（编者按：本组学生 summer 酱有幸赴美参加 VIS2013 会议，以下是她在会上与可视化领域著名学者 Tamara Munzner 的交流记录，经 summer 本人同意后发于本博客，与各位同仁共勉。）
今天有幸能在茶歇的时候和 UBC 的大佬 Tamara Munzner 交流，我把问题整理了一下和大家共享，顺便表达一下我对她的仰慕之情。
其实我们问的问题跟她的回答和后面的 panel 内容还比较相关的，关于 design practice，因为对话是从我读了她那本书开始的。
Q1：如何开始一个 problem-driven 的 project 工作？
她提到可以关注一下她去年的那篇 methodology 的 paper （Design Study Methodology: Reflections from the Trenches and the Stacks）。但是作为一个 problem-driven 的项目，设计或者实现工作真正开始之前的第一步一定是明确领域/问题的真正需求，这就要和领域专家反复的沟通，因为领域专家和设计师看问题的角度不同（they speak different languages）。比如领域专家讲了一大堆问题的背景、需求、想要达到什么效果，设计师听到的可能只有其中的一些关键词如“过滤”、“分类”、“聚合”，而可能设计师所听到的“过滤”并不是他们所理解的那个过滤(filter)。就像我们说一个问题的方法可以迁移（transfer）到另一个问题上，机器学习领域的同学迅速抓住了 transfer 这个关键词，开始 yy 这跟迁移学习有什么关系，但其实没什么关系一样。因此和领域专家的交流和沟通一定是反复的、增量式的。
Q2：他们是如何在科研中实践她所提出的 nested model 的？
一般来说可视化方面的科研工作可以大致分为 problem-driven 和 technique-driven 两种，第一种更多地研究领域相关的偏应用的内容，第二种关注底层算法。这两种工作分别更加侧重 nested model 中的外层任务部分和内层算法部分，因此对应的 evaluation 侧重也是不同的，前者更多的是 field study，task evaluation，领域专家的 review 意见；后者如果是一个更快更高效的算法，就需要和之前的工作比较，用一些 benchmark 数据集测试得到关于时间、空间利用率的量化测试结果，去证明你的算法更好。
有的时候，比如你设计了一种新的布局算法，考虑地就更加复杂。新的布局算法是不是揭示了数据的新视角，而之前的算法是没有的，这是 task 层面的；或者新的布局算法只是更快更高效，这还是算法方面的；或者新的布局和之前的算法比较起来效率差不多，但是展现了数据的新视角，那就需要从 task 层面和算法层面同时考虑。
（这段对话的核心思想在后面的 evaluation panel 中也体现了，我后面就不重复了）
Q3：关于写作
忘了是怎么得到这个回答了，收获了 Munzner 那边写作的训练方法，BTW 从对话中推断他们的写作周期大概是两个月。
Munzner 那边在正式提笔写作之前作者需要给组内所有人做一次 presentation，假定你的论文已经被录用了，那么你在会议中需要做的 presentation，在写作之前你先来一边，称为 pre-paper talk。目的是你需要在这个报告中把你的论文的动机、课题背景、主要贡献、主要方法、方法流程、主要图表、实验结果等等等等所有你想在会议报告中体现的内容都想清楚，报告给大家，接受大家的批评。
为什么要这么做，不管是英语母语还是英语非母语的人在写作的时候都会有懒得改自己写好的东西，觉得自己的思路很顺。结果 peer-review 的时候读论文的人指出一大堆逻辑上不连贯、图表/内容缺失的地方，于是要打回去大改。这不管对于 review 的人还是写作的人都是很痛苦的，pre-paper talk 就相当于是文章的 prototype，或者是 meta-paper，review 的人可以对这个报告先给出意见，改好了这个报告你也就有了整篇论文的大纲，在写作的时候也就事倍功半了。
我们现在的最大的问题是写作的时间已经不够了，可能并没有时间去做这个 pre-paper talk，但是我想 argue 一下的是这个 pre-paper talk 是整理整个论文思路的过程，实际上在写作的时候是能够大大节约你的时间的。所以我个人觉得是可以尝试一下的
✉️ zjuvis@cad.zju.edu.cn