DOUTORADO - Visualização de Informações

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
INSTITUTO DE INFORMTICA
PROGRAMA DE PS-GRADUAO EM COMPUTAO
ELIANE REGINA DE ALMEIDA VALIATI
Avaliao de Usabilidade de Tcnicas de

Visualizao de Informaes
Multidimensionais
Tese apresentada, como requisito parcial

para a obteno do grau de Doutor em
Cincia da Computao
Prof. Dr. Carla Maria Dal Sasso Freitas

Orientador
Prof. Dr. Marcelo Soares Pimenta
Co-orientador
Porto Alegre, maro de 2008.
CIP CATALOGAO NA PUBLICAO

Valiati, Eliane Regina de Almeida
Avaliao de Usabilidade de Tcnicas de Visualizao de Informaes
Multidimensionais / Eliane Regina de Almeida Valiati Porto Alegre : PPGC
da UFRGS, 2008.
220f.: il.
Tese (doutorado) Universidade Federal do Rio Grande do Sul. Programa
de Ps-Graduao em Computao, Porto Alegre, BR-RS, 2008. Orientador:
Carla Maria Dal Sasso Freitas; Co-orientador: Marcelo Soares Pimenta.
1. Visualizao de informaes. 2. Anlise visual. 3. Interao homemcomputador (IHC). 4. Taxonomia de tarefas do usurio. 5. Avaliao de
usabilidade. I. Freitas, Carla Maria Dal Sasso. II. Pimenta, Marcelo Soares.
III. Ttulo.
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

Reitor: Prof. Jos Carlos Ferraz Hennemann
Vice-Reitor: Prof. Pedro Cezar Dutra Fonseca
Pr-Reitora de Ps-Graduao: Profa. Valquria Linck Bassani
Diretor do Instituto de Informtica: Prof. Flvio Rech Wagner
Coordenadora do PPGC: Prof a. Luciana Porcher Nedel
Bibliotecria-Chefe do Instituto de Informtica: Beatriz Regina Bastos Haro
Dedico esta tese a todos

aqueles que amo, em
especial, ao mio Principe,
meu grande e verdadeiro
companheiro... de horas e
horas de trabalho...
AGRADECIMENTOS
MUITO OBRIGADO, a todos que pouco ou muito contriburam para a

realizao deste trabalho, em especial:
-
Deus, algo maior, que me d foras, coragem e sabedoria para seguir em

frente;
minha famlia a quem eu devo boa parte do que sou, obrigado pelo amor,
carinho, exemplo, incentivo, pacincia e compreenso diante de tantas
ausncias, cuidados e preocupaes; vitrias e dificuldades na realizao
deste doutorado; em especial a meus irmos pelo imensurvel apoio;
algum muito especial, que sem sua companhia, incentivo e horas de

descanso tudo seria mais difcil;
Aos meus orientadores Profa Carla Maria Dal Sasso Freitas e Prof. Marcelo
Soares Pimenta pela dedicao, acompanhamento e contribuies, para o
desenvolvimento deste trabalho;
A todos os usurios que participaram dos ensaios de interao e estudos

longitudinais e aos voluntrios avaliadores, em especial a Maria Salete,
Vnia, Lucia, Nathalia, Denize, Claudia, Susana e Srio;
Aos sinceros e verdadeiros amigos pelo apoio e votos de sucesso sempre

desejados;
UFRGS, ao Instituto de Informtica e ao PPGC por me acolher e pelos

meios fornecidos para realizao deste curso de Doutorado;
Ao corpo docente, funcionrios e ao pessoal da biblioteca do Instituto de

Informtica pelo excelente profissionalismo demonstrado;
e a todos aqueles, aos quais aqui no citei nomes, mas que foram
importantes e imprescindveis para que eu chegasse at aqui.
SUMRIO
LISTA DE ABREVIATURAS E SIGLAS ............................................................ 8

LISTA DE FIGURAS.......................................................................................... 9
LISTA DE TABELAS ....................................................................................... 11
RESUMO.......................................................................................................... 12
ABSTRACT...................................................................................................... 13
1 INTRODUO ........................................................................................... 14
1.1
1.2
1.3
Motivao ............................................................................................................. 15
Objetivo do Trabalho .......................................................................................... 16
Estrutura do Texto .............................................................................................. 16
2 VISUALIZAO DE INFORMAES ....................................................... 18

