Archives of Design Research

본 연구는 빠르게 변화하는 사회 환경과 IT 기술의 융합으로 그 중요도와 활용도가 급격히 확장된 데이터 시각화의 체계적인 교육 방법을 제안하기 위하여 시작되었다. 김현정(Kim, 2018)은 막대한 정보를 담고 있는 빅 데이터는 그 속성으로 ‘크기, 속도, 다양성’을 포함한다고 보았다. 따라서 이러한 데이터는 단순히 숫자나 글자를 색이나 이미지를 통해 표현하는 것이 아니라, 각각의 정보를 효과적으로 시각화할 수 있는 기획과 분석을 통한 디자인 표현 과정이 포함되어야 한다. 김명신(Kim, 2022)에 의하면 데이터 시각화란 다양하고 방대한 데이터 자료 중 특정한 데이터를 택하여 조직화하고 시각적으로 표현함으로써 의미 있는 정보로 전달하는 연구 영역이라고 하였다. 따라서 데이터 시각화 과정에서는 정보 수용자가 데이터 분석 결과를 쉽게 이해할 수 있도록 핵심 개념 및 아이디어를 효과적으로 시각화할 수 있는 전략이 필요하다.

최근 데이터를 활용한 사회, 경제, 문화 등의 부가가치 창출이 늘면서 데이터 시각화 또한 경영, 언론, 산업계, 과학계 등 다양한 분야에서 주목 받고 있다(김현정, 2018). 이에 따라 대학을 비롯한 공공기관에서도 데이터 시각화에 대한 교육과정 및 공모전을 개설하는 추세가 있다. 서울의 H대학의 경우 2021년부터 대학원 과정에서 ‘인지정보 데이터 시각화’ 과목을 운영하고 있으며, 서울디지털재단은 2019년부터 ‘도시문제 분석을 위한 데이터 시각화 및 탐색 과정’을 개설하여 운영 중이다. 한국디자인진흥원(KIDP)은 2020년 ‘데이터비즈 인포그래픽 공모전’을 통해 정부와 공공기관의 공공데이터를 비즈니스에 활용할 수 있는 데이터 시각화 공모전을 시행한 바 있다. 이러한 분위기를 반영하여 2017년 통계청은 데이터 시각화 도구인 ‘통그라미(사이트)’를 제공하고 있다. 통그라미는 K-plot의 새로운 버전으로 일반 통계 패키지에서는 지원되지 않는 초·중등 교과서 수록 그림이 추가되어 실 수업과도 연계하여 데이터를 시각화할 수 있는 장점이 있지만(이정진 외, 2014), 사용자의 의도에 맞는 적절한 차트 선택 작업은 사용자의 기반 지식에 의존할 수밖에 없는 상황(변정윤 & 박용범, 2016)이므로 데이터를 다양한 관점에서 분석하고 시각화하는 데는 다소 부족함이 있다. 야우(Yau, 2013)는 양질의 데이터 시각화 과정은 통계 지식뿐만 아니라 디자인 지식이 동시에 동반될 때 그 효과가 극대화된다고 보았다. 그는 통계 지식에 기반 하지 않은 시각화 산출물은 단지 미적 목표 달성을 위한 습작이 될 뿐이고, 디자인 지식이 기반되지 않으면 그저 분석 산출물에 불과하다고 주장하면서, 보편적인 데이터 시각화 도구로 사용되고 있는 엑셀(Excel) 프로그램 사용 시에는 별도의 차트 환경 설정 조정이 필요하다고 보았다. 변정윤(Byun, 2016) 역시, 다양한 데이터 시각화 툴에서 제공하는 차트 추천 방식은 사용자의 의도를 고려하지 않은 상태로 차트를 추천한다고 하였다. 따라서 자신의 의도에 맞게 효과적인 데이터 시각화를 표현하기 위해서는 차트를 생성하는 시각화에 대한 지식이 필요하다(Mackinlay et al., 2007).

하지만 지금까지의 데이터 시각화 교육 관련 선행 연구들을 살펴보면, 연구 분석의 대상이 초등학생에 편중되어 있었으며(김민범, 2020; 김민규, 2020; 이진영, 2021), 청소년을 대상으로 하는 데이터 시각화 연구와 교육과정은 드문 상황이다. 따라서 본 연구에서는 우리나라 청소년을 위한 데이터 시각화 교육과정 개발에 대한 첫 단계로서, ‘전국학생통계활용대회(통계청)’의 최근 3년(2019~2021)간의 수상작을 중심으로 우리나라 청소년의 데이터 시각화 표현 유형에 대한 메타 분석을 실시하고자 한다.

