Do You See What I See? A Qalitative Study Eliciting High-Level Visualization Comprehension

결론

 A Qalitative Study Eliciting High-Level Visualization Comprehension

• 시각화의 목표 = 고차원적 분석, 커뮤니케이션 목표 달성
• 이러한 목표는 사람들이 데이터에서 복잡하고, 상호 연결된 패턴을 자연스럽게 추출하도록 요구
• 하지만 기존 연구는 단순 통계량 추정과 같은 저차원적 작업에 초점이 맞춰져 있음
• 사람들이 자연스럽게 보게되는 고차원적 패턴은 디자인 의도와 맞지 않을 수 있음

고차원적 이해를 고려한 시각화는 단순히 데이터를 보여주는 것(저차원) 에서 더 나아가, 사용자가 데이터를 통해 의미 있는 통찰(고차원)을 얻을 수 있도록 돕는 것을 목표로 해야함.

• 사용자의 관점에서 시각화를 설계
• 데이터를 맥락화
• 복잡한 패턴을 명확하게 전달하는 방법을 고려해야함 

Related Works

1. 고차원적 이해와 시각화 효과성

기존 연구의 한계

• 전통적인 연구: 기존 시각화 연구는 주로 낮은 수준의 작업(예: 특정 통계량 추정)에 초점을 맞추고 있으며, 이는 실제 사용자가 그래프를 자연스럽게 해석하는 방식과는 차이가 있움
• 지각 연구: 대부분의 연구는 시각적 지각(graphical perception)에 기반하여, 특정 작업의 효과성을 측정
• ex) 상관관계를 추정하거나 통계량을 평가하는 연구들이 있습니다.

고차원적 이해의 필요성

• 다설계 의도와 사용자가 실제로 이해하는 내용 사이의 일치를 평가하기 위해 고차원적 이해를 고려할 필요가 있음
• 단순히 통계적 작업 수행 능력만으로는 시각화의 진정한 효과를 평가하기 어려움

2. 시각화 작업과 인사이트

• 인사이트의 중요성
  • 시각화의 목적은 인사이트(insight)를 제공하는 것
  • 인사이트는 데이터를 통해 얻는 지식으로 정의되며, 시각화 평가의 중요한 요소
• 복잡성
  • 인사이트는 단순히 하나의 통계를 추정하는 것을 넘어서, 복잡하고 깊이 있는 이해를 포함

3. 그래픽 지각(graphical Perception)과 이해(Comprehension)

지각 연구

• 시각적 지각:
  • 많은 설계 지침은 사람들이 시각화에서 특정 정보를 인식하는 방식을 연구하는 그래픽 지각에 기반함
  • 상관관계 추정, 통계량 추정, 다양한 작업 지원 방법 등에 대한 연구

고차원적 이해의 필요성

• 기존 연구는 저차원적 작업 수행 능력에 집중
• 고차원적 이해를 통해 시각화의 진정한 커뮤니케이션 목표를 평가할 필요가 있음
• 이는 사람들이 시각화를 통해 자연스럽게 얻는 인사이트를 반영해야 함

관련 논문 세부 요약

1. "Communicative Visualizations as a Learning Problem" (Adar & Lee, 2020)

핵심 내용:

• 연구 목적: 이 연구는 시각화를 학습 도구로 사용하여 사용자가 데이터를 더 잘 이해하고 기억하도록 돕는 방법을 탐구합니다.
• 주요 발견:
  • 시각화의 교육적 잠재력: 시각화는 복잡한 데이터나 개념을 설명하는 데 효과적이며, 사용자에게 교육적 도구로 작용할 수 있습니다.
  • 학습 과정의 이해: 시각화가 학습 과정을 어떻게 촉진하는지 이해하기 위해, 연구는 사용자가 시각화를 통해 어떤 유형의 정보를 더 잘 배우는지를 조사했습니다.
  • 사용자 테스트: 다양한 시각화 기법이 사용자 학습에 미치는 영향을 평가하기 위해 사용자 테스트를 실시했습니다. 이를 통해 특정 시각화 디자인이 더 나은 학습 효과를 제공하는지 확인했습니다.

