중복 인코딩의 진가: 색·형태 결합 팔레트 자동 설계와 CatPAW

초록

본 논문은 다중 클래스 산점도에서 색과 형태를 동시에 사용하는 중복 인코딩이 인지 정확도에 미치는 영향을 네 차례의 크라우드소싱 실험을 통해 검증한다. 5~8개의 범주에서 중복 인코딩이 특히 효과적이며, 색과 형태의 조합에 따라 성능 차이가 크게 나타난다. 실험 데이터를 기반으로 만든 통계 모델을 활용해 색·형태 팔레트를 자동으로 생성해 주는 웹 도구 CatPAW를 제안한다.

상세 분석

이 연구는 색과 형태라는 두 개의 범주형 시각 변수의 결합이 실제 시각 인지 작업에 어떤 이점을 제공하는지를 체계적으로 탐구한다. 먼저 기존 문헌에서 제시된 중복 인코딩의 효과에 대한 상반된 결과를 정리하고, 그 원인으로는 실험 설계의 차이와 ‘어떤 색·형태 조합이 좋은가’에 대한 구체적 가이드라인 부재를 지적한다. 이를 보완하기 위해 네 차례에 걸친 대규모 크라우드소싱 실험을 설계했으며, 각 실험은 다음과 같은 목적을 갖는다.

1️⃣ 실험 1: 색·형태를 동시에 사용한 중복 인코딩이 단일 채널(색만 또는 형태만) 대비 정확도와 반응 시간을 얼마나 향상시키는지 측정한다. 결과는 5~8개의 범주에서 중복 인코딩이 평균 12 % 이상의 정확도 향상을 보이며, 특히 상관 관계 판단 과제에서 두드러진다.

2️⃣ 실험 2: 색과 형태 사이의 상호작용을 조사한다. 동일한 색 팔레트에 서로 다른 형태 집합을 매핑했을 때와 그 반대 상황을 비교했으며, 특정 색‑형태 쌍(예: 고채도 빨강‑원형, 차가운 파랑‑삼각형)이 다른 조합보다 인지 부하를 낮추는 것으로 나타났다.

3️⃣ 실험 3: 색만을 대상으로 쌍별 정확도 행렬을 구축한다. 색상 간 거리(ΔE)와 인지 정확도 사이에 비선형 관계가 존재함을 확인하고, 색상 선택 시 ‘색상 간 최소 거리’를 보장하는 것이 중요함을 실증한다.

4️⃣ 실험 4: 색‑형태 조합의 최종 성능을 평가한다. 색‑형태 쌍을 2‑차원 행렬 형태로 정리하고, 베이지안 회귀 모델을 적용해 범주 수에 따른 최적 조합을 예측한다. 모델은 범주가 34개일 때는 색 중심, 912개일 때는 형태 중심이 더 유리하다는 점을 밝혀냈다.

핵심 인사이트는 다음과 같다.

• 중복 인코딩의 효용은 범주 수에 의존한다. 중간 규모(5~8) 범주에서 가장 큰 성능 향상이 관찰되었으며, 범주가 너무 적거나 많을 경우 이점이 감소한다.
• 색과 형태의 조합은 단순히 ‘최고 성능 색’과 ‘최고 성능 형태’를 매칭하는 것이 아니다. 실험 결과, 일부 고성능 색과 형태를 결합하면 오히려 혼동이 증가한다는 역설적 현상이 나타났다. 이는 색과 형태가 인지적으로 서로 간섭하거나 보완하는 복합 메커니즘을 가짐을 시사한다.
• 통계 모델 기반의 자동 팔레트 생성이 가능하다. 연구팀은 실험 데이터를 바탕으로 색‑형태 조합의 성공 확률을 추정하는 확률 모델을 구축했으며, 이를 웹 기반 도구 CatPAW에 적용해 사용자가 범주 수와 선호 색·형태를 입력하면 최적 팔레트를 제안한다. 사용자는 실시간으로 개별 요소를 교체하고, 도구가 즉시 대체 후보를 재평가해 제공한다.

이러한 결과는 시각화 설계자에게 ‘중복 인코딩은 언제, 어떻게 활용해야 하는가’에 대한 구체적 지침을 제공한다. 특히 색각 이상자를 고려한 접근성 설계와, 대규모 범주를 다루는 과학·비즈니스 데이터 시각화에서 중복 인코딩을 전략적으로 적용할 근거를 제시한다.