不同教师教学方法的差异;基于分析模块输出的结果，通过可视化模块个性化交互展示教师课堂教学风格聚类结果。

个性化交互机制主要体现在两个方面：一是，采用层次筛选，可以自主选择阈值、学校、学科、教师、年级、班级、聚类个数，甚至细化到某个教师的具体教学风格情况;二是，基于用户认知模型筛选，在教师风格的聚类分析中，默认给出最优聚类结果，但用户可以根据认知经验，选取所需的簇类个数参数K，进一步优化聚类分析结果，如图6所示，轮廓系数是聚类效果的评价指标，结合内聚度和分离度两个因素，介于[-1，1]，越趋近于1，代表内聚度和分离度都相对较优。

图6给出了珠海市初中语文学科30位教师478节课的智慧课堂教学风格可视化结果。将教师智慧课堂教学风格的分析结果进行个性化交互展示，以柱状图的形式展示，纵坐标显示同一个类簇中的所有教师，横坐标代表各个活动的持续时间。从可视化图中可以看出聚成了5个簇，每个簇的教师都具有独特的风格，相同簇的教师具有相同的教学行为特征。其中，簇1共有4位教师，他们的教学时间相较其他簇更多，教学行为丰富多样，擅长进行自主学习、总结评价、较多使用课堂测试检测学生学习效果，能够熟练开展智慧课堂教学应用;簇2共有8位教师，其课堂教学行为较为单一，侧重于课堂讲授和自主学习;簇3共有4位教师，教学行为特征体现在关注课堂讲授，少量关注自主学习，教学时间较簇1明显偏少，对智慧课堂的使用还没有那么成熟，处于初步应用阶段;簇4共有6位教师，其课堂行为涉及课堂讲授、课堂测试、自主学习、总结评价等教学的各个方面，但时间较短，表明教师正积极探索智慧课堂教学应用;簇5共有8位教师，其教学行为很少，表明此簇教师对智慧课堂的使用还不熟悉，需进一步提升信息技术教学能力。总体分析教师教学风格，可以得出，有33%左右的教师开始关注丰富多样的教学方式，如簇1和簇4的教师较多关注自主学习、评价和鼓励学生等，教师的智慧课堂教学方式由单一向多元化发展。

通过可选簇和可选定某位教师给出相应教师风格等交互功能更加直观地分析出同一类教师课堂教学方法的相似性和不同类教师课堂教学方法的差异性，能够较客观地反映课堂教学实情。一方面，便于教师对课堂教学行为、课堂师生互动行为等的清楚认识，有助于实现教学过程的客观评价和完善，对教师优化教学环节和形成独具特色的教学风格具有重要意义。另一方面，便于教研人员针对教师风格聚类分析结果，对不同教师群体的教学习惯、教学方式等进行比较，有助于提炼智慧课堂有效教学模式，为教研活动以及教学建议提供科学客观的数据支撑。

六、结   语

随着智慧教育的深入实施，如何让教学过程中动态生成的数据更具“智慧性”和“可视性”，已成为当前学习分析领域关注的重要研究問题。本文以智慧课堂教学行为数据为例，针对传统数据分析交互性不足和理解性差等问题，提出一套新颖、高效的智慧课堂教学模式挖掘及可视化分析方法，充分解释所收集的大数据，挖掘隐性知识，转变为教育用户便于接受和认知的图形、图像。下一步研究工作将根据系统模拟用户交互形成仿真数据和真实用户应用中形成的可视化分析报告，收集用户对数据采集指标及可视化报告的意见，提出采集与分析方法的优化策略，探索应用过程中数据可视化分析的一般规律，形成支撑过程性数据交互分析与动态演化的生态圈。

[參考文献]

[1] SIEMENS G，LONG P. Penetrating the fog： analytics in learning and education[J]. Educause review， 2011， 46（2）： S866.

[2] QU H， CHEN Q. Visual analytics for MOOC data [J]. IEEE Computer graphics & applications， 2015， 35（6）：69-75.

[3] 王冬青， 韩后， 邱美玲，等. 基于情境感知的智慧课堂动态生成性数据采集方法与模型[J]. 电化教育研究， 2018（5）：26-32.

[4] WEST D M. Big data for education： data mining， data analytics， and web dashboards[M]. Washington，USA： Brookings Institution Press， 2012：11.

[5] MARCHESE T J. Assessment update. third down， ten years to go[J]. Aahe Bulletin， 1987（40）：3-8.

[6] COBURN C E， TURNER E O. Research on data use： a framework and analysis[J]. Measurement： interdisciplinary research & perspective， 2011， 9（4）：173-206.

[7] YOUNG V M， KIM D H. Using assessments for instructional improvement： a literature review[J]. Education policy analysis archives， 2010（18）： 1-40.

[8] CHATTI M A， DYCKHOFF A L， SCHROEDER U， et al. A reference model for learning analytics[J]. International journal of technology enhanced learning， 2012， 4（5-6）：318-331.

[9] MAY T A. Analytics， university 3.0， and the future of information technology[DB/OL]. Educause Review Online. [2018-04-10]. http：//net.educause.edu/ir/library/pdf/ERM1159.pdf， 2011.