결론:

• 시각화를 설계할 때는 단순한 정보 전달을 넘어, 사용자가 데이터를 통해 학습하고 이해할 수 있는 방식을 고려해야 합니다. 시각화는 효과적인 학습 도구로서 중요한 역할을 할 수 있으며, 이를 위해 커뮤니케이션 목표와 사용자 이해를 통합한 설계 접근이 필요합니다.

2. "The Weighted Average Illusion: Biases in Perceived Mean Position in Scatterplots" (Hong et al., 2021)

핵심 내용:

• 연구 목적: 이 연구는 산점도에서 평균 위치를 인식하는 데 있어서 사용자가 겪는 편향을 조사합니다. 이는 사용자가 데이터를 해석할 때 발생하는 인지적 오류를 이해하는 데 중점을 둡니다.
• 주요 발견:
  • 편향된 인식: 사용자들은 산점도에서 실제 평균 위치보다 더 중심에 가깝게 평균 위치를 인식하는 경향이 있습니다.
  • 시각적 요소의 영향: 점의 크기, 색상, 밀도 등의 시각적 요소가 사용자의 평균 위치 인식에 영향을 미치는 것으로 나타났습니다.
  • 인지적 오류: 이러한 편향은 사용자가 산점도를 통해 통계적 정보를 해석할 때 인지적 오류를 일으킬 수 있으며, 이는 시각화 설계 시 중요한 고려 사항입니다.

결론:

• 시각화 설계자는 이러한 인지적 편향을 이해하고, 이를 최소화할 수 있는 디자인 전략을 사용해야 합니다. 예를 들어, 평균 위치를 명확하게 표시하거나, 사용자에게 정확한 정보를 전달하기 위해 보조 시각화 기법을 사용할 수 있습니다.

3. "Non-expert Interpretations of Hurricane Forecast Uncertainty Visualizations" (Ruginski et al., 2016)

핵심 내용:

• 연구 목적: 이 연구는 허리케인 예측 불확실성 시각화에 대한 비전문가의 해석을 조사합니다. 비전문가가 복잡한 예측 정보를 어떻게 이해하고 해석하는지에 중점을 둡니다.
• 주요 발견:
  • 이해의 차이: 비전문가는 예측 불확실성을 표현하는 시각화를 해석하는 데 어려움을 겪는 경우가 많습니다.
  • 시각화 기법: 다양한 시각화 기법이 비전문가의 이해도에 미치는 영향을 비교했습니다. 예를 들어, 전통적인 원뿔형 시각화(cone of uncertainty)와 대안적인 기법들을 평가했습니다.
  • 효과적인 설계: 연구는 비전문가가 더 잘 이해할 수 있는 시각화 기법을 식별하고, 이를 통해 예측 정보를 더 명확하게 전달하는 방법을 제안했습니다.

결론:

• 복잡한 예측 정보를 시각화할 때는 비전문가가 이를 쉽게 이해할 수 있도록 설계하는 것이 중요합니다. 이는 시각화 기법의 선택과 정보의 명확한 전달을 통해 달성할 수 있으며, 사용자 중심의 설계 접근이 필요합니다.

 

Methodology

Study Design

1. 참가자 모집:
   • 총 24명의 참가자(18-56세, 18명 여성, 6명 남성)가 모집되었습니다.
   • 참가자들은 주로 대학교 캠퍼스에서 모집되었으며, 대부분 학생이었습니다.
2. 실험 과정:
   • 각 참가자는 12개의 시각화를 무작위 순서로 제시받았습니다.
   • 각 시각화에 대해 '그래프에서 무엇을 보는가'와 '그래프를 통해 어떤 질문에 답할 수 있는가'를 설명하도록 요청했습니다.
   • 응답은 자연어와 생각하는 방식(think-aloud protocols)을 사용하여 기록되었습니다.

