色、アイコン、図形の重要性を認識する

学習の目的

この単元を完了すると、次のことができるようになります。

• 認識と意図と共に色、図形、アイコンを使用する方法を示す。
  
• データの視覚化における色、アイコン、図形の影響を説明する。
  

感受性と認識を持って色を使用する

言葉を慎重に選ばなければならないのと同じように、データの視覚化で使用する色についても情報に基づいた選択が求められます。データの視覚化に適したカラーパレットは、最低限、基本的なアクセシビリティガイドラインに準拠し、色覚障害を持つ閲覧者でも見やすいように十分なコントラストを付ける必要があります。 

アクセシビリティの他にも、性別や人種のステレオタイプを排除する必要があります。たとえば、女性と男性をピンクとブルーで表したり、肌の色や人種のステレオタイプに関連付けた色 (黒人を黒、アジア人を黄色など) を使用したりすることです。 

次の凡例は、人種や民族に対して使用した場合に問題のある色のパターンを示しています。黒人やヒスパニックに赤を割り当てると、西洋の文化では否定的な含意 (危険性や攻撃性など) を持ってしまう場合があります。 

また、色は階層を示唆し、有害なステレオタイプを存続させてしまうこともあります。たとえば、有色人種のグループに対して一連の赤の色調を使用して、白人グループに対して際立つブルーを使用すると、人種間での視覚的な隔たりや争いを示唆してしまいます。また、分類されたデータでグラデーション付きのカラーパレットを使用すると、濃い色は大きい/高い値、薄い色は小さい/低い値を意味してしまうため、使用しないでください。 

特定の色調には、感情的な含意も関連付けられます。西洋の文化では、赤は脅迫的あるいは攻撃的に受け取られることがあるため、視覚化しているグループが否定的な観点で捉えられる可能性があります。データの視覚化で表される人々が問題があるように表現されたと感じてしまう状況は回避してください。各カテゴリで別々の色を使用することが難しい場合もありますが、デザイナーや開発者向けの無料のカラーツールはたくさん提供されています。 

色は、適切に使用すればデータの視覚化を強力に補助します。認識が不足していると、誤解を招いてオーディエンスの気分を害するリスクがあります。繰り返しますが、「もし自分がいずれかのデータポイントにあるとしたら、気分が害されるだろうか?」と自分自身に問うことが重要です。

アイコンの力を理解する

データの視覚化は、画像、アイコン、図形に依存します。そしてアイコンは、幅広い意味を伝達する性質を持っています。これは極めて便利である一方、潜在的に有害にもなり得ます。 

人々のグループをどのように描写するかを常に心に留めておきましょう。性別、人種、民族、年齢、そしてその他の特性を組み合わせて、社会全体を反映させます。いくつかの質問を通して、これらの要因を検討します。誰が結果を見るのか? 彼らはアイコンを見てどのように感じるだろうか? どうすれば有害で不快なステレオタイプが存続してしまうことを回避できるだろうか? 表現しようとしているコンテンツに、すべてのアイコンが対応しているわけではありません。 

データで使用している画像やアイコンによって特定のグループを誤解あるいは軽視されるような方法で表現してしまうことは、人種や性別の平等を実現するための共感的なアプローチとしては失敗です。たとえば、仕事の検索結果では、女性と比べて男性のほうがオンライン画像で過大に表現されることが多くあります。画像を上手に活用することで、このステレオタイプを改革して、差別の力を押し返す機会となります。 

同様に、人種や民族のグループを表すアイコンや画像を選択すると、否定的なステレオタイプを誘引してしまうことにもなります。たとえば、貧困、文化的に間違った比喩、従来の権力階層 (白人男性の上司と有色人種の部下など) を使用した描写などです。そうではなく、画像は常に人々を積極的で力強く表し、尊厳、役割、人間性を強化するものでなければなりません。 

フィードバックを求めることで、アイコンが不快ではないことを確認し、文化的に問題のある間違った連想を特定するのに役立ちます。また、個別のデータ単位を示すことが目的であれば、アイコンではなく図形 (一連の丸や四角など) も利用できます。

人々やコミュニティを表すアイコンや図形を使用するときに考慮すべきもう 1 つの要因は、データに関して真実ではないことを示唆してしまう可能性があるということです。画像は複数の意味を持つ場合がありますので、アイコンを使用する場合には、いろいろな含意をよく知り、それらを考慮してください。閲覧者に意味が明確になるように、意図を正確に伝えるということです。 

リソース

• 動画: Do No Harm Guide (害を及ぼさないためのガイド)
• 動画トランスクリプト: Do No Harm Guide (害を及ぼさないためのガイド)
• Web サイト: Tableau Do No Harm (Tableau は害を及ぼさない)
• PDF: Diversity, Equity, And Inclusion In Data Visualization: General Recommendations (データの視覚化における多様性、平等、インクルージョン: 一般的な推奨事項)
• PDF: Racial Equity in Data Visualization Checklist (データの視覚化における人種の平等のチェックリスト)
• 書籍: Algorithms of Oppression: How Search Engines Reinforce Racism, by Safiya Noble (弾圧のアルゴリズム: 検索エンジンが人種差別を助長する仕組み、Safiya Noble 著)