در دنیای امروز که داده‌ها نقشی حیاتی در تصمیم‌گیری‌ها ایفا می‌کنند، مصورسازی داده‌ها به ابزاری ضروری برای درک الگوها، روندها و اطلاعات پنهان در آن‌ها تبدیل شده است. با این حال، بسیاری از ابزارهای قدرتمند مصورسازی دارای رابط‌های کاربری پیچیده و منحنی یادگیری تندی هستند. این پیچیدگی مانعی جدی برای کاربرانی است که تخصص فنی ندارند اما نیاز به تحلیل داده‌ها و ساخت نمودار دارند. این شکاف میان «قصد کاربر» و «نحوه اجرای آن در ابزار» یکی از چالش‌های اصلی در حوزه تعامل انسان و کامپیوتر (HCI) است.

مقاله «به سوی تولید مصورسازی مبتنی بر زبان طبیعی» (Towards Natural Language-Based Visualization Authoring) با هدف پر کردن این شکاف، رویکردی نوآورانه ارائه می‌دهد. این مقاله به بررسی این موضوع می‌پردازد که چگونه می‌توان با استفاده از زبان طبیعی (Natural Language) – یعنی زبان روزمره‌ای که انسان‌ها با آن صحبت می‌کنند – فرآیند ساخت و ویرایش مصورسازی‌ها را ساده‌تر، سریع‌تر و در دسترس‌تر کرد. اهمیت این پژوهش در ارائه یک معماری و خط لوله (pipeline) استاندارد و قابل استفاده مجدد است که به توسعه‌دهندگان ابزارهای مختلف اجازه می‌دهد تا قابلیت‌های پردازش زبان طبیعی را به سادگی در محصولات خود ادغام کنند، بدون آنکه نیاز به تخصص عمیق در این حوزه داشته باشند. این رویکرد می‌تواند انقلابی در نحوه تعامل ما با داده‌ها ایجاد کند.

این مقاله حاصل همکاری تیمی از پژوهشگران برجسته به نام‌های یون وانگ، ژیتائو هو، لیشیان شن، تانگ‌شوانگ وو، جیاچی وانگ، هی هوانگ، هایدونگ ژانگ و دانگمی ژانگ است. این محققان در زمینه‌هایی چون تعامل انسان و کامپیوتر (HCI)، مصورسازی داده (Data Visualization) و پردازش زبان طبیعی (NLP) دارای تخصص هستند. این ترکیب میان‌رشته‌ای به آن‌ها اجازه داده تا به شکلی جامع به مسئله پیچیده تعامل با داده‌ها از طریق زبان بپردازند.

این تحقیق در تقاطع سه حوزه کلیدی علم کامپیوتر قرار دارد و به دنبال حل یک مشکل کلاسیک در HCI (چگونه ابزارها را کاربرپسندتر کنیم؟) با استفاده از تکنیک‌های پیشرفته NLP (چگونه کامپیوتر زبان انسان را بفهمد؟) در دامنه تخصصی مصورسازی داده است. این حوزه تحقیقاتی بسیار فعال است و شرکت‌های بزرگی مانند مایکروسافت، گوگل و Tableau سرمایه‌گذاری‌های عظیمی برای توسعه رابط‌های کاربری هوشمند و محاوره‌ای انجام می‌دهند.

چالش اصلی در ساخت مصورسازی‌ها، نیاز به یادگیری رابط‌های کاربری پیچیده ابزارهای موجود است. رابط‌های مبتنی بر زبان طبیعی (NLI) به دلیل سهولت یادگیری و استفاده، پتانسیل بالایی برای حل این مشکل دارند. با این حال، پیاده‌سازی این رابط‌ها نیازمند تخصص در پردازش زبان طبیعی است و سیستم‌های موجود بیشتر برای تحلیل داده طراحی شده‌اند تا فرآیند خلق و ویرایش گام‌به‌گام مصورسازی‌ها.

در این مقاله، نویسندگان یک خط لوله جدید و متمرکز بر «تولید» مصورسازی ارائه می‌دهند. هسته اصلی این رویکرد، معرفی یک نمایش ساختاریافته از مقاصد ویرایشی کاربر است که «کنش‌های ویرایشی» (Editing Actions) نامیده می‌شود. این کنش‌ها بر اساس یک مطالعه تکوینی و بررسی گسترده ابزارهای مصورسازی موجود تعریف شده‌اند. کنش‌های ویرایشی قابل اجرا هستند و به عنوان یک لایه میانی، وظیفه تفسیر زبان طبیعی را از منطق اجرایی ابزار مصورسازی جدا می‌کنند.

