实现时空体数据集的有效探索仍然是科学可视化的一大挑战。尽管这些年来已经取得了长足的进步，但现有解决方案通常只关注数据分析和可视化的一两个方面，仍然缺少一个以全面、统一方式进行时变数据分析的工作流程。 为此，来自山东大学、马里兰大学等团队提出了一种新颖的时变数据可视化方法，可在单个统一框架下进行关键帧识别、特征提取和跟踪。 该方法的核心为GPU加速的Block匹配，它将2D像素中的Patch匹配扩展到3D体素的密集的块对应。基于密集的对应结果，该方法能够使用k-中心点聚类以及双向相似性度量从时间序列中识别关键帧。此外，结合图割算法，该框架还能够执行细粒度的特征提取和跟踪。 该方法在几个时变数据集上进行了测试，证明了它的有效性和实用性。

本文设计出一种可视化分析工具,PerformanceVis，用于分析学生入学和课程成绩数据，以及调查家庭作业和试题设计。本文以一门有近1000名学生听课的大学化学导论课为目标，在设计PerformanceVis过程中时同时考虑了学生、教师和管理员的需求。同时，研究作业和考试问题之间的相关性，运用机器学习技术来预测学生成绩，并开发了一个可以交互式探讨学生课程成绩数据的界面。PerformanceVis包括四个主要视图：总体考试成绩路径、详细考试成绩路径、详细考试内容分析以及总体考试和家庭作业分析，它们被动态链接在一起提供给用户进行交互和探索。通过案例研究和专门安排的专家评估证明了PerformanceVis的有效性。最后指出了在学习的分析学方面未来的研究工作。

高效实现交互式可视化对用户来说是一项挑战，通常会为用户提供适当的引导来提供帮助。引导被认为是避免分析过程中出现拖延、停顿状况的有效手段。然而，对不同的分析任务，特定的引导方案并不一定都有效。相同的引导方式对具有(1)不同专业水平的用户往往具有不同的效果。所选取的(2)引导度和面向的(3)任务类型也会影响引导的功效。考虑到这些因素，本文进行了一项用户调查，分析用户对不同分析场景的先验知识如何影响不同程度引导方式的有效性。结果表明，不同任务应选用相应的引导度，引导方式对分析结果的总体影响与用户心理状态和分析能力有关。