Thematic analysis and key findings

주제 1. Intentions do not align with comprehension ( 의도와 이해의 불일치 )

Methodology

Study Design

1. 참가자 모집:
   • 총 24명의 참가자(18-56세, 18명 여성, 6명 남성)가 모집되었습니다.
   • 참가자들은 주로 대학교 캠퍼스에서 모집되었으며, 대부분 학생이었습니다.
2. 실험 과정:
   • 각 참가자는 12개의 시각화를 무작위 순서로 제시받았습니다.
   • 각 시각화에 대해 '그래프에서 무엇을 보는가'와 '그래프를 통해 어떤 질문에 답할 수 있는가'를 설명하도록 요청했습니다.
   • 응답은 자연어와 생각하는 방식(think-aloud protocols)을 사용하여 기록되었습니다.

Thematic analysis and key findings

• 주제별 분석과 주요 발견

주제 1. Intentions do not align with comprehension 

과정

• 시각화 제시: 참가자들에게 다양한 유형의 그래프를 제시하고, 그래프의 내용을 설명하도록 요청함.
• 응답 수집: 참가자들이 그래프를 보고 설명하는 과정을 기록하고, 그들의 응답을 전사하여 분석함.
• 일치도 평가: 참가자들의 설명이 시각화 설계자의 의도와 얼마나 일치하는지를 평가함. 이를 위해, 연구진은 각 그래프에 대해 설계자가 의도한 주요 통계량이나 패턴을 사전에 정의함.

주요 발견

시각화 설계 의도와 관찰자의 이해가 일치하지 않는 경우가 많음
(전체 응답 중 41%만이 설계자의 의도와 완전히 일치 )

설계자가 특정 트렌드를 강조하기 위해 그래프의 색상이나 스타일을 사용해도, 사용자가 이러한 시각적 단서를 인식하지 못하거나, 다른 방식으로 해석할 수 있음

일부 참가자들은 선 그래프에서 전반적인 추세를 인식하지 못하고, 개별 포인트에 집중하는 경향이 있음

• 사용자 피드백의 중요성
  • 사용자가 시각화를 어떻게 해석하는지 이해하고 이를 지속적으로 개선해야함

주제 2. Results from cued tasks may not predict knowlege people build in a graph

과정

• 유도된 작업 수행: 참가자들에게 특정 통계 작업을 수행하도록 요청함. 예를 들어, "이 그래프에서 상관관계를 찾아보세요"와 같은 지시를 줌.
• 응답 수집 및 분석: 참가자들이 지시된 작업을 수행하는 과정을 기록하고, 그들의 응답을 분석함.
• 자연스러운 이해와 비교: 유도된 작업을 통해 얻은 결과와, 참가자들이 자연스럽게 그래프를 해석할 때 얻은 결과를 비교함.

주요 발견

유도된 작업(cued tasks)만으로는 사람들이 그래프에서 얻는 실제 지식을 예측할 수 없음
사용자가 의도된 태스크를 수행할 수 있다는게 그들이 그 태스크를 수행한다는 말은 아님

산점도(Scatter Plot)에서 상관관계를 찾는 작업을 유도했을 때, 많은 참가자들이 이를 제대로 수행하지 못함

유도된 작업 vs 자연스러운 이해
유도된 작업에서는 상관관계를 찾는데 집중하지만, 자연스럽게 해석할 때는 다른 패턴이나 정보를 더 중요하게 여길 수 있음

주제 3. Chart type alone is insufficient to predict information people extract from charts ( 차트 유형의 한계 )

과정

• 다양한 차트 유형 테스트: 다양한 유형의 그래프(선 그래프, 막대 그래프, 산점도)를 사용하여 실험을 진행함.
• 응답 수집 및 코딩: 참가자들이 각 그래프를 해석하는 과정을 기록하고, 그들의 응답을 코딩하여 분석함.
• 차트 유형별 비교: 각 차트 유형에 따라 참가자들이 인식하는 패턴과 통계량을 비교함.

주요 발견

차트 유형만으로는 사람들이 시각화에서 추출하는 정보를 충분히 예측할 수 없음.

