Los métodos existentes para convertir lenguaje natural en visualizaciones funcionan como cajas negras, lo que dificulta que los usuarios comprendan la lógica del diseño y mejoren los resultados. En este artículo, abordamos este problema integrando la inferencia de Cadena de Pensamiento (CoT) en el pipeline de NL2VIS. Primero, diseñamos un proceso integral de inferencia de CoT para NL2VIS y desarrollamos un pipeline automatizado que añade pasos de inferencia estructurados a los conjuntos de datos existentes. Segundo, presentamos el conjunto de datos nvBench-CoT, que detalla el proceso de inferencia paso a paso, desde descripciones ambiguas en lenguaje natural hasta visualizaciones finales, para ayudar a mejorar el rendimiento del modelo. Finalmente, desarrollamos DeepVIS, una interfaz visual interactiva que permite a los usuarios revisar los pasos de inferencia, identificar errores y ajustar los resultados de las visualizaciones para mejorarlos. Mediante evaluaciones comparativas cuantitativas, dos casos de uso y estudios de usuarios, demostramos que el marco de CoT mejora la calidad de NL2VIS y proporciona a los usuarios pasos de inferencia útiles.