본 연구는 이론적 연구와 실증 분석 연구로 진행된다. 이론적 연구는 데이터 시각화에 관련된 선행 연구 자료를 바탕으로 데이터 시각화의 개념, 과정, 데이터 시각화 차트 유형을 중심적으로 탐색한다. 실증 분석으로는 최근 3년(2019~2021)간 통계청에서 주관한 ‘전국학생통계활용대회’의 중학생부 수상작에 나타난 데이터 시각화 표현 유형을 분석하였다. 분석 자료는 통계활용대회 웹사이트(http://통계활용대회.kr)에 수록된 중학생부 수상작 117점이다.

분석 도구로는 아벨라(Abela, 2011)의 목적에 따른 차트 선택 방법과 강원양 외(Kang et al., 2020)가 제시한 ‘5가지(비교, 추이·트렌드, 구성 비중·분포, 관계, 위치 데이터) 데이터 시각화 유형 분류 기준’을 수정·보완하여 ‘6가지(비교, 추이·트렌드, 구성 비중·분포, 관계, 위치 데이터, 기타)’ 데이터 시각화 유형 분류 기준으로 재구성하여 활용하였다.

(1) 데이터 시각화의 개념

데이터 시각화는 ‘단순한 기호, 문자, 숫자들을 조직화하여 그림이나 그래프 등을 통해 보다 쉽게 이해할 수 있는 형태로 변환하는 과정’을 의미하는데, 이때 데이터는 ‘시각화’를 통해 정보로서의 가치를 가지고, 지식으로서 의사 결정이나 지적 발전의 역할을 확대하여 수행하는데 도움을 주는 전략으로 보았다(계보경 & 박연정, 2017). 카이로(Cairo, 2019)에 의하면 데이터 시각화란 ‘데이터의 분석, 탐색, 발견을 가능하게 하기 위해 디자인된 데이터 표현’이다. 그는 데이터 시각화의 주된 목적은 정보 수용자로 하여금 어떤 결론을 직접 도출할 수 있도록 하는 도구로 인식되는 경우가 더 많으며, 단편적인 디자이너의 메시지 전달이 주목적이 아니라고 하였다. 카드 외(Card et al., 1999) 역시 시각화의 주된 목적은 시각화 그 자체가 아니라 시각화를 통한 새로운 발견 또는 의사 결정을 위한 통찰력에 있다고 보았으며, 정보 시각화란 추상 데이터에 대한 인간의 인지능력을 최대화하기 위한 컴퓨터와 상호 작용성을 기반으로 하는 시각적 재현이라 하였다. 많은 연구들이 데이터 시각화, 인포그래픽, 정보 시각화와 같은 용어에 대해서 새로운 해석과 범주화를 시도하고 있으나 모호한 개념 차이를 보인다고 하였다(곽민구, 2018).

이처럼 데이터 시각화는 현재로서는 연구자간 모호한 개념의 차이가 존재하고 광범위하게 해석될 수 있으나, 본 연구에서는 이러한 관점 중 비교적 데이터 시각화의 구분과 내용이 구체적인 후지 토시쿠니, 와타나베 료이치(Fuji & Watanabe, 2020)의 데이터 시각화 개념을 데이터 시각화라 규정하고 그 기준을 통해 연구 대상인 데이터 시각화 수상작을 분류하였다. 그들에 의하면 데이터 시각화는 차트를 이용하여 데이터를 알기 쉽게 시각화하는 것으로 사실과 주장에 의해 [Figure 1]과 같이 인포메이션 디자인과 데이터 아트 디자인으로 나눌 수 있다.

Figure 1 Classification of Data Visualization (Fuji Toshikuni & Watanabe Ryoichi, 2020)

[Figure 1]에서 데이터를 시각화할 때 자신을 포함한 조직과 상대방의 과제해결이 목적이면 ‘인포메이션 디자인’, 자신의 주장 및 표현을 위한 데이터의 시각화가 목적이면 ‘데이터 아트 디자인’으로 분류된다. ‘인포메이션 디자인’은 사실 검증이 필요한 ‘가설 검증형’과 ‘가설 탐색형’, 사실을 다루는 ‘사실 보고형’과 ‘사실 설명형’으로 나눌 수 있다. ‘데이터 아트 디자인’은 자신의 주장 및 표현을 독자에게 이해, 납득시키기 위한 ‘주장 설득형’과 특정한 대상 없이 자기표현에 중점을 두는 ‘주장 표현형’으로 구분된다(Fuji Toshikuni & Watanabe Ryoichi, 2020).

