Análise e Discussão Blogueiro Convidado Dev (Conteúdo Técnico)

Melhorando a qualidade de visualizações de dados por meio de atributos pré-atencionais

0

O artigo Data Visualization: por que transformar Big Data em gráficos? discorreu sobre a importância das visualizações de dados na identificação de padrões e tendências. Além disso, o artigo enfatizou que cerca de 70% dos receptores sensoriais humanos estão ligados à visão. Consequentemente, seres humanos adquirem mais informações via visão do que por meio de todos os outros sentidos combinados.

Neste texto, apresentarei informações sobre o sistema visual humano que podem ser usadas para tornar visualizações de dados mais eficientes. Você descobrirá, por exemplo, o porquê de alguns elementos utilizados em data visualization “saltarem” aos nossos olhos.

O sistema visual humano

O sistema visual humano entra em ação quando a luz que chega aos olhos estimula a retina. Esta estrutura converte o estímulo visual em sinais elétricos que são enviados ao cérebro e processados em diferentes áreas.

Pesquisas com foco no sistema visual humano revelaram que há um conjunto limitado de atributos visuais que são detectados de forma rápida por uma parte da memória conhecida como memória icônica. Tais atributos são comumente chamados pré-atencionais por se acreditar que eles sejam processados antes da atenção consciente.

O processamento pré-atencional pode ser ilustrado através de um exemplo simples. Tente determinar rapidamente o número de ocorrências da letra H no conjunto de caracteres abaixo:

Figura 1: Tente determinar o número de letras H no conjunto de caracteres acima.

Repita a tarefa usando o conjunto a seguir:

Figura 2: Determine o número de letras H usando o conjunto acima.

As formas complexas das letras não estão entre os atributos pré-atencionais processados pela memória icônica. Portanto, a tarefa leva mais tempo para ser concluída no primeiro caso. No segundo caso, é fácil distinguir a letra H das demais, já que a cor é um dos atributos pré-atencionais. Conhecer os atributos que são processados de maneira pré-atencional pode ajudar a construir visualizações de dados que fazem melhor uso do canal de comunicação em banda larga oferecido pela visão.


Leia também: Visualização de Dados: as 20 melhores ferramentas


Atributos pré-atencionais e visualização de dados

Em visualizações de dados, é desejável que alguns elementos visuais sejam identificados de maneira praticamente instantânea. Atributos pré-atencionais podem ajudam a alcançar este objetivo.

Centenas de experimentos foram conduzidos para descobrir quais atributos são processados de maneira pré-atencional. Os resultados obtidos mostram que os atributos pré-atencionais podem ser organizados em quatro categorias:

  • Cor;
  • Forma;
  • Movimento;
  • Localização espacial.

A Figura 3 mostra alguns destes atributos:

Figura 3: Alguns atributos pré-atencionais. Tais elementos são detectados de forma rápida pela memória icônica.

Experimentos também foram concebidos e realizados para comparar o desempenho de diferentes atributos pré-atencionais em cenários diversos. Apresentar todos estes experimentos e resultados foge ao escopo deste texto (e provavelmente exigiria um livro sobre o assunto). Informações sobre atributos que permitem comparações quantitativas precisas, entretanto, são particularmente relevantes no que diz respeito à visualização de dados, conforme demonstrado pelo exemplo que se segue.

Considere o gráfico de pizza mostrado na Figura 4. Ele representa o impacto de várias despesas no orçamento mensal de uma pessoa:

Figura 4: Gráfico de pizza ilustra o impacto de diferentes despesas no orçamento de uma pessoa

Qual rubrica (Alimentos, Aluguel, Telefonia, Transporte, Outros) tem maior impacto no orçamento da pessoa?

O gráfico de pizza obriga o leitor a comparar ângulos ou áreas para responder à pergunta proposta. Ângulos e áreas não permitem comparações quantitativas precisas entre valores. Consequentemente, é extremamente difícil determinar qual rubrica tem maior impacto no orçamento.

O gráfico de pizza exibido anteriormente pode ser convertido no gráfico de barras da Figura 5:

Figura 5: Gráfico de barras mostra o impacto de diferentes despesas no orçamento de uma pessoa.

Qual rubrica (Alimentos, Aluguel, Telefonia, Transporte, Outros) tem maior impacto no orçamento da pessoa?

É muito mais fácil responder à pergunta usando o gráfico de barras, pois o comprimento das barras permite comparar dados quantitativos com precisão. Portanto, o uso de atributos pré-atencionais adequados torna o entendimento da informação apresentada mais fácil e rápido.

Estudos apontam que o comprimento de uma linha e a posição bidimensional são os atributos com melhor desempenho em comparações quantitativas. Volume, área e matiz, por exemplo, têm desempenho inferior nestas comparações. Talvez isso explique por que gráficos de barra e de dispersão são tão utilizados em artigos científicos. A Figura 6 ilustra o desempenho de alguns atributos pré-atencionais em comparações quantitativas de dados:

Figura 6: Desempenho de alguns atributos pré-atencionais em comparações quantitativas de dados. Baseado no artigo Graphical Perception: Theory, Experimentation, and Application to the Development of Graphical Methods (Cleveland & McGill, 1984)

Conclusão

Atributos visuais conhecidos como pré-atencionais são processados rapidamente pela memória icônica. Tais atributos podem ser usados para destacar ou agrupar elementos de visualizações de dados de forma a torná-las mais eficientes.

O desempenho dos atributos pré-atencionais em tarefas de comparação quantitativa não é uniforme. Enquanto comprimento e posição bidimensional permitem comparações quantitativas precisas, outros atributos são úteis em comparações genéricas.

Conhecer como a memória icônica processa atributos pré-atencionais pode auxiliar na concepção e implementação de visualizações de dados mais eficientes. As características e limitações das memórias de curto e longo prazo, entretanto, também têm implicações importantes na visualização de dados. Assim sendo, este texto não pretende esgotar o assunto, mas servir de ponto de partida para um estudo sobre visualização de dados mais aprofundado.

Leandro Collares agradece à Carol de Sá (eutresvezes.com) pelo suporte no design e produção das figuras que ilustram este texto.

Sobre o autor:

Leandro Collares projeta e implementa interfaces e visualizações de dados, e busca tornar as interações entre pessoas e sistemas mais produtivas e prazerosas. Além disso, ele procura aprender constantemente e ensinar o que aprende. Leandro é bacharel em engenharia elétrica pela UFMG e mestre em ciência da computação pela University of Victoria. Seu mestrado teve como foco o projeto, o desenvolvimento e a avaliação de interfaces para organizar, visualizar e explorar coleções musicais.

 

 

  • Veronica Donoso

    Interessante. Recomenda algum livro que aborde o tema?

    • Leandro Collares

      Oi, Veronica

      Obrigado pela mensagem. Fico feliz que tenha gostado do texto.

      Seguem algumas sugestões de livros sobre visualização de dados:

      The Visual Display of Quantitative Information
      Edward R. Tufte

      Information Visualization, Third Edition: Perception for Design (InteractiveTechnologies)
      Colin Ware