2.1 Conceitos .............................................................................................................. 18
2.2 Modelos de Referncia ........................................................................................ 19
2.3 Tipos de Dados (ou informaes) ....................................................................... 19
2.4 Representao Visual .......................................................................................... 21
2.5 Classificao das Tcnicas de Visualizao....................................................... 22
2.6 Tcnicas de Visualizao de Informaes Multidimensionais......................... 23
2.6.1 Tcnicas de Projeo Geomtrica....................................................................... 23
2.6.2 Tcnicas Iconogrficas ....................................................................................... 29
2.6.3 Tcnicas Orientadas a Pixel................................................................................ 30
2.7 Anlise Visual....................................................................................................... 32
2.8 Consideraes Finais ........................................................................................... 33
3 AVALIAO DE USABILIDADE ............................................................... 34
3.1 Usabilidade: definies e fundamentos.............................................................. 34
3.2 Tcnicas de Avaliao de Usabilidade ............................................................... 35
3.2.1 Ensaios de Interao ........................................................................................... 36
3.2.2 Avaliao Heurstica........................................................................................... 37
3.2.3 Conformidade com Recomendaes (guidelines) / Checklists........................... 39
3.2.4 Inspeo Formal de Usabilidade......................................................................... 41
3.2.5 Percurso Cognitivo ............................................................................................. 41
3.2.6 Percurso Pluralstico ........................................................................................... 43
3.2.7 Estudos de Campo .............................................................................................. 44
3.3
Consideraes Finais ........................................................................................... 45
4 AVALIAO DE TCNICAS DE VISUALIZAO DE INFORMAES

MULTIDIMENSIONAIS .................................................................................... 48
4.1 Trabalhos com critrios quantitativos ou subjetivos ....................................... 48
4.2 Trabalhos empregando mtodos de IHC .......................................................... 50
4.3 Taxonomias de tarefas ........................................................................................ 63
4.3.1 Taxonomia para Ambientes Visuais................................................................... 63
4.3.2 Taxonomia de Tipo de Dados e Tarefas............................................................. 63
4.3.3 Taxonomia de Tarefa Visual .............................................................................. 64
4.3.4 Taxonomia de Tarefas Analticas de Alto Nvel ................................................ 65
4.3.5 Taxonomia de Tarefas Analticas de Baixo Nvel.............................................. 67
4.3.6 Taxonomia de Tcnicas de Interao ................................................................. 69
5 ABORDAGEM PARA AVALIAO DE USABILIDADE DE TCNICAS DE
VISUALIZAO DE INFORMAES MULTIDIMENSIONAIS....................... 72
5.1 Abordagem proposta........................................................................................... 72
5.2 Taxonomia de Tarefas......................................................................................... 74
5.3 Adaptao das Tcnicas de Avaliao ............................................................... 80
5.3.1 Avaliao Heurstica........................................................................................... 80
5.3.2 Ensaios de Interao ........................................................................................... 87
5.3.3 Estudos de Caso Longitudinais (MILCs) ........................................................... 89
6 AVALIAO DA ABORDAGEM ............................................................... 92
6.1 Validao da Taxonomia de Tarefas ................................................................. 92
6.1.1 Ensaios de Interao com Infovis Toolkit ........................................................... 92
6.1.2 Ensaios de Interao com Xmdvtool e aplicao de Hoffman .......................... 104
6.1.3 Estudos de Caso Longitudinais ........................................................................ 108
6.2 Avaliao das Tcnicas Adaptadas .................................................................. 133
6.2.1 Experimento I: Avaliao Heurstica ............................................................... 134
6.2.2 Experimento II: Ensaios de Interao............................................................... 137
6.2.3 Discusso dos Resultados................................................................................. 141
6.3 Consideraes Finais ......................................................................................... 144
7 CONCLUSES ........................................................................................ 146
7.1
7.2
7.3
Limitaes .......................................................................................................... 147

Contribuies ..................................................................................................... 147
Trabalhos Futuros ............................................................................................. 148
REFERNCIAS.............................................................................................. 149
APNDICE A CENRIOS E QUESTES ANALTICAS .............................. 157
APNDICE B ESTUDOS DE CASO LONGITUDINAIS LISTAGEM DAS
QUESTES ANALTICAS E DOS PROBLEMAS DE
USABILIDADE........................................................................ 159
APNDICE C QUESTIONRIO PARA AVALIAO DE PERFIL DO
USURIO UTILIZADO NOS ENSAIOS DE INTERAO ..... 194
APNDICE D LISTA DE QUESTES/TAREFAS UTILIZADA NOS ENSAIOS