[10] ROMERO C， ROMERO J R， LUNA J M， et al. Mining rare association rules from e-Learning data[C]// Educational Data Mining 2010， the International Conference on Educational Data Mining， Pittsburgh， Pa， USA， June 11-13， 2010. Proceedings. DBLP， 2010：171-180.

[11] CLOW D， MAKRIYANNIS E. iSpot analysed：participatory learning and reputation[C]// International Conference on Learning Analytics and Knowledge， Lak 2011， Banff， Ab， Canada， February 27 - March. DBLP， 2011：34-43.

[12] NIEMANN K， SCHMITZ H C， SCHEFFEL M， et al. Usage contexts for object similarity： exploratory investigations[C]// International Conference on Learning Analytics and Knowledge. New York：ACM， 2011：81-85.

[13] FENG M， HEFFERNAN N. Can we get better assessment from a tutoring system compared to traditional paper testing？ Can we have our cake （better assessment） and eat it too （student learning during the test）？[C]//International Conference on Intelligent Tutoring Systems. Berlin， Heidelberg： Springer， 2010： 309-311.

[14] VATRAPU R， TEPLOVS C， FUJITA N， et al. Towards visual analytics for teachers' dynamic diagnostic pedagogical decision-making[C]//Proceedings of the 1st International Conference on Learning Analytics and Knowledge. New York：ACM， 2011： 93-98.

[15] KNIGHT S， LITTLETON K. Developing a multiple-document-processing performance assessment for epistemic literacy[C]//Proceedings of the Fifth International Conference on Learning Analytics and Knowledge. New York：ACM， 2015： 241-245.

[16] 工信和信息化部電信研究院. 大数据白皮书（2014年）[R]. 北京：工业和信息化部电信研究院， 2014.

[17] BIENKOWSKI M， FENG M， MEANS B. Enhancing teaching and learning through educational data mining and learning analytics： an issue brief[J]. US Department of education， office of educational technology， 2012（1）： 1-57.

[18] ROMERO C， VENTURA S. Educational data mining： a survey from 1995 to 2005[J]. Expert systems with applications，2007， 33（1）：135-146.

[19] BAEPLER P， MURDOCH C J. Academic analytics and data mining in higher education[J]. International journal for the scholarship of teaching & learning， 2008， 4（2）：267-281.

[20] DOMINGUEZ A K， YACEF K， CURRAN J R. Data mining for generating hints in a python tutor[C]// Educational Data Mining 2010，  the， International Conference on Educational Data Mining， Pittsburgh， Pa， USA， June 11-13， 2010. Proceedings. DBLP，2010：91-100.

[21] XIONG W， LITMAN D， SCHUNN C. Assessing reviewers' performance based on mining problem localization in peer-review data[C]//Educational Data Mining 2010-3rd International Conference on Educational Data Mining. 2010： 211-220.

[22] KIM M， LEE E. A Multidimensional analysis tool for visualizing online interactions[J]. Journal of educational technology & society， 2012， 15（3）：89-102.

[23] 任磊， 杜一， 马帅，等. 大数据可视分析综述[J]. 软件学报， 2014（9）：1909-1936.

[24] LEFLER M， BRASIEL S. Using data dashboards to supercharge data-driven decision making in the K-12 classroom[EB/OL].  [2018-04-10]. https：//digitalcommons.usu.edu/researchweek/ResearchWeek2015/All2015/145/.

[25] GOODMAN D P， HAMBLETON R K. Student test score reports and interpretive guides： review of current practices and suggestions for future research[J]. Applied measurement in education， 2004， 17（2）：145-220.

[26] FEW S. Information dashboard design： displaying data for at-a-glance monitoring[M]. Burlingame， CA： Analytics Press， 2013.

[27] FRANCE L， HERAUD J M， MARTY J C， et al. Monitoring virtual classroom： visualization techniques to observe student activities in an e-Learning system[C]// International Conference on Advanced Learning Technologies. IEEE， 2006：716-720.

[28] KERLY A， ELLIS R， BULL S. CALMsystem： a conversational agent for learner modelling[J]. Knowledge-based systems， 2008， 21（3）：238-246.

[29] RUIPEREZ-VALIENTE J A， MUNOZ-MERINO P J， LEONY D， et al. ALAS-KA： A learning analytics extension for better understanding the learning process in the Khan Academy platform[J]. Computers in human behavior， 2015， 47：139-148.

[30] LAFFORD B A. Review of tell me more spanish[J]. Language learning & technology， 2004， 8（3）：21-34.

[31] FEKETE J D， WIJK J V， STASKO J T， et al. The value of information visualization[M]//Information visualization. Springer， Berlin， Heidelberg， 2008： 1-18.

[32] FERGUSON R， SHUM S B. Social learning analytics： five approaches[C] // Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. New York：ACM， 2012： 23-33.

[33] GREEN T M， RIBARSKY W， FISHER B. Building and applying a human cognition model for visual analytics[J]. Information visualization， 2009， 8（1）： 1-13.

[34] PATTERSON R E， BLAHA L M， GEINSTEIN G G， et al. A human cognition framework for information visualization[J]. Computers & graphics， 2014， 42： 42-58.

[35] SACHA D， STOFFEL A， STOFFEL F， et al. Knowledge generation model for visual analytics[J]. Visualization & computer graphics IEEE transactions on， 2014， 20（12）：1604-1613.