인생 경험 및 커뮤니티 이해하기
학습 목표
이 유닛을 완료하면 다음을 수행할 수 있습니다.
- 데이터와 관련된 인생 경험의 중요성을 이해할 수 있습니다.
- 데이터가 중립적이지 않다는 점과 편향을 완화하는 방법을 파악할 수 있습니다.
- 데이터 연구에 커뮤니티의 참여를 유도하여 결과를 개선하는 방법을 이해할 수 있습니다.
모두가 인생에서 동일한 경험을 갖고 있지는 않습니다. 민족, 성별, 신경 다양성, 연령과 같은 개인의 특성은 연구 및 데이터 시각화가 구체화 및 형성되는 방식에 상당한 영향을 미칩니다. 각자의 차이는 서로를 특별하게 만들지만, 이처럼 동일한 차이점은 우리가 세상을 보는 방식에 큰 영향을 줍니다.
좋은 데이터를 만든다는 것은 인생 경험을 고려하고, 공감과 공정성을 충분히 가지고 연구를 이끌며, 사람들의 인생 경험을 데이터에 반영하고, 연구의 중심에 있는 사람들과 긴밀하게 연결해야 한다는 것을 의미합니다.
또한 연구 중인 사람들 및 커뮤니티와 연결 관계를 구축하고, 작업에서 누락될 수 있는 부분을 고려하고, 보다 완성도 높은 결론을 내는 데 도움을 줄 수 있는 사람을 찾아야 합니다. 데이터 스토리텔러는 커뮤니티를 대신해서가 아니라 항상 커뮤니티와 함께 연구 및 분석을 수행해야 합니다.
데이터의 비중립적 특성에 따른 신중한 처리의 중요성
구조적 인종 차별, 역사적 차별, 기타 장벽과 불평등, 그리고 이러한 차별들이 작용할 수 있는 메커니즘은 여러분의 연구와 여러분이 작성하는 데이터 시각화의 프레임을 구성할 수 있으며 구성해야 합니다. 데이터와 시각화 자료에 그대로 의존해서는 안 됩니다. 데이터는 중립적이거나 객관적이지 않으며 데이터 시각화 또한 중립적이지 않습니다.
다양성, 형평성, 포용성을 모두 포괄하는 관점이 없으면, 데이터 시각화는 사회 지배적인 집단의 관점을 표현하게 되는 경향이 있으며 의도치 않게 배후의 많은 문제를 숨길 가능성이 있습니다. 맥락을 제공할 때는 특히 유색 인종에 속하는 학자 또는 중심적인 커뮤니티의 구성원에 해당하는 학자로부터 다양한 참조와 인용을 구해야 합니다. 이러한 커뮤니티의 의견을 충분히 표현하고 가능한 경우 인생 경험을 강조해야 합니다.
본질을 꿰뚫는 연구
세부적인 내용과 필수적인 맥락을 피하는 대신, 많은 사회적 문제의 본질적인 복잡성을 인지하면 주제를 더 정확하게 반영하고 더 나은 이해를 촉진할 수 있습니다. 이러한 정보가 있으면 시청자는 정확한 결론을 도출할 수 있습니다.
더 효과적이면서도 세부적인 시각화를 제공하면 시청자는 더 긴밀하게 연결된 느낌을 받을 수 있습니다. 양질의 정보를 통합하고 주관성을 표현하며 불확실성을 인정하는 것은 오히려 시청자에게 더 가치 있는 경험을 제공합니다. 여러 계층의 정보를 제공하는 고밀도의 맞춤형 설계 데이터 시각화는 데이터를 탐색할 수 있는 다양한 경로를 제공하기 때문에 사람들이 데이터를 더 주의 깊게 읽고, 더 정확한 개인적 연결점을 찾으며 정보를 더 심층적으로 이해하도록 도울 수 있습니다. 지나치게 단순화하지 않고도 충분히 명확하고 유용한 데이터를 제공할 수 있습니다.
모든 데이터가 시각화되어야 할까요? 꼭 그런 것만은 아닙니다. 때로는 단순한 수치가 그래프보다 더 효과적일 때도 있습니다. 일부 경우 차트는 데이터나 시각 자료에 내재된 편향이나 복잡성을 전달하기에 좋은 방법이 아닐 수 있습니다. 또한 스토리텔러로서 여러분은 기존의 차트와 그래프가 사진 또는 동영상과 같은 기존의 내러티브 미디어만큼 효과적이지 않다는 사실을 깨달을 수도 있습니다.
실질적인 연결 관계 구축하기
사용하는 도구와 지식을 확장해나가다 보면 인생 경험을 반영하는 양질의 연구 방법을 통합해야 할 수 있습니다. 함께 일하는 사람들에게 적합한 방법을 사용해 보면 결과가 극적으로 개선될 수 있는데, 이는 특히 데이터 시각화에 대한 사람들의 반응이 개인적 경험(예: 거주지 또는 근무지, 교육 수준 또는 정치적 정체성)에 따라 형성되거나 그에 영향을 받기 때문입니다.
장기적 설문, 인터뷰 및 포커스 그룹은 커뮤니티 구성원들이 각자의 경험을 공유하고 목소리를 낼 수 있는 중요한 기회를 제공할 수 있습니다. 여러분은 인터뷰 대상자를 독려하여 이들이 데이터 시각화에 관심을 가지고, 이를 통해 자신의 정보를 제공하고, 인식에서 그치지 않고 행동을 실천하도록 해야 합니다. 방법론의 투명성 확보와 연구 대상자 모집은 인터뷰에 대한 참여를 늘리는 데 큰 도움이 될 수 있습니다. 특히 데이터 시각화에서는 다양한 사용자가 대표성에 의문을 제기할 수 있도록 해야 합니다.
질적 연구에 대한 추구가 인터뷰만큼 간단하다는 의미는 아닙니다. 질적 연구자와 양적 연구자가 협업을 수행하면 모집단의 더 많은 비중을 포함하는 강력한 내러티브가 나타날 수 있습니다.
결론
데이터 커뮤니케이터로서 여러분은 사회와 문화의 주요 내러티브를 형성할 수 있는 특별한 기회를 가지고 있습니다. 데이터 스토리텔링에 'Do No Harm(해 끼치지 않기)' 원칙을 적용하면 더 밝고 공평한 미래에 기여할 수 있습니다. Tableau 데이터 형평성 허브에서 업계를 선도하는 전문가들이 데이터 및 형평성 문제를 중점적으로 다루며 어떤 의견을 내는지 자세히 알아보세요.
리소스
- 동영상: 'Do No Harm(해 끼치지 않기)' 가이드
- 동영상 스크립트: 'Do No Harm(해 끼치지 않기)' 가이드
- PDF: 데이터 시각화의 다양성, 형평성 및 포용성: 일반 권장 사항
- PDF: 데이터 시각화 체크리스트의 인종 형평성
- PDF: 'Do No Harm(해 끼치지 않기)' 가이드