Les méthodes existantes de conversion du langage naturel en visualisations fonctionnent comme des boîtes noires, ce qui complique la compréhension du raisonnement de conception et l'amélioration des résultats. Dans cet article, nous abordons ce problème en intégrant l'inférence par chaîne de pensée (CoT) au pipeline NL2VIS. Tout d'abord, nous concevons un processus d'inférence CoT complet pour NL2VIS et développons un pipeline automatisé qui ajoute des étapes d'inférence structurées aux jeux de données existants. Ensuite, nous présentons le jeu de données nvBench-CoT, qui détaille le processus d'inférence étape par étape, des descriptions ambiguës en langage naturel aux visualisations finales, afin d'améliorer les performances du modèle. Enfin, nous développons DeepVIS, une interface visuelle interactive permettant aux utilisateurs de revoir les étapes d'inférence, d'identifier les erreurs et d'ajuster les résultats de visualisation pour les améliorer. Grâce à des évaluations comparatives quantitatives, à deux cas d'utilisation et à des études utilisateurs, nous démontrons que le cadre CoT améliore la qualité de NL2VIS et fournit aux utilisateurs des étapes d'inférence pertinentes.