막대 그래프, 선 그래프, 산점도 등의 차트 유형은 동일한 데이터를 다른 방식으로 표현하며, 이는 각 차트에서 얻는 정보에 영향을 미침

차트 유형 별 추출하는 정보

• 막대 그래프 : 특정 값 비교
• 선 그래프 : 추세 파악
• 산점도 : 상관관계 이해

→ 각 차트 유형은 고유한 한계를 가지고 있음 ← 각 차트가 강조하는 정보가 다르기 때문에

다중 차트(병치 or 중첩) 사용의 필요성
다양한 차트 유형을 결합하여, 데이터를 더 종합적으로 이해할 수 있도록 해야함

동일한 데이터를 막대 그래프와 선 그래프로 함께 제공하면, 개별 값과 전체 추세를 동시에 이해할 수 있음

• 병치 (juxtaposed composition) vs 중첩 (superimposed graphs)
  • 병치된 그래프는 사용이 어렵고, 데이터를 종합하여 설명하는데 어려움
  • 중첩된 그래프는 시각적인 복잡성이 증가하지만, 병치된 그래프보다 덜 복잡함.

데이터 유형과 그래프의 복잡성 등이 중요함, 다양한 차트 유형을 사용하고, 각 차트의 장점을 활용해야함

단순한 단일 클래스 그래프는 이해도가 높았지만, 복잡한 다중 클래스 그래프에서는 참가자들이 올바르게 해석하지 못하는 경우가 많음

 

주요 Concept 정리

0. 시각화에서 얻는 Insight란? : North의 연구

Toward Measuring Visualization Insight" (2006)

• North는 인사이트를 다섯 가지 차원에서 정의
  • Complex, deep, qualitative, unexpected, relavant

복잡성(Complexity)

• 다차원적이고 복잡한 데이터에 대한 이해
• 여러 변수를 동시에 고려하고, 데이터 간의 상호작용을 이해하는 것

• 예시: 단순한 평균 값 대신, 여러 변수 간의 상호작용을 분석하여 복잡한 관계를 이해하는 것.

깊이(Depth)

• 단순한 정보 이상의 깊이 있는 이해
• 데이터의 심층적인 패턴을 분석하고, 장기적인 트렌드를 파악하는 것을 포함

• 예시: 시간에 따른 데이터 변화의 패턴을 분석하여 장기적인 트렌드를 이해하는 것.

질적 평가(Qualitative Assessment)

• 양적 데이터뿐만 아니라 질적 평가를 포함.
• 데이터의 맥락과 의미를 이해

• 예시: 데이터 포인트 간의 관계를 설명하는 내러티브를 포함하여, 왜 특정 패턴이 나타나는지 이해하는 것.

예기치 않은 발견(Unexpected Discoveries)

• 예상하지 못한 패턴이나 정보를 발견하는 것.
• 데이터 분석에서 중요한 새로운 통찰을 제공

예시: 데이터 분석 중 예기치 않게 발견된 새로운 트렌드나 이상치를 통해 새로운 가설을 세우는 것

관련성(Relevance)

• 인사이트는 사용자의 문제 해결이나 의사 결정에 직접적으로 관련이 있어야 함.
• 데이터를 통해 실제 문제를 해결하거나 중요한 결정을 내리는 데 도움이 되어야 함

• 예시: 특정 마케팅 캠페인의 성과를 분석하여, 미래의 전략을 개선하는 데 필요한 통찰을 제공하는 것.

1. Low-Level vs High-Level Visualization Comprehension

저차원 시각화 이해 (Low-Level Visualization Comprehension)

• 단순하고 구체적인 작업
• 특정 데이터 포인트나 간단한 통계적 특성 인식
  1. 특정 값 추정:
     • 예시: 막대 그래프에서 특정 막대의 높이를 추정하거나, 선 그래프에서 특정 지점의 값을 읽는 것.
  2. 비교 작업:
     • 예시: 두 데이터 포인트를 비교하여 어느 것이 더 큰지 또는 작은지를 판단하는 것.
  3. 단순 통계 추정:
     • 예시: 평균, 합계, 최대값, 최소값 등의 간단한 통계적 특성을 그래프에서 추정하는 것.
  4. 기초적인 데이터 인식:
     • 예시: 그래프에서 특정 데이터 포인트를 식별하거나, 데이터의 범위를 파악하는 것.
• 주로 그래프의 지각적 정확성(graphical perception)을 평가하며, 사용자가 얼마나 빠르고 정확하게 특정 정보를 추출할 수 있는지를 측정