محققان یک مفسر زبان طبیعی مبتنی بر یادگیری عمیق پیاده‌سازی کرده‌اند که دستورات زبان طبیعی کاربر را به این «کنش‌های ویرایشی» ترجمه می‌کند. این مفسر قابل استفاده مجدد و توسعه‌پذیر است و می‌تواند در ابزارهای مختلف به کار گرفته شود. ابزارهای مصورسازی فقط باید این کنش‌ها را به عملیات داخلی خود نگاشت کنند. برای نمایش کاربرد این رویکرد، یک ویرایشگر نمودار برای اکسل و یک ابزار مستقل به نام VisTalk پیاده‌سازی شده است. در نهایت، یک مطالعه کاربری با VisTalk انجام شده تا الگوهای استفاده کاربران از این سیستم‌ها شناسایی شود و چشم‌اندازهایی برای تحقیقات آینده ارائه گردد.

روش تحقیق این مقاله چندمرحله‌ای و جامع بوده و شامل فازهای زیر است:

• فاز اول: مطالعه مقدماتی و تعریف مسئله
  
  محققان با انجام یک مطالعه تکوینی و بررسی عمیق ابزارهای محبوب مصورسازی (مانند Tableau، Power BI و D3.js)، مجموعه‌ای از عملیات رایجی که کاربران هنگام ساخت نمودار انجام می‌دهند را استخراج کردند. این کار به آن‌ها کمک کرد تا یک مجموعه جامع و استاندارد از کنش‌های ویرایشی را تعریف کنند که طیف وسیعی از نیازهای کاربران را پوشش می‌دهد.
• فاز دوم: طراحی و پیاده‌سازی سیستم
  
  در این مرحله، معماری اصلی سیستم طراحی و پیاده‌سازی شد:
  • طراحی کنش‌های ویرایشی: یک زبان میانی ساختاریافته (معمولاً در فرمت JSON) طراحی شد که می‌تواند دستورات کاربر را به شکلی دقیق و بدون ابهام نمایش دهد. برای مثال، جمله «میله‌های آبی را به سبز تغییر بده» به یک کنش ویرایشی مانند زیر ترجمه می‌شود:
    
    { "action": "modify", "target": {"type": "bar", "filter": {"color": "blue"}}, "property": "color", "value": "green" }
  • توسعه مفسر زبان طبیعی: یک مدل یادگیری عمیق (Deep Learning) آموزش داده شد تا جملات ورودی کاربر را به این کنش‌های ویرایشی ساختاریافته ترجمه کند. این مفسر به گونه‌ای طراحی شده که مستقل از ابزار نهایی باشد.
  • پیاده‌سازی ابزارهای نمونه: برای اثبات کارایی این رویکرد، قابلیت‌های مفسر در دو بستر مختلف پیاده‌سازی شد: یک افزونه برای مایکروسافت اکسل که به کاربران اجازه می‌دهد نمودارهای خود را با زبان طبیعی ویرایش کنند، و یک ابزار مستقل به نام VisTalk.
• فاز سوم: ارزیابی و مطالعه کاربری
  
  یک مطالعه کاربری با شرکت‌کنندگانی با سطوح مهارت مختلف انجام شد. از این افراد خواسته شد تا با استفاده از ابزار VisTalk و دستورات زبان طبیعی، مجموعه‌ای از وظایف مصورسازی را انجام دهند. هدف این مطالعه، مشاهده نحوه تعامل کاربران با سیستم، شناسایی الگوهای رفتاری، و درک نقاط قوت و ضعف رویکرد مبتنی بر زبان طبیعی بود.

مطالعه کاربری انجام‌شده با ابزار VisTalk، نتایج و بینش‌های ارزشمندی را به همراه داشت:

