思想图表:通过结构化数据提取来提高LLM可视化素养
IEEE transactions on visualization and computer graphics
|November 20, 2025
概括
大型语言模型 (LLM) 显示了使用新的思想图表提示方法的高级可视化素养. 这种结构化的方法使LLM能够在可视化解释任务上超越人类的表现.
科学领域:
- 人工智能的人工智能
- 人与计算机的交互
- 数据可视化 数据可视化
背景情况:
- 评估大型语言模型 (LLM) 的可视化素养对于它们在数据解释中的应用至关重要.
- 现有的提示技术可能无法充分利用LLM在视觉数据分析方面的潜力.
研究的目的:
- 评估最先进的法学士的可视化素养.
- 引入并评估思想图表提示技术的有效性.
主要方法:
- 三个LLM (Claude-3.7-sonnet,GPT-4.5-preview,Gemini-2.0-pro) 在可视化识字评估测试 (VLAT) 中进行了测试.
- 开发了一种新的提示技术,即思想图表,用于通过系统的数据提取,验证和分析来指导LLM.
- 标准提示和思想图表方法之间的性能进行了比较.
主要成果:
- 克劳德-3.7-sonnet使用思想图表获得了50.17的VLAT得分,明显超过了人类基线的28.82.
- 思想图表方法改善了LLM的表现,GPT-4.5的得分增加了21.8%,Gemini-2.0的得分增加了9.4%,Claude-3.7的得分增加了13.5%.
- 克劳德-3.7-索内特在几个具有挑战性的图表类型上实现了100%的准确性,在可视化解释方面取得了实质性的收益.
结论:
- 现代多式联络LLM可以通过适当的分析框架在可视化素养方面超过人类的表现.
- 结构化的提示策略,如思想图表,对于LLMs复杂的视觉解释至关重要.
- 这种方法对提高LLM能力和提高可视化可访问性有影响.