고차원 시각화 이해 (High-Level Visualization Comprehension)

• 데이터의 전체적인 의미와 복잡한 패턴을 인식하고, 이를 바탕으로 깊이 있는 통찰을 도출하는 능력

1. 패턴 인식:
   • 예시: 선 그래프에서 전반적인 추세(trend)를 인식하거나, 산점도에서 클러스터링(군집)을 식별하는 것.
2. 상관관계와 관계 이해:
   • 예시: 산점도에서 두 변수 간의 상관관계를 파악하거나, 히트맵에서 변수들 간의 연관성을 이해하는 것.
3. 이상치 탐지:
   • 예시: 그래프에서 일반적인 패턴에서 벗어나는 이상치(outliers)를 식별하고, 그 의미를 해석하는 것.
4. 종합적 통찰 도출:
   • 예시: 여러 그래프를 통합적으로 분석하여 데이터의 전체적인 의미와 비즈니스 인사이트를 도출하는 것.
5. 스토리텔링:
   • 예시: 데이터를 바탕으로 의미 있는 이야기를 구성하고, 이를 통해 복잡한 정보를 전달하는 것.

특성	저차원 이해	고차원 이해
초점	단순 작업 수행 (값 추정, 비교)	복잡한 패턴 인식 및 통찰 도출
평가 방식	지각적 정확성 및 속도	패턴 인식, 관계 이해, 종합적 분석
작업 예시	막대 높이 추정, 두 값 비교	추세 인식, 상관관계 이해, 이상치 탐지
주요 목적	특정 정보의 정확한 추출	데이터의 전체적 의미 파악 및 전략적 의사 결정

논문의 관점

• 전통적인 연구는 저차원적 작업 수행 능력을 평가하는데 중점을 둠
• 본 논문에서 강조하는 점은 고차원적 이해의 중요성
  • 시각화를 통해 얻는 깊이 있는 인사이트와 패턴 인식을 평가
  • 이는 시각화 설계시 더 효과적으로 데이터를 전달하고, 의미 있는 결론을 도출할수 있도록 돕는데 중요

2. 고차원적 이해(high-level comprehension) 고려하기

• 단순히 데이터 포인트나 기본 통계량을 전달하는 것 X
• 사용자가 직관적으로 데이터의 의미와 패턴을 이해하고 통찰을 얻을 수 있도록 시각화를 설계하라는 의미
• 시각화는 단순한 데이터를 보여주는 것에서 벗어나 사용자가 데이터를 통해 insight를 얻을 수 있도록 돕는 방향으로 확장되어야 함