통계 교육원에 따르면 전국학생통계활용대회의 수상작은 여러 관점에서 문제에 접근하고, 그 과정을 통해 해답을 찾아 분석한 자료를 시각적으로 표현하는 것을 말한다. 따라서 전국학생통계활용대회의 수상작은 문제해결을 위한 데이터 시각화의 유형으로 분류되며 본 연구에서는 이를 ‘인포메이션 디자인 영역’의 통계로 분류하고 연구를 진행하고자 한다.

(2) 데이터 시각화의 과정

데이터 시각화의 과정은 정보화되기 이전의 상태, 즉 자료 형태의 다양한 데이터 중 어떤 종류를 모을 것인지, 시각화 이후 어떤 결과를 유도, 기대할 것인지를 의미 있게 설계·디자인하는 작업이며 결과를 보여주는 것이 아니라 생각을 유도해 나가는 것이다(민세희, 2013; 김현정, 2018 재인용). 또한 야우(Yau, 2013)에 의하면 일반적으로 시각적인 데이터를 탐색할 때는 [Figure 2]와 같이 네 단계를 거친다. 즉 반복적 데이터 탐색 과정의 중요성을 강조한 것이다.

Figure 2 Reconstructing the Iterative Data Exploration Process through Prior Research (Nathan Yau, 2013)

[Figure 2]에서와 같이 데이터 시각화의 1~2단계는 통계적 지식을 기반으로 데이터를 탐색하며, 3단계는 디자인적 지식을 기반으로 데이터의 기하 형태와 색상에 매핑시키는 시각화 작업이 중심이 된다. 위치, 길이, 각도, 방향, 면적과 부피, 색상 등에 의해 적절한 시각적 요소의 선택은 중요하게 다루어지며, 지각 태스크들 또한 부호화하여 표현할 수 있다. 4단계는 통계적 지식과 디자인적 지식이 동반되어 결과가 이치에 맞는지와 그 결과가 적절한지 등을 결과로서 종합하는 단계이다(Yau, 2013). 이 과정에서 오류나 부족한 점이 발견되면 순환구조를 통해 전 단계로 이전하여 데이터 시각화 과정을 재구성할 수 있다.

결과적으로 데이터 시각화는 데이터 시각화 디자인 요소, 즉 위치, 길이, 각도, 방향, 면적과 부피, 색상 등 시각적 속성의 이해가 수반될 때 더욱 더 효과적으로 제안될 수 있다. 이는 복잡하고 방대한 데이터를 목적에 맞는 내용으로 강력하게 보여주기 때문이다.

(3) 데이터 시각화의 차트 유형

데이터 시각화를 디자인할 때 정보 또는 메시지를 정확하게 전달할 수 있는 적합한 차트의 유형 선택이 매우 중요하다. 서미란 외(Seo et al., 2018)는 같은 데이터라도 어떤 시각화 차트 유형을 선택하느냐에 따라 시각화의 결과와 해석이 달라질 수 있음을 제기하며, 시각화 차트 유형 선택의 중요성을 강조하였다. 이러한 배경에 따라 본 연구에서는 미국의 프리젠테이션 전문가 아벨라(Abela, 2011)가 사용 목적에 따라 적합한 차트를 선택할 수 있도록 분류한 ‘비교, 구성, 분포, 관계’에 따른 시각화 차트 유형과 강원양 외(Kang et al., 2020)가 제시한 ‘5가지(비교, 추이·트렌드, 구성 비중·분포, 관계, 위치 데이터) 데이터 시각화 유형 분류 기준’을 수정·보완하여 ‘6가지(비교, 추이·트렌드, 구성 비중·분포, 관계, 위치 데이터, 기타)’ 데이터 시각화 유형 분류 기준을 [Figure 3]으로 재구성하였다.

