关于可视分析应用类文章评估的基本分和加分项：

基本分：

1. 精选topic, 有数据，有domain experts。topic一般读者也会有兴趣，比如空气污染，MOOC，手机数据等。

设计展现很强的专业性。表现在我给你们的checklist上。设计过程，设计的取舍，alternative design，scalability，generalization都有讨论到。 

2. Evaluation完整。尽量做非常全面的evaluation，包括case studies，expert interview，user study等。宁可多做，也不漏掉。关键是得到domain experts的背书和提供有价值的反馈。

3. 写作前后贯通，浑然一体。所有的design goals，tasks，views都有编号或命名，后面有引用和讨论，没有漏掉也没有多余。这个可以用connection graph和在正文中搜索每一个编了号的goal，task和命名的view等进行检查。 

4. 图做得专业。配色和谐，疏密有度，乱中有序，复杂中见pattern。图的种类避免单调，颜色避免过于凌乱，图中的字体大小一致，比正文的字体稍大。关键的visual cues, 可以用框框或是箭头加强。caption避免过于简略。做到读者只是扫一遍图和caption，就能对文章有个大致的了解。

加分项：

5. 在设计上进行创新。设计上的创新也是有章可循的，比如三段式的integrated design， 嵌入式的embedding design，和glyph。至少在一个图上做出“疏离感”，避熟就生，产生一定的新鲜感，不给reviewer说“all the designs are well known， nothing new”的机会。

6. 和machine learning/algorithm深度结合， 提高整个解决方案的sophistication。算法虽然不是主要贡献，但找算法的合作者写一个算法的section，紧扣visual analytics （一定是visualization+mining/machine learning），提升整个系统的sophistication。

拿到完整性和专业性的基本分，努力争取novelty和sophistication的加分。

关于专业性的checklist： 可视化文章投稿的checklist

关于和可视化相关的Tasks：可视分析系统，让机器（算法）做机器（算法）擅长的，让人做人擅长的，关键是找到人和算法的boundary。如果有些tasks，算法就能解决得很好，就不需要用到可视化。可视化几个killer applications：1. Summary of a lot of items/dimensions. 数据量很大或是维度很高的时候，需要一个overview，这时候t-SnE, MDS, heatmap等都比较有用；或者是先两个维度的scatterplot, 然后每个点用glyph来展现更多的维度。2. Comparative analytics。比对A和B， 最好的方法就是可视化出来他们的异同（juxtapose, overlay, or explicit encoding); 3. Fuzzy clusters, outliers等，算法比较难选参数，可视化可以很好反映连续性的渐变过程。4. Trend。 比如反映股票走势等，可视化就必不可少。5. Correlation analysis，尤其是带地图或是时间的。可视化能帮助用户discover unexpected。如果自动方法能detect出来的correlation，最好是先算法筛选，然后再呈现。完全没有算法，靠肉眼发现correlation，不大靠谱。

关于Case Studies：做case studies，就是讲述数据里面的故事。而所谓的故事，就是黄秋生下面说的两点。

黃秋生接著帶到，「寫劇本最重要的元素是甚麽呢？第一個是『出人意表』，另一個元素是『情理之中，意料之外』」。黃秋生接著解釋，「『出人意表』是你猜想不到的，『情理之中，意料之外』就是，很合理，但你又猜想不到的。」

工科生的一大弱点，就是一直被训练做抽象，概括力强，但对数据里面的血肉和细节变得不敏感。论文的case studies里面，有些是大家都能想到的，验证系统是正确的。但也要有些“出人意表”，“情理之中，意料之外”的故事，illuminate and entertain 读者。