如今，数据可视化和自然语言沟通共同影响着人们理解和传递信息的方式。虽然图表能高效展现复杂的数据变化，但在日常交流中，人们更倾向于用口头或书面语言描述数据趋势。

问题在于，这种表达方式经常带有主观色彩，不同的人对同一现象的理解和描述可能存在偏差，这给数据的准确传递和决策带来挑战。

针对这一现象，Tableau 研究团队开展了一项创新性研究，试图用量化的方法，将自然语言表达与具体的数据变化建立直接联系。这项研究成果不仅提升了数据解读的精确度，也为跨领域、跨文化的数据交流提供了更科学的基础。

接下来，本文将从理论探索到实践落地，详细介绍这一研究背后的原理、实施过程，以及对未来数据沟通与 AI 应用带来的价值和启发。

为何要量化自然语言描述？

数百年来，可视化始终是数据分析的首选方式，这是有原因的：它能通过“高带宽渠道”同时呈现多维度数据，既利用了人类与生俱来的感知能力，又基本不受语言和文化差异影响。

事实上，预计到 2030 年，数据可视化工具的市场规模将达到 220 亿美元。这足以说明，人们确实喜欢观察自己的数据。此外，无论是用手语、口语、文字还是短视频，大家同样热衷于讨论数据。我们通过电视收看新闻，阅读书籍报刊，互相传递世界动态。

然而，尽管自然语言足够细腻，甚至能让 Toni Morrison（美国著名作家，曾获得诺贝尔文学奖，其文学作品以精准细腻的语言、深入人心的情感描写而闻名）描绘出最微妙的情感差异，却依然难以有效解释海量数据。

试想一下，仅通过口头描述一个简单的散点图或柱状图需要多久？显然在高效理解精确数据方面，可视化更有优势。毕竟，那 220 亿美元可视化预算的大部分，都是为了帮助人们精准、高效地理解关键数据，比如失踪人口、气候变化、企业利润率，以及疾病暴发情况等。

以突发公共卫生事件举例：

在新冠疫情期间，医院需要准确预测感染人数以及合理安排医护人员的比例，这种精确度甚至要细化到小数点后一位，因为任何误差都可能危及生命。

反观普通大众是如何获取新冠数据的呢？大多数家庭的做法是通过新闻报道了解趋势，关注感染人数是上升还是下降，本地病例是否激增、趋于平稳或有幸回落。

虽然每个人都关心具体数字，但简明易懂的趋势描述通常已经足够指导日常生活：

👉 新冠病例趋势稳定？送孩子上学。

👉 病例增加？出门戴口罩。

👉 病例激增？那还是乖乖待在家里追剧吧。

这些思考，正是 Tableau 研究团队着手量化自然语言描述的原因。如果能将数据转化为既易于理解又足够精确的自然语言描述，使之成为人们采取行动或获取洞见的可靠依据，那么它将成为数据分析的绝佳媒介。

如何为词汇赋予数值？

像“稳定”、“激增”、“缓升”这样的词汇，本身就带有一种半量化的意味。比如，对你来说：

• “稳定”意味着“与之前差不多”；

• “激增”代表“大幅上升且当前水平远超以往”；

• “缓升”则是指“略微高于之前且持续攀升，明日可能更高”。

这些词汇告诉我们某件事正在如何变化，甚至还能预估未来的发展趋势。

同时，它们还暗示着某种形态。比如"峰值/波峰"通常意味着先上升后回落（有时可能指正处于上升阶段尚未回落）。此外，波峰振幅往往显著大于常规波动区间，但具体差异幅度如何界定？是 10%？100%？还是 63%？不同人对此可能有不同理解。

所以，如果想让这些词汇表达得更准确，或希望让计算机也能像人一样正确理解这些词，最直接的办法就是展开调研，询问人们对这些词的理解，然后达成一个共识，以便把这种语言感受转化为可量化的标准。