Figure 3 Reorganization of the Criteria for Data Visualization Classification

강원양 외(Kang et al., 2020)에 의하면 시각화 유형에 대한 정확한 이해는 상황 및 목적에 맞는 데이터 시각화 차트 유형을 선택하는 데 도움을 줄 수 있다고 하였다. 이러한 연구 배경을 바탕으로 세부 차트들을 구분하였으며, 6가지 데이터 시각화 유형 분류 기준의 세부 내용은 다음과 같다.

① 비교 시각화 차트

비교를 위한 기본적인 시각화 차트 유형은 막대 차트, 그룹 막대 차트가 있으며 길이, 위치 등의 속성으로 비교한다. 다음의 [Table 1]은 이장미(Lee, 2020), 강원양 외(Kang et al., 2020), 후지 토시쿠니, 와타나베 료이치(Fuji & Watanabe, 2020), 나가타 유카리(Nagata, 2021)의 선행 연구 및 문헌에 정의된 ‘비교 시각화’의 대표적인 차트 유형들의 특징을 분석한 표이다.

비교를 위한 차트 유형은 총 18개의 세부 차트로 분류되며, 이러한 ‘비교 시각화 차트 유형’은 흔히 지표를 속성별로 나누어 많고 적음, 좋고 나쁨과 같은 판단을 할 수 있는 통찰력을 제공한다.

② 추이·트렌드 시각화 차트

‘추이·트렌드 시각화’는 시간 흐름에 따라 변화하는 데이터의 경향을 보는 데 유용한 차트로서 선 차트, 영역 차트, 타임라인 차트가 대표적이며, 방향의 시각적 단서가 중요한 정보가 된다(이장미, 2020). 다음의 [Table 2]는 이장미(Lee, 2020), 강원양 외(Kang et al., 2020), 후지 토시쿠니, 와타나베 료이치(Fuji & Watanabe, 2020), 나가타 유카리(Nagata, 2021)의 선행 연구 및 문헌에 정의된 ‘추이·트렌드’의 대표적인 차트 유형들의 특징을 분석한 표이다.

추이·트렌드를 위한 차트 유형은 총 12개의 세부 차트로 분류되며, 이러한 ‘추이·트렌드 시각화’ 차트 유형은 시간이 경과함에 따라 일정한 간격을 기준으로 측정되는 데이터를 평가하고 해석할 수 있는 차트이다(서미란 외, 2018).

③ 구성 비중·분포 시각화 차트

데이터가 어떤 항목으로 이루어져 있는지 전체 데이터를 구성하는 세부 항목별 구성 비중과 분포를 표현하기 위해 대표적으로 파이 차트, 도넛 차트, 트리맵 등이 활용된다. [Table 3]은 이장미(Lee, 2020), 강원양 외(Kang et al., 2020), 후지 토시쿠니, 와타나베 료이치(Fuji & Watanabe, 2020), 나가타 유카리(Nagata, 2021)의 선행 연구 및 문헌에 의해 정의된 ‘구성 비중·분포 시각화’의 대표적인 차트 유형들의 특징을 분석한 표이다.

구성 비중·분포를 위한 차트 유형은 총 12개의 세부 차트로 분류되며, 이러한 ‘구성 비중·분포 시각화’ 차트 유형은 서로의 상대적인 값을 표현하는 차트로 전체 대비, 그 비율의 정도를 효과적으로 나타낼 수 있다.

④ 관계 시각화 차트

‘관계 시각화’ 차트는 데이터 간의 관계를 확인하는 데 유용한 차트로 대개 둘 이상의 데이터를 하나의 시각화로 표현해서 데이터 간의 관계를 파악할 수 있게 한다. 가장 기본적인 산점도를 비롯해 버블차트, 네트워크 시각화가 포함된다. 다음의 [Table 4]는 이장미(Lee, 2020), 강원양 외(Kang et al., 2020), 후지 토시쿠니, 와타나베 료이치(Fuji & Watanabe, 2020), 나가타 유카리(Nagata, 2021)의 선행 연구 및 문헌에 의해 정의된 ‘관계 시각화’의 대표적인 차트 유형들의 특징을 분석한 표이다.

관계 시각화를 위한 차트 유형은 총 7개의 세부 차트로 분류되며, 이러한 ‘관계 시각화 차트’ 유형은 차트에 산포되어 있는 데이터를 통해 서로의 상관관계, 군집을 찾아내고 그로 인해 인사이트를 발견할 수 있다.