적용 방법

1. 사용자의 관점에서 설계: 사용자 이해도와 경험을 고려한 설계
   • 사용자 이해도: 시각화를 볼 사용자들이 데이터에 대해 어떤 배경 지식을 가지고 있는지 고려
   • 사용자 경험: 사용자가 시각화를 통해 어떤 질문을 해결하고자 하는지, 어떤 통찰을 얻고자 하는지를 고려
   • 예시
     • 일반 대중 대상: 주식 시장 데이터를 시각화할 때, 전문가가 아닌 일반 대중을 대상으로 할 경우, 복잡한 기술적 지표보다는 간단한 추세선과 주요 이벤트 표시를 통해 쉽게 이해할 수 있도록 합니다.
     • 전문가 대상: 금융 분석가를 대상으로 하는 시각화에서는 상세한 기술적 분석 지표와 복잡한 데이터 관계를 포함할 수 있습니다.
2. 맥락 제공: 부가정보와 스토리텔링을 통한 맥락 제공
   • 부가 정보: 시각화에 추가적인 정보나 설명을 포함하여, 사용자가 데이터를 더 잘 이해할 수 있도록 해야 합니다. 예를 들어, 축 라벨, 범례, 데이터 출처, 설명 텍스트 등을 추가
   • 스토리텔링: 시각화를 통해 데이터를 이야기 형태로 전달
   • 예시
     • 축 라벨과 범례: 각 축에 명확한 라벨을 붙이고, 그래프에 범례를 추가하여 데이터의 의미를 명확히 합니다. 예를 들어, 시간 축에는 연도, 매출 축에는 금액을 표시합니다.
     • 설명 텍스트: 그래프 하단에 간단한 설명을 추가하여 데이터의 주요 포인트와 이를 통해 얻을 수 있는 통찰을 안내합니다.
3. 복잡한 패턴 전달: 데이터 간의 관계나 패턴을 강조하는 설계
   • 패턴과 관계: 데이터를 단순히 나열하는 대신, 데이터 간의 관계나 패턴을 강조하는 시각화를 설계
   • ex) 상관관계를 보여주는 산점도나 추세를 강조하는 선 그래프 등
   • 다차원 데이터: 여러 변수 간의 관계를 시각적으로 표현, 사용자가 데이터를 종합적으로 이해할 수 있도록
   • 예시
     • 상관관계 강조: 산점도에 상관계수와 추세선을 추가하여 두 변수 간의 관계를 명확히 합니다.
     • 추세선 추가: 선 그래프에 추세선을 추가하여 데이터의 전반적인 흐름을 한눈에 파악할 수 있도록 합니다.
4. 인터랙티브 요소 추가: 사용자가 데이터를 탐색할 수 있는 상호작용 기능 제공
   • 사용자 탐색 가능성: 사용자가 시각화를 상호작용할 수 있도록 설계하여, 데이터를 더 깊이 탐색하고 이해할 수 있게 해야함
   • 예시
     • 툴팁 기능: 사용자가 특정 데이터 포인트에 마우스를 올리면 해당 포인트의 자세한 정보를 보여주는 툴팁을 추가합니다.
     • 확대/축소 기능: 사용자가 그래프의 특정 부분을 확대하거나 축소할 수 있도록 인터랙티브 기능을 제공합니다.
5. 복잡성 관리: 정보 과부하를 방지하고 필요한 정보를 명확히 전달
   • 정보 과부하 방지: 너무 많은 정보를 한 시각화에 담으면 오히려 사용자가 혼란스러울 수 있으므로, 필요한 정보를 적절히 요약하고 하이라이트하는 것이 중요
   • 단순성과 복잡성의 균형: 단순하면서도 필요한 정보를 모두 제공하는 균형 잡힌 시각화를 설계
   • 예시
     • 하이라이트 기능: 중요한 데이터 포인트나 추세를 강조하여 시각적으로 하이라이트합니다.
     • 요약 텍스트: 그래프의 주요 내용을 요약하여 설명 텍스트로 추가합니다.

종합 예시 1.

1. 단순 통계 시각화:
   • 잘못된 예시: 단순히 판매량 데이터를 막대 그래프로 나열한 경우, 사용자는 각 막대의 높이만 보고 끝날 수 있음
   • 개선된 예시: 같은 데이터를 사용하되, 막대 그래프에 추세선을 추가하고, 특정 기간 동안의 주요 이벤트(예: 프로모션, 경제 위기 등)를 표시하여 사용자가 판매량 변화의 원인을 이해할 수 있도록 해야 함
2. 상관관계 시각화:
   • 잘못된 예시: 두 변수 간의 산점도를 보여주면서, 단순히 데이터 포인트만 나열한 경우, 사용자는 데이터의 전반적인 패턴을 쉽게 파악하지 못할 수 있음
   • 개선된 예시: 산점도에 상관계수와 추세선을 추가하고, 특정 데이터 포인트에 마우스를 올리면 세부 정보가 표시되도록 하여, 사용자가 데이터 간의 관계를 더 쉽게 이해할 수 있도록 해야함