如图 1 ，为了收集人们对可视化形态的认知，Tableau 研究团队开发了一个网页应用，并邀请用户对一组随机生成的折线图形状进行描述，每种形状由连在一起的七段线段构成。参与者可将左侧词库中的词汇拖拽至右侧对应形态完成标注，系统会自动将标签吸附至最相近的线段。

图1：折线图语义标注收集工具界面

参与者将左侧词汇 (a) 拖拽至右侧图表特征 (b) ，词汇会自动吸附至最近图表位置。已完成标注的词汇可随时移动或删除，同一词汇可重复用于多个图表或同一图表不同位置。

通过这个工具，Tableau 研究团队收集到了海量优质数据（如图 2）。分析的第一步，是观察哪些词汇会被一起用来描述同一个线段，也就是所谓的“共现”关系。

图2：折线图语义标注收集数据表

Tableau 研究团队的设想是，被不同参与者标注在同一线段的共现词汇，可能反映着群体对词义的共识理解。

如图 3，右侧区域展示了两个聚类维度：左列呈现高频共现词汇组合表，比如“激增”常与“峰值”、“攀升”同时出现；右列则基于标签共现性进行层次聚类，最终呈现出五个主要聚类群组，其中三个与“平稳”、“上升”、“下降”的概念高度吻合。

接下来，进一步分析标注线段的斜率特征（每个图形均由七段连续折线构成）。通过计算各标签对应线段区间的平均斜率，研究团队发现了数据呈现与认知直觉高度温度的规律。

图3：Tableau 标注共现表与聚类树图

如上图，初步建立的语义层级显示：“暴跌”的负斜率明显比“下跌”更为陡峭；相比代表平稳趋势的“持平”（图表中间的零斜率基线代表完全平稳状态），“下降”的负斜率更大；沿着趋势等级往上，正斜率呈现出从“增长”到“起飞”，最终达到“飙升”的递进关系。

当这张图表呈现眼前时，团队全员都为之振奋！数据中清晰可辨的信号不仅能够被测量和量化，更将在未来数据分析中发挥实用价值。

如何用斜率数据做标注？

假设，你正在分析股票市场数据，想在分享给同事前准确标注关键节点。当股价暴跌 80% 时，这算是“跳水”、“崩盘”还是“渐进回调”？这类模棱两可的语义，正是要解决的难题。

图4：折线图平均斜率标注图谱

于是，Tableau 研究团队将问题拆解为两个维度——形态识别与斜率识别。

👉 在形态识别方面，他们采用了类似数字信号处理（DSP）的思路：通过互相关（cross-correlation）的滑动窗口技术，将预定义形态与输入数据进行逐点相似度比对。简单来说，就是把目标形状沿着输入数据逐步滑动，来计算两者的相似度得分。

当形态与数据差异显著（比如输入数据是一条平直的线，而待识别形状却是断崖式下跌），相似度得分较低；当两者高度吻合（比如都表现为断崖特征）是，得分就会较高。最终，选取相似度得分最高的预定义形态，并用它们对应的标签来标记输入数据。

图5：折线视觉特征标注结果示意图

如上图所示，这一算法成功识别出“增长”（growing)、“崩盘”（tanking）、“下降”（decreasing）、“企稳”（flatline）等特征区域。

👉 斜率识别的方法则稍有不同。回想一下，在之前用于数据收集的网页标注工具中，每个预定义的折线形态由七个带标签的线段构成，且每个线段都有对应斜率。

基于此，研究团队建立了“斜率与标签对照词典”（详见图 6）。

比如，当输入数据中的某段斜率约为 1.2 时，查询词典可知其对应的是“增长”（increasing）标签；斜率为 -1.7 则标记为“崩盘”（tanking）。这样一来，只需把输入的数据拆解成多个线段，计算出每段线段的斜率，再到“斜率与标签对照词典”里查询，就可以轻松完成标注了。

以上是针对单个词汇的标签。当研究由两个词组成的复合标签时（比如“缓慢下降”），团队发现了数据集中隐藏的亮点。原来，还可量化“缓慢”（slow）或“快速”（fast）这样的副词对“下降”（decreasing）等动词所产生的影响。

