자연어를 시각화로 변환하는 기존 방법들은 블랙박스처럼 작동하여 사용자가 디자인 이유를 이해하고 결과물을 개선하기 어렵다는 한계가 있습니다. 본 논문에서는 Chain-of-Thought (CoT) 추론을 NL2VIS 파이프라인에 통합하여 이 문제를 해결하고자 합니다. 먼저, NL2VIS을 위한 포괄적인 CoT 추론 과정을 설계하고 기존 데이터셋에 구조화된 추론 단계를 자동으로 추가하는 파이프라인을 개발했습니다. 두 번째로, 모호한 자연어 설명에서 최종 시각화까지 단계별 추론 과정을 담은 nvBench-CoT라는 특수 데이터셋을 도입하여 모델 미세 조정 시 최첨단 성능을 달성했습니다. 마지막으로, 사용자가 추론 단계를 검사하고, 오류를 식별하고, 시각화 결과를 개선하기 위해 조정할 수 있는 대화형 시각 인터페이스인 DeepVIS를 개발했습니다. 정량적 벤치마크 평가, 두 가지 사용 사례 및 사용자 연구를 통해 CoT 프레임워크가 NL2VIS 품질을 효과적으로 향상시키는 동시에 사용자에게 통찰력 있는 추론 단계를 제공함을 보여줍니다.