⑤ 위치 데이터 시각화 차트

‘위치 데이터 시각화’ 차트는 데이터가 위치 정보를 포함하고 있을 때 차트 배경을 지도로 활용하는 지도 시각화 유형이다. 데이터 크기를 지역마다 색으로 표현한 단계 구분도, 도형의 크기로 데이터를 표현하는 도형 표현도가 있다. 다음의 [Table 5]는 이장미(Lee, 2020), 강원양 외(Kang et al., 2020), 후지 토시쿠니, 와타나베 료이치(Fuji & Watanabe, 2020), 나가타 유카리(Nagata, 2021)의 선행 연구 및 문헌에 의해 정의된 ‘위치 데이터 시각화'의 대표적인 차트 유형들의 특징을 분석한 표이다.

‘위치 데이터 시각화’를 위한 차트 유형은 총 11개의 세부 차트로 분류되며, 이러한 위치 데이터 시각화 유형은 지도와의 결합을 통해 위치 데이터를 쉽게 이해하고 활용할 수 있다. 이외에 학생의 개인적인 아이디어에 의해 표현된 차트, 여러 개념이 혼재되어 있는 차트, 의미 파악이 어려운 차트는 기타 시각화로 분류하였다.

이상과 같이 차트 유형은 비교 시각화 차트 18개, 추이·트렌드 차트 12개, 구성 비중·분포 시각화 차트 12개, 관계 시각화 차트 7개, 위치 데이터 시각화 차트 11개, 기타 포함 총 61개로 정리할 수 있었다. 이처럼 데이터를 시각화하는 차트의 유형은 매우 다양하다. 나가타 유카리(Nagata, 2021)에 의하면 데이터 시각화를 위한 ‘레퍼토리’ 즉 다양한 시각화에 대한 이해에 관해서는 목적에 적합한 데이터 차트 유형이 무엇인지에 대한 선택의 지침을 세울 수 있다고 보았다. 이를 토대로 다음 장에서는 청소년의 데이터 시각화 표현 유형을 분류해보고자 한다.

본 연구에서는 청소년의 데이터 시각화 표현 유형 메타 분석을 위해 분석 대상의 범위를 다음과 같이 한정한다. 일반 청소년에 비해 데이터 시각화에 대한 관심을 가지고 적극적으로 활용하고 있다고 생각되는 통계청 주관 ‘전국학생통계활용대회’의 중학생부 수상작 2019년 39작품, 2020년 39작품, 2021년 39작품 총 117점을 수집하였다. 한 수상작당 최소 1개에서부터 최대 32개의 차트가 활용되었으며, 각각의 시각화 표현 차트 유형 결과에 대한 분석을 실시하였다.

전국학생통계활용대회는 통계적 지식 증진을 목표로 1998년 초등학생을 대상으로 시작되었으나 현재 초·중·고등학생을 대상으로 그 범위가 확대되었으며, 시험 형식으로 진행되던 경진대회는 2012년부터 통계포스터 경진 대회로 변경되어 통계포스터 작성을 통해 문제해결능력과 통계적 사고력 증진을 목표로 한다. 전국학생통계활용대회의 수상작은 학생들이 직접 작성한 통계포스터로 주제 정하기에서부터 자료수집 및 분석의 과정을 거쳐 이를 시각화하여 결론을 정리하는 일련의 과정을 통해 만들어지는 데이터 시각화의 결과물이다. 전국학생통계활용대회의 통계포스터 작성 방법에 따르면 자료의 분석과 시각화 단계에서 컴퓨터를 활용하여 분석하고 출력하는 방법과 손으로 직접 그리거나 만드는 방법을 제시하고 있으며, 툴 사용에 대한 특별한 제시는 없었다.

중학생으로 그 대상을 선정한 이유는 초등학생의 경우 데이터 내용의 다양성을 확보하기 어려운 점이 있고, 고등학생 경우는 대회 참여 대상으로 포함된 지 오래되지 않아 데이터 빈도수가 작기 때문이다. 무엇보다 중학생은 대회 초기부터 참여하여 타 학교 급에 비해 데이터 주제 다양성이 확보되었기에 연구 분석 대상으로 선정하였다. 단, 본 연구에서 분석한 수상작은 학생들의 실명이 공개된 자료이므로 실제 학생 작품을 예시로 사용하기에는 연구 윤리에 어긋나는 부분이 있어 본 연구자가 그 사례를 재구성하여 활용하였다.

