近日，浙江大学CAD&CG全国重点实验室在可视化领域国际顶级会议IEEE VIS 2025中取得重要突破，共荣获一项最佳论文奖和一项最佳论文提名奖。

实验室巫英才教授团队完成的论文《Causality-Based Visual Analytics of Sentiment Contagion in Social Media Topics》荣获大会最佳论文奖，这是该奖项第一篇以浙江大学为第一单位的获奖论文。该论文由博士生李仁钟为第一作者。研究围绕社交媒体中情绪传播的可视分析问题，提出了一种基于因果推断的创新方法，为理解网络情绪传播机制提供了新的分析视角与工具。

此外，由实验室陈为教授团队完成的论文《ConceptViz: A Visual Analytics Approach for Exploring Concepts in Large Language Models》也被大会录用，并荣获最佳论文提名奖。该论文由博士生李昊轩和温圳同学作为共同第一作者。研究聚焦于大型语言模型内部机制的可解释性挑战，设计了一套融合识别-解释-验证流程的交互式可视分析框架，为探索模型特征与概念语义映射关系构建了系统性的分析路径与验证手段。

IEEE VIS（IEEE Visualization and Visual Analytics Conference）是可视化与可视分析领域的顶级国际会议，被中国计算机学会推荐的A类国际学术会议。IEEE VIS涵盖了科学可视化、信息可视化和可视分析三大核心领域，专注于推进可视化理论、方法、系统及应用的前沿研究，包括但不限于大规模数据可视化、沉浸式分析、人工智能与可视化的融合等方向。自1990以来，设立最佳论文奖，一年一评，旨在表彰可视化与可视分析领域年度最优秀的学术论文。本次会议共收到537篇论文投稿，最终录用131篇，并从中评选出5篇最佳论文和12篇最佳论文提名。

获奖论文简介

Causality-Based Visual Analytics of Sentiment Contagion in Social Media Topics

情感传染网络拟合流程

CausalMap系统设计图与主要交互操作

情感传染现象在社交媒体领域广泛存在，用户对某一话题的态度会显著影响他对后续话题的情感倾向。分析此类现象存在两个核心难点：一是传统建模方法难以从海量话题中高效构建可解释的大规模传播网络，二是现有可视设计无法展示复杂情感传染网络以及具体传染条件，更无法支持舆情引导措施在传染网络中反事实影响的呈现。

为解决上述难点，该论文创新性地提出了一个完整的因果可视化分析框架。研究团队首先构建了一个层次化贝叶斯网络，通过因果发现算法从用户的跨话题行为数据中自动拟合情感传染网络。该方法通过层次化设计以及融入的时间和话题约束，确保了在海量数据中建模的高效性。在此基础上，论文提出了一种基于地图隐喻的时序嵌入可视化新方法。该方法将情感传染网络编码成了一张可交互的"传染地图"。论文进一步设计了CausalMap可视分析系统，支持分析者查看特定传播路径的情感转换与传染条件，同时允许分析者探索不同舆情引导措施的潜在影响。基于对比的用户实验说明，CausalMap通过更有效的时序嵌入设计以及"探索-解释-干预"的分析流程，为舆情检测和舆情引导提供了强有力的支持。

ConceptViz: A Visual Analytics Approach for Exploring Concepts in Large Language Models

ConceptViz系统界面图

该论文针对大型语言模型（LLM）内部知识表示理解这一重大挑战，提出了创新性的解决方案。尽管稀疏自编码器（SAEs）作为一种从LLM中提取可解释特征的有前景技术已经出现，但SAE特征本身并不能直接与人类可理解的概念对齐，使得其解释过程既繁琐又耗费人力。为了弥合SAE特征与人类概念之间的鸿沟，李昊轩等人设计了ConceptViz这一可视分析系统，实现了一个新颖的"识别⇒解释⇒验证"分析流水线。该系统使用户能够使用感兴趣的概念查询SAE，交互式地探索概念到特征的对齐关系，并通过模型行为验证来确认这些对应关系。通过两个使用场景和一项用户研究，研究团队证明了ConceptViz通过简化LLM中有意义概念表示的发现和验证过程来增强可解释性研究，最终帮助研究人员构建更准确的LLM 特征心理模型。这项工作为推进大型语言模型的可解释性、安全性和对齐性研究提供了重要的技术支撑。

内容来源：浙江大学CADCG全国重点实验室