• ساخت تدریجی و اکتشافی: کاربران تمایل دارند مصورسازی‌ها را به صورت گام‌به‌گام و تدریجی بسازند. آن‌ها معمولاً با یک دستور کلی برای ایجاد یک نمودار پایه شروع می‌کنند (مثلاً «یک نمودار میله‌ای از فروش بر اساس کشور بساز») و سپس با دستورات جزئی‌تر و متوالی، آن را اصلاح و تکمیل می‌کنند (مانند «رنگ میله‌ها را تغییر بده»، «عنوان را اضافه کن» یا «مقادیر را روی میله‌ها نمایش بده»).
• کاهش بار شناختی: رویکرد زبان طبیعی به طور قابل توجهی بار شناختی کاربران را کاهش می‌دهد. آن‌ها دیگر نیازی به جستجو در منوها، پنل‌ها و گزینه‌های متعدد برای یافتن یک عملکرد خاص ندارند و می‌توانند به سادگی قصد خود را بیان کنند. این ویژگی به ویژه برای کاربران تازه‌کار بسیار مفید بود.
• چالش ابهام در زبان: زبان طبیعی ذاتاً دارای ابهام است. دستوراتی مانند «این را بزرگتر کن» می‌توانند برای سیستم گنگ باشند. پژوهش نشان داد که سیستم باید مکانیزم‌هایی برای رفع ابهام داشته باشد، مانند پرسیدن سؤالات уточняющий از کاربر یا ارائه چندین گزینه احتمالی.
• محدودیت در کشف‌پذیری (Discoverability): یکی از چالش‌های رابط‌های زبان طبیعی این است که کاربران نمی‌دانند چه دستوراتی قابل فهم برای سیستم است. برخلاف رابط‌های گرافیکی که گزینه‌ها را به وضوح نمایش می‌دهند، در اینجا کاربر باید قابلیت‌های سیستم را کشف کند. ارائه راهنمایی‌های هوشمند و پیشنهاد دستورات می‌تواند این مشکل را کاهش دهد.

مهم‌ترین دستاورد این مقاله، ارائه یک معماری ماژولار و قابل توسعه برای ادغام زبان طبیعی در ابزارهای مصورسازی است. این رویکرد کاربردهای عملی گسترده‌ای دارد:

• تسهیل توسعه ابزارهای هوشمند: با جدا کردن لایه تفسیر زبان از لایه اجرایی، توسعه‌دهندگان ابزارهای مصورسازی (مانند تیم‌های توسعه اکسل، Tableau یا Google Sheets) می‌توانند بدون نیاز به ساخت مدل‌های NLP از ابتدا، قابلیت‌های محاوره‌ای را به محصولات خود اضافه کنند. آن‌ها تنها باید منطق لازم برای اجرای «کنش‌های ویرایشی» را پیاده‌سازی کنند.
• افزایش دسترسی‌پذیری داده‌ها: این فناوری مصورسازی داده را برای طیف وسیع‌تری از افراد، از جمله مدیران، تحلیلگران کسب‌وکار، روزنامه‌نگاران و دانشجویان، که ممکن است مهارت فنی بالایی نداشته باشند، در دسترس قرار می‌دهد. این دموکراتیزه کردن داده‌ها به تصمیم‌گیری‌های بهتر و مبتنی بر شواهد در سازمان‌ها کمک می‌کند.
• بهبود بهره‌وری کاربران حرفه‌ای: حتی کاربران حرفه‌ای نیز می‌توانند از این رویکرد بهره‌مند شوند. انجام تغییرات سریع و جزئی از طریق یک دستور کوتاه زبانی می‌تواند بسیار سریع‌تر از کلیک کردن در چندین منوی تودرتو باشد و به این ترتیب بهره‌وری آن‌ها را افزایش دهد.
• ابزار VisTalk به عنوان اثبات مفهوم: ساخت و ارزیابی موفقیت‌آمیز VisTalk نشان می‌دهد که این رویکرد نه تنها از نظر تئوری ممکن است، بلکه در عمل نیز کارآمد و مورد استقبال کاربران قرار می‌گیرد.

مقاله «به سوی تولید مصورسازی مبتنی بر زبان طبیعی» گامی مهم در جهت ساده‌سازی و انسانی‌تر کردن فرآیند تعامل با داده‌ها برمی‌دارد. با معرفی مفهوم کلیدی «کنش‌های ویرایشی» به عنوان یک زبان میانی استاندارد، این پژوهش راه را برای ساخت نسل جدیدی از ابزارهای تحلیلی هموار می‌کند که هوشمندتر، انعطاف‌پذیرتر و در دسترس‌تر هستند.

این رویکرد با تفکیک وظایف پیچیده پردازش زبان از منطق خاص ابزار، یک پل مستحکم میان دنیای زبان انسان و قابلیت‌های نرم‌افزاری ایجاد می‌کند. یافته‌های مطالعه کاربری نیز بینش‌های ارزشمندی در مورد الگوهای تعاملی کاربران و چالش‌های پیش رو ارائه می‌دهد. آینده پژوهش در این حوزه می‌تواند بر بهبود مکانیزم‌های رفع ابهام، مدیریت گفتگوهای چند مرحله‌ای پیچیده‌تر، و ترکیب هوشمندانه ورودی زبان طبیعی با تعاملات مستقیم گرافیکی (مانند کلیک و کشیدن) متمرکز شود تا تجربه‌ای یکپارچه و قدرتمند برای تحلیل و مصورسازی داده‌ها فراهم آورد.