메타분석은 다양한 연구의 결과물을 분석하는 연구 방법이다(신태범 & 권상희, 2013). 본 연구에서는 분석 도구로 아벨라(Abela, 2011)의 목적에 따른 차트 선택 방법과 강원양 외(Kang et al., 2020)가 제시한 ‘5가지(비교, 추이·트렌드, 구성 비중·분포, 관계, 위치 데이터) 데이터 시각화 유형 분류 기준’을 수정·보완하여 ‘6가지(비교, 추이·트렌드, 구성 비중·분포, 관계, 위치 데이터, 기타)’ 데이터 시각화 유형 분류 기준으로 재구성하고 각 유형별로 세부 차트를 나누어 [Table 6]과 같이 정리하였다.

첫째, 비교 시각화 차트 유형으로 세부 차트는 18개, 둘째, 추이·트렌드 시각화 유형으로 세부 차트는 12개이다. 셋째, 구성 비중·분포 시각화 차트 유형으로 세부 차트는 12개로 나뉘며 넷째, 관계 시각화 유형의 세부 차트는 7개이다. 또한 위치 데이터 시각화 유형의 세부 차트는 11개로 분류되며 마지막으로 기타 시각화는 학생의 개인적 아이디어에 의해 표현된 차트, 여러 개념이 혼재되어 있는 차트, 의미 파악이 어려운 차트 등을 포함한다.

전국학생통계활용대회 중학생부 수상작 117점에서 ‘6가지(비교, 추이·트렌드, 구성 비중·분포, 관계, 위치 데이터, 기타)’ 분류 기준을 사용하여 1,387개의 차트를 분석하였고. 그 결과를 [Table 7]로 정리하였다.

최근 3년간의 전국학생통계활용대회 중학생부 수상작에서 ‘구성 비중·분포’의 시각화 유형이 43.69%로 활용 비율이 가장 높게 나타났다. ‘비교 시각화’가 39.73%로 그 뒤를 이었으며, 다음 순으로는 ‘추이·트렌드’ 시각화가 6.99%로 나타났다. 반면 ‘관계’ 시각화는 0.58%로 현저히 낮은 비율로 나타났으며, ‘위치’ 시각화(0.00%)는 전혀 활용되지 않았음을 알 수 있다. 이를 종합해보면, 우리나라 중학생의 데이터 시각화 차트 유형의 활용은 ‘구성 비중·분포’의 시각화 차트 유형과 ‘비교’ 시각화 차트에만 지나치게 편중되어 있음을 확인할 수 있었다.

다음 [Table 8]은 전국학생통계활용대회 중학생부 수상작에 나타난 통계포스터를 6가지 차트 유형 중 구체적으로 어떤 차트로 시각화하였는지 세부 분석한 내용이다.

데이터 시각화 차트 유형에 있어 활용된 차트의 세부 분석 내용은 다음과 같다. ‘비교’ 시각화 차트에서는 ‘막대 차트’가 58.08%의 비율로 가장 높게 나타났고, ‘추이·트렌드’ 시각화에서는 ‘선 차트’가 74.23%로 현저히 높은 비율로 나타났다. ‘구성 비중·분포’ 시각화에서는 ‘파이 차트’가 48.68%의 비율로 가장 높게 나타났으며, ‘도넛 차트’ 또한 25.41%의 높은 비율로 나타났다. 특이점으로는 ‘관계’ 시각화 차트는 ‘산점도’만 활용되어 그 비율이 100.00%로 나타난 반면 ‘위치’ 시각화는 전혀 활용되지 않아 그 비율을 확인할 수 없었다.

전국학생통계활용대회 중학생부 수상작 117점의 분석 결과를 종합해보면 데이터 시각화의 세부적 차트 활용에 있어서 데이터가 가지는 주제 및 특징과 무관하게 ‘막대, 콤보, 파이, 도넛, 산점도’ 등 익숙하거나 전통적인 차트가 주로 활용된 것을 알 수 있었다.

전국학생통계활용대회 중학생부 수상작의 분석 결과, 활용 빈도가 높은 차트에서 나타난 대표적인 오류 사례를 살펴보고자 한다. 단, 비교 시각화에서 막대를 활용한 차트들은 오류의 비율이 현저히 낮았으므로 데이터 시각화의 오류 사례에서는 제외되었다. 데이터 시각화의 오류 분석의 대상은 추이·트렌드 시각화의 ‘선 차트’, 구성·비중·분포시각화의 ‘파이 차트’, 기타 시각화의 ‘학생의 개인적 아이디어에 의해 표현된 차트’에 대한 오류 사례로 3가지 유형으로 정리할 수 있다.

