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 NL2VIS를 위한 포괄적인 CoT 추론 프로세스를 설계하고, 기존 데이터셋에 구조화된 추론 단계를 추가하는 자동화 파이프라인을 개발했습니다. 두 번째로, 모호한 자연어 설명에서 최종 시각화에 이르는 단계별 추론 과정을 상세히 담은 nvBench-CoT 데이터셋을 소개하여 모델의 성능 향상을 도왔습니다. 마지막으로, 사용자가 추론 단계를 검토하고, 오류를 파악하고, 시각화 결과를 개선하기 위해 조정할 수 있는 대화형 시각 인터페이스인 DeepVIS를 개발했습니다. 정량적 벤치마크 평가, 두 가지 사용 사례, 사용자 연구를 통해 CoT 프레임워크가 NL2VIS의 품질을 향상시키고 사용자에게 통찰력 있는 추론 단계를 제공함을 보여줍니다.
