[논문 리뷰] Data and Task Based Effectiveness of Basic Visualizations.

Bahador Saket, Alex Endert외 1명|arXiv (Cornell University)|2017. 09. 25.

Data Visualization and Analytics참고 문헌 12인용 수 3

한 줄 요약

이 연구는 두 개의 실세계 데이터셋을 사용하여 10개의 데이터 분석 작업과 세 가지 데이터 속성 유형에서 다섯 가지 기본 시각화 기법—표, 선형도, 막대도, 산점도, 원형도—의 효과성을 평가한다. 결과는 작업 및 데이터 맥락에 따라 성능에 상당한 차이가 있음을 보여주며, 분석 효과를 향상시키기 위해 맥락 인식 기반의 시각화 선택 권고를 제시한다.

ABSTRACT

Visualizations of tabular data are widely used; understanding their effectiveness in different task and data contexts is fundamental to scaling their impact. However, little is known about how basic tabular data visualizations perform across varying data analysis tasks and data attribute types. In this paper, we report results from a crowdsourced experiment to evaluate the effectiveness of five visualization types --- Table, Line Chart, Bar Chart, Scatterplot, and Pie Chart --- across ten common data analysis tasks and three data attribute types using two real world datasets. We found the effectiveness of these visualization types significantly varies across task and data attribute types, suggesting that visualization design would benefit from considering context dependent effectiveness. Based on our findings, we derive recommendations on which visualizations to choose based on different task and data contexts.

연구 동기 및 목표

• 기본 시각화 기법이 다양한 데이터 분석 작업과 데이터 속성 유형에서 어떻게 작동하는지 이해하기 위해.
• 막대도, 선형도, 산점도와 같은 일반적인 시각화 기법에서 맥락에 따라 달라지는 효과성 패턴을 식별하기 위해.
• 특정 작업과 데이터 특성에 기반하여 시각화 선택을 위한 실천 가능한 권고를 제공하기 위해.

제안 방법

• 실세계 데이터셋을 사용하여 시각화 효과성을 평가하기 위해 커뮤니티 기반 실험을 수행하였다.
• 표, 선형도, 막대도, 산점도, 원형도의 다섯 가지 시각화 유형을 평가하였다.
• 결과의 생태학적 타당성을 확보하기 위해 두 개의 실세계 데이터셋을 사용하였다.
• 10개의 일반적인 데이터 분석 작업에 걸쳐 효과성을 측정하였다.
• 데이터 속성을 세 가지 유형으로 분류하여 시각화 성능에 미치는 영향을 평가하였다.
• 통계적 방법을 사용하여 작업 및 데이터 유형 간 효과성의 유의미한 차이를 식별하였다.

실험 결과

연구 질문

• RQ1 다양한 데이터 분석 작업에서 서로 다른 시각화 기법은 어떻게 성능을 보이는가?
• RQ2 데이터 속성 유형(예: 범주형, 수치형, 시간적)은 시각화 효과성에 어떻게 영향을 미치는가?
• RQ3 특정 작업과 데이터 속성 유형 조합에서 가장 효과적인 시각화 기법은 무엇인가?
• RQ4 디자인 권고를 위한 근거가 되는 일관된 시각화 효과성 패턴이 존재하는가?

주요 결과

• 시각화 효과성은 다양한 데이터 분석 작업과 데이터 속성 유형에 따라 상당히 다름을 보였다.
• 막대도와 선형도는 대부분의 작업에서 다른 시각화 기법보다 뛰어난 성능을 보였으며, 특히 추세 분석 및 비교 작업에서 두드러졌다.
• 산점도는 수치형 데이터에서 상관관계 또는 패턴 탐지 작업에 가장 효과적이었다.
• 원형도는 대부분의 작업에서 가장 낮은 효과성을 보였으며, 특히 정확한 값 비교가 필요한 작업에서 두드러졌다.
• 표는 수치형 데이터에서 정확한 값 검색이 필요한 작업에서 가장 효과적이었다.
• 시각화 성능은 맥락에 매우 의존적이었으며, 일률적인 디자인 접근 방식은 최적화되지 않았음을 시사했다.