比如，“下降”（decreasing）的平均斜率是 -1.4，但如果是“缓慢下降”（slow decreasing），平均斜率会变得更缓和，为 -0.5；而“快速下降”（fast decreasing）的斜率则更陡峭，为-2.5。

可见，“缓慢”和“快速”就像是数值的“修饰符”一样，可预期地改变基础词汇的斜率。

👉 更有趣的是，这种现象其实与日常语言习惯完全一致。比如，你更希望银行卡余额是“缓慢缩水”而非“快速蒸发”？作家们是希望读者对新书有“温和的”反应，还是“热烈的”反响？

这些修饰词能以有意义的方式在语义和数值上改变基本词汇，从而让句子含义更贴切地反映背后的数据。正因如此，这种更高的精准度使语言描述更贴合数据本质，从而提升决策有效性。

图6：基于斜率进行语义标注的示意图（箭头表示标注位置）

建立单标签与复合标签的斜率对照词典后，Tableau 研究团队开始采用 Ramer-Douglas-Peuker 算法对时间序列数据进行多线段拆分。

如上图，他们以三种粒度将输入数据（顶部）进行划分，以便识别数据中细微、中等和显著的斜率区域。这样，就很容易计算每个线段的斜率，并通过查询词典来完成标注了。

到底是在“瞎折腾”，还是真有用？

折腾了这么久，就是为了告诉我们股票跌了 80% 叫作“断崖式下跌”？你可能会认为，部分结论显而易见，直接根据主观感受来贴几个标签不就行了吗？

但是，Tableau 研究团队的方法确实有独到之处：

👉 首先，标注工具收集回来的标签数据，本质是通用字符串，与任何语言种类无关。我们完全可以用普通话、粤语、日语、法语收集数据，甚至可以用乱码或涂鸦符号。关键在于，不同语言在描述数据时存在细微感知差异，简单翻译英文数据集可能丢失母语者特有的语义层次。

👉 其次，这个方法与具体领域也无关。在本次尝试中，研究团队选用了一些日常通用词汇进行研究。但实际上，这种方法同样适用于医疗数据、金融数据等垂直领域。特定行业的从业者使用专业术语描述现象时，同样可以量化这些领域的专属词汇。

👉 此外，形态与斜率的定义源自大众标注，反映出的是群体认知而非个别开发者的主观判断。当我们需要与不同背景的用户沟通时，这种群体智慧尤为重要。

👉 更重要的是，这项研究确实实现了对自然语言中某种通用语义领域的量化！这不仅非常有趣，也为未来更多、更深入的研究和应用打开了一扇新的大门。

所以，接下来有什么计划？

展望未来，Tableau 研究团队的探索方向非常广阔。最直观的路径自然是现有成果的延伸，比如提升标注精度、扩充标签库、进军细分领域。

但他们野心不止步于折线图，如何将这套方法论迁移到柱状图、饼图甚至是空间地图？能否不依赖图表直接应用？又能否用于解释机器学习模型与 AI Agents 的决策逻辑？

照目前的 Tableau 最新产品路线（比如 Pulse 指标洞察）来看，他们已经开始将“量化语义”框架赋能大语言模型。大语言模型本就是语言与数据的交汇点，这种融合可谓天作之合。

如下图所示，大语言模型（LLM）已能巧妙融合斜率与形态信息，生成语义精准的叙述（虽然会偶然出现事实性幻觉）。值得欣喜的是，模型在遵循新语义规则的同时，仍保持着语言生成的魔力。随着 LLM 与 AI 智能体的进化，相信这种协同效应将愈发显著。

图7：视觉特征语义标注的量化方法

上图显示了如何自动标注折线图中的视觉特征：

(a) 自动检测用户标记的视觉特征；

(b) 将检测出的视觉特征与大型语言模型（LLM）相结合；

(c, d) 基于量化的语义方法自动为趋势中的上升或下降进行标注；这些标注使用“形容词-动词”的搭配方式，体现了实际测算的折线斜率信息，从而生成相应的描述。

👉 如果对这项研究感兴趣，可通过点击此网址观看完整的论文报告。