प्राकृतिक भाषा को विज़ुअलाइज़ेशन में बदलने के मौजूदा तरीके ब्लैक बॉक्स की तरह काम करते हैं, जिससे उपयोगकर्ताओं के लिए डिज़ाइन के औचित्य को समझना और परिणामों को बेहतर बनाना मुश्किल हो जाता है। इस लेख में, हम NL2VIS पाइपलाइन में चेन-ऑफ-थॉट (CoT) अनुमान को एकीकृत करके इस समस्या का समाधान करते हैं। सबसे पहले, हम NL2VIS के लिए एक व्यापक CoT अनुमान प्रक्रिया डिज़ाइन करते हैं और एक स्वचालित पाइपलाइन विकसित करते हैं जो मौजूदा डेटासेट में संरचित अनुमान चरण जोड़ती है। दूसरा, हम nvBench-CoT डेटासेट प्रस्तुत करते हैं, जो मॉडल के प्रदर्शन को बेहतर बनाने में मदद करने के लिए अस्पष्ट प्राकृतिक भाषा विवरणों से लेकर अंतिम विज़ुअलाइज़ेशन तक चरण-दर-चरण अनुमान प्रक्रिया का विवरण देता है। अंत में, हम DeepVIS विकसित करते हैं, एक इंटरैक्टिव विज़ुअल इंटरफ़ेस जो उपयोगकर्ताओं को अनुमान चरणों की समीक्षा करने, त्रुटियों की पहचान करने और उन्हें बेहतर बनाने के लिए विज़ुअलाइज़ेशन परिणामों को समायोजित करने की अनुमति देता है। मात्रात्मक बेंचमार्क मूल्यांकन, दो उपयोग मामलों और उपयोगकर्ता अध्ययनों के माध्यम से, हम प्रदर्शित करते हैं कि CoT ढाँचा NL2VIS की गुणवत्ता को बढ़ाता है और उपयोगकर्ताओं को व्यावहारिक अनुमान चरण प्रदान करता है।