종합 예시2. COVID-19 데이터 시각화

• 사용자 이해도: 일반 대중은 복잡한 통계량보다는 전체적인 추세와 주요 이벤트를 이해하는 것이 중요합니다.
• 맥락 제공: 시간 축에 날짜를 명확히 표시하고, 각 기간 동안의 주요 이벤트(예: 봉쇄 조치, 백신 배포)를 설명하는 텍스트를 추가합니다.
• 패턴 강조: 확진자 수의 추세선을 추가하고, 특정 시점에서의 급증 원인을 설명합니다.
• 인터랙티브 요소: 사용자가 특정 날짜에 마우스를 올리면 해당 날짜의 세부 정보를 보여주는 툴팁을 추가합니다.
• 복잡성 관리: 전체 데이터를 단순화하여 주요 추세와 이벤트만을 강조하고, 상세한 데이터는 별도의 링크나 추가 자료로 제공할 수 있습니다.

3. 디자인 시사점 (Implications for Design)

효과적인 디자인의 핵심 패턴 강조

• Effective Designs make key pattern salient
• 효과적인 시각화 디자인은 중요한 패턴을 명확하게 강조합니다.
  • 실무 상에서는 목표 작업과 문제 도메인 정보가 특정 디자인 선택을 유도함
  • 연구 결과는 이 관계가 강력할 수 있지만, 차트 구성, 데이터, 기타 디자인 요소가 주어진 작업에 적합한 시각화 선택을 변경할 수 있음을 나타냄
  • 예를 들어, 디자인 가이드라인은 특정 도표가 목표 작업을 전달해야 한다고 제안하지만, 참가자들은 일관되게 이러한 작업을 사용하여 그래프의 내용을 설명하지 않았음

설계 의도와 사용자 인식의 불일치

• what they intend to communicate through a graph may ≠ what viewers naturally perceive
• 설계 의도 만으로는 시각화가 목표를 성공적으로 전달할 수 있는지를 정확하게 판단할 수 없음

데이터의 복잡성, 구성 및 부가 정보

• 디자인 가이드라인은 단순히 차트 유형과 데이터 유형 또는 통계랑을 매핑하는 것을 넘어서야함
• 다음과 같은 부가 정보들은 시각화를 해석하는 방식과 추출하는 통계에 영향을 미침
  • 데이터 복잡성
  • 구성
  • 캡션
  • 제목
  • 추가 텍스트

표현력 (Expressiveness)

• 더 복잡한 그래프는 더 많은 정보를 전달할 수 있지만, 의도한 목표를 달성하기는 더 어려움
• 사람들은 더 복잡한 그래프를 설명할 때 표면적 특징에 집중하고, 패턴과 통계를 덜 설명함
  • 디자이너는 더 복잡한 그래프에 대한 참여를 유도하고, 사용자가 복잡한 데이터를 더 빨리 효과적으로 이해할 수 있도록 도와야 함.
  • 단순성과 명료성은 여전히 중요한 설계 원칙

차트 구조 (Chart Scaffolding)

• 얕은(shallow, at-a-glance) 읽기로 인한 잘못된 해석은 사람들이 레이블과 범례(legend)에 주의를 기울이지 않는 것처럼 느껴지게 할 수 있음
• 하지만, 사람들은 주로 축과 타이틀을 우선시하고, 시각화 환경 (그래프 자체, 인코딩, 텍스트)를 이해하는데 상당한 시간을 소비하며, 범례와 레이블을 적극적으로 처리함
• → 이러한 레이블의 내용도 신중히 고려되어야 함

부가 그래픽 정보 (Supplemental Graphical Information)

• 주석과 같은 추가 시각적 단서는 데이터 해석의 일관성을 높임
• 이를 통해 데이터의 핵심적인 측면에 주의를 집중시키고 데이터 해석의 모호성을 감소 시킬 수 있음
  • 통계적인 주석이 없는 시각화는 패턴의 변동성을 증가 시킴(다양항 해석이 일어날 가능성이 커짐)
• 하지만, 특정 패턴을 강조하는 시각적 단서는 다른 중요한 정보를 놓치게 할 수 있음 (균형이 중요)