첫 번째 목적에 맞지 않는 차트 유형을 선택한 ‘차트 선택의 오류’, 두 번째 정보를 포함하지 않은 불필요한 시각적 표현 또는 지나치게 복잡하거나 단순화되어 데이터의 해석에 어려움이 있는 ‘시각적 표현의 오류’, 세 번째 비율에 대한 고려 없이 데이터의 값이 과장 또는 축소되어 표현된 ‘비율 표현의 오류’이다.

[Table 9]는 ‘차트 선택의 오류’ 사례로 <사례 1>, <사례 2> 모두 비교의 목적에 맞지 않는 ‘선 차트’를 선택하여 차트 유형 선택의 오류를 범하였다.

사례1	사례2

특히 오류가 두드러지게 나타난 사례는 ‘추이·트렌드’ 시각화의 ‘선 차트’이다. ‘선 차트’는 74.23%로 그 활용이 매우 높게 나타났음에도 불구하고 목적에 맞게 활용한 차트의 사례는 극히 드물었다. ‘선 차트’는 시간 흐름에 따라 변화하는 데이터를 표현하는 것이 그 목적이지만 수상작에 나타난 선 차트들은 단순 비교에 초점에 맞추어 표현된 것을 확인할 수 있다.

[Table 10]은 ‘시각적 표현의 오류’ 사례이며 <사례 1>은 ‘구성 비중·분포’ 시각화의 ‘파이 차트’를 3차원으로 표현한 시각화로 ‘엑셀’이나 ‘통그라미’ 시각화 도구를 활용하고 툴 내에서 지원 가능한 차트 중 추천 차트 또는 기본 설정 된 차트 디자인의 형태를 활용한 사례로 볼 수 있으며, 3D로 표현된 데이터의 시각화는 해석의 오류를 야기할 수 있다. <사례 2>는 파이 차트로 파이 조각을 통해 직관적으로 데이터를 이해할 수 있어야 하나 불필요한 이미지를 추가하여 오히려 정보 수용자에게 해석의 어려움을 초래할 수 있다.

사례1	사례2

특히 3D 차트는 많은 시각화 전문가들이 지양해야 한다고 주장하는 시각화 방법임에도 불구하고 수장작들에서는 ‘파이 차트’뿐만 아니라 ‘막대 차트’ 등 3D를 활용한 사례를 다수 발견할 수 있었다. 특히 <사례 1>은 파란색 비율 31%, 주황색 비율 30%로 파란색 부분의 비율이 높으나 3D 효과로 인해 주황색 비율이 높은 것 같은 시각적 오류를 범하고 있다. 파이 차트를 인식하는 가장 큰 시각적 요소는 ‘면적’임에도 불구하고 <사례 2>는 면적에 대한 시각적 요소 대신 이미지를 삽입하고 파이 차트의 형태를 임의적으로 변경하여 해석에 어려움을 준다.

[Table 11]은 비율 표현의 오류로 <사례 1>, <사례 2> 모두 실질적 데이터 값에 근거하지 않고 비율을 표현하여 오류를 범하였다.

사례1	사례2

대표적인 비율 표현의 오류 사례는 ‘기타 시각화’의 학생의 개인적 아이디어에 의해 표현된 차트에서 많이 나타났다. <사례 1>은 95.1%와 4.9%의 실질적 데이터 값에 대한 정확한 비율로 표현되지 않고 4.9%의 데이터 값이 과장되어 표현되었다. 95.1%와 4.9%의 차이가 (78x58)pixel:(57x62)pixel, 다시 말해 1:19.4 차이가 1:1.28차이로 표현되었음을 알 수 있다. <사례 2>는 xy 좌표 위에 데이터 수치를 면적으로 표현하려 했으나 실질적 데이터의 면적과 관계없이 이미지의 비율이 조절되어 왜곡된 형태로 표현되었다.

이 밖에도 비중의 합에 대한 오류, 범례의 생략, 그리드의 생략, 축의 생략 등 다양한 오류가 발견되었다.

이를 종합해보면 데이터 시각화 차트의 활용 빈도가 높아도 올바른 데이터의 시각화를 표현하는 것에 어려움이 있을 수 있을 수 있다는 것을 발견하였다.