01
10月23日
提出问题
什么问题值得通过可视化来研究？
- 理解可视化不是漂亮图表
- 分析数字媒介与教师案例
- 从个人经验形成研究问题
下一轮成果
1页题目意向卡：对象、问题、动机、可能的数据与初步受众
2026 秋季课程大纲
数据可视化艺术
Data visualization in Visual Art design
从日常生活中发现数据，理解并读懂数据，
再以视觉艺术的语言讲述我们看见的关系与故事。
- 课程号
- 80800191-0
- 教师
- Fan Xiang
- 邮箱
- xiangfan@tsinghua.edu.cn
- 学分
- 1 学分
- 时间
- 2026 秋季 · 周五下午
- 教室
- A412
- 教学语言
- 英文为主
- 课程形式
- 四次连续工作坊
01 / Goals
课程不是一份“如何制作”的操作指南
市面上有大量书籍、开发框架和在线教程，教大家复刻网络上常见的热门作品。这些资源很有用，但更适合在课外自主学习。本课程更关心的是：我们如何理解数据，并通过视觉艺术把自己的发现讲给别人？
我们从时间、声音、行动路线、人物关系、生活习惯、文字记录和历史照片等普通材料出发，追问数据从哪里来、由谁生产、遗漏了什么，以及它包含怎样的关系和偏差。
课程融合数据可视化、数字艺术、信息设计和业界实践，以更广阔的视角观察叙事性与交互式信息设计。设计不只是“看起来如何”，还包括它如何工作、为谁工作，以及它能否帮助受众思考。
02 / Learning outcomes
你将在四次课中完成什么
- 01
从日常生活、档案、图像、文字、声音、空间和关系中识别数据材料
- 02
判断数据的来源、可靠性、缺失、偏差与使用边界
- 03
从材料中发现关系、矛盾、模式或异常，并把观察转化为问题
- 04
根据内容、受众与情境比较不同的视觉表征
- 05
理解“数据—规则—机制—形式”的生成逻辑
- 06
通过讲评、测试和迭代完成一件原创数据可视化作品
03 / Four connected cycles
每次课都从上一轮作品开始
提交→讲评→新方法→课堂实验→下一版
意向卡、来源记录、草图、实验和原型不是最终作品之外的附属材料；它们共同构成设计过程。每个小步骤都为下一次课堂讲评提供真实材料。
02
10月30日
寻找证据
什么可以成为数据，数据如何成为证据？
- 从上一轮意向卡开始讲评
- 检查来源、缺失、偏差与不确定性
- 比较同一材料的三种视觉组织
下一轮成果
不少于3页的问题与来源卡，以及3个组织逻辑不同的草图
03
11月6日
建立机制
数据怎样通过规则转化为视觉形式？
- 比较三种草图并选择发展方向
- 学习数据—规则—机制—形式
- 完成风险实验与第一版原型
下一轮成果
风险实验记录、第一版原型、一次受众测试与修改计划
04
11月13日
发表与反思
作品让我们看见了什么，它的边界在哪里？
- 比较意向、草图、原型与最终版本
- 说明来源、规则、受众与修改
- 讨论证据边界、伦理与局限
下一轮成果
最终作品、过程文档、数据说明、受众测试记录与课堂陈述
04 / Core project
我想看到的秘密
The Secret I Want to See选择一个你真正希望理解的对象、现象或问题，在四次课中完成从材料发现到视觉表达的全过程。最终成果可以是图形、动画、网页、互动体验或实体装置。
- 1我想讨论什么对象或现象？
- 2我真正想知道的问题是什么？
- 3我可以寻找、采集或建立什么数据？
- 4其中隐藏了什么关系、矛盾或模式？
- 5我希望人们如何看见它？
- 6我的受众是谁，他们需要理解什么？
- 7为什么这种形式适合问题、受众与情境？
05 / Assessment
评价关注过程，也关注最终作品
具体成绩比例与等级标准待教师及院系确认。课程将依据以下方面综合评价：
问题意识
问题是否清楚、具体，并值得通过可视化研究
资料与证据
来源是否可追溯，是否认识到缺失、偏差与不确定性
设计与转译
数据、规则、机制和视觉形式之间是否存在可解释的关系
受众与表达
作品是否适合目标受众和观看情境，并帮助他人思考
实验与迭代
是否比较方案，并根据讲评和测试作出有依据的修改
参与与陈述
是否参与讨论，能否清楚说明选择、发现与局限
06 / Course notes
工具服务于思考，而不是替代思考
软件与编程
课程不预设编程基础，也不限定单一软件。技术复杂度和代码量本身不等于作品质量。
生成式 AI
AI 可用于检索策略、翻译、代码解释与原型辅助，但不能替代数据观察、问题形成、草图比较、受众测试或过程写作。
来源记录
使用他人数据、图像、代码、模型或 AI 生成内容时，必须记录来源及其对最终作品的具体影响。
待确认政策
考勤、迟交、评分比例、学术诚信、知识产权与无障碍支持将按学校和院系规定补充。