DE INTERAO..................................................................... 195
APNDICE E FORMULRIO DO AVALIADOR UTILIZADO NOS ENSAIOS
DE INTERAO..................................................................... 196
APNDICE F DESCRIO DO CONJUNTO DE DADOS UTILIZADO PARA
AVALIAO DA ABORDAGEM............................................ 200
APNDICE G CRITRIOS ERGONMICOS E ESCALA DE SEVERIDADES
................................................................................................ 204
APNDICE H FORMULRIOS DE AVALIAO HEURSTICA (FASE 1)... 206
APNDICE I FORMULRIOS DE AVALIAO HEURSTICA (FASE 2) .... 209
APNDICE J FORMULRIOS DE ENSAIOS DE INTERAO (FASE 1) ... 213
APNDICE L FORMULRIOS DE ENSAIOS DE INTERAO (FASE 2) ... 216
LISTA DE ABREVIATURAS E SIGLAS
AHT
Anlise Hierrquica de Tarefas
DAs
Dimensional anchors
CNPT
Centro Nacional de Pesquisa do Trigo
EMPRAPA
Empresa Brasileira de Pesquisa Agropecuaria
GUI
Graphic User Interface
IHC
Interao Humano-Computador
ISO
International Organization for Standardization
MILCs
Multi-dimensional In-depth Long-term Case Studies
MPG
Mileage per gallon
nitrognio
PARC
Palo Alto Research Center
SAERS
Sistema de Avaliao do Estado do Rio Grande do Sul
URL
Uniform Resource Locator
UFRGS
Universidade Federal do Rio Grande do Sul
VI
Visualizao de Informaes
VisIM
Visualizao de Informaes Multidimensionais
WIMP
Windows Icons Menus Pointers
WWW
World Wide Web
LISTA DE FIGURAS
Figura 2.1: Modelo de referncia proposto por Card et al. ............................................ 19

Figura 2.2: Coordenadas Paralelas ................................................................................. 24
Figura 2.3: Coordenadas Paralelas com sobreposio de linhas apresentando 15000 itens
de dados ...................................................................................................... 24
Figura 2.4: Exemplo da Matriz de Scatterplots ............................................................. 25
Figura 2.5: Visualizao de coordenadas radiais (Radviz) ............................................. 26
Figura 2.6: Visualizao de Coordenadas Paralelas Circulares ..................................... 27
Figura 2.7: Exemplo de visualizao com Polyviz ........................................................ 28
Figura 2.8: Exemplo de visualizao com Survey Plots................................................. 29
Figura 2.9: Tcnicas iconogrficas a) Faces de Chernoff e b) Glifos em estrela ........... 29
Figura 2.10: a) Mapeamento de Stick Figures e b) Grfico iconogrfico de dados do
censo demogrfico da Inglaterra .............................................................. 30
Figura 2.11: Visualizaes orientadas a pixel de um conjunto de dados com nove
dimenses, utilizando duas formas de distribuio espacial: a) espiral e b)
por eixos .................................................................................................... 31
Figura 2.12: Tcnicas independentes da consulta: a) curvas de Peano-Hilbert , b) curvas
de Morton e c) padres recursivos ........................................................... 31
Figura 2.13: Segmentos de Crculo ............................................................................... 32
Figura 4.2: Taxonomia de tarefa visual ......................................................................... 64
Figura 5.1: Abordagem para avaliao de usabilidade................................................... 73
Figura 5.2: Taxonomia de tarefas para tcnicas de visualizao de dados
multidimensionais........................................................................................ 75
Figura 6.1: Tcnica Coordenadas Paralelas implementada no Infovis Toolkit............... 95
Figura 6.2: Tcnica Radviz implementada no Infovis Toolkit ........................................ 96
Figura 6.3: Tcnica Matriz de Scatterplots implementada no Infovis Toolkit................ 96
Figura 6.4: As quatro abas do painel de controle: (a) Filters; (b) Visual; (c) Excentric; e
(d) Fisheyes.................................................................................................. 97
Figura 6.5: Visualizaes geradas pela aplicao dos mecanismos de interao Color by
( esquerda) e Size by ( direita) sobre as tcnicas Radviz (acima) e
Coordenadas Paralelas (abaixo)................................................................... 98
Figura 6.6: Labels dinmicos na tcnica Coordenadas Paralelas ................................... 99
Figura 6.7: Lente Fisheye aplicada na tcnica Radviz.................................................... 99
Figura 6.8: Visualizao dos valores de cada atributo de um item selecionado nas
tcnicas Coordenadas Paralelas e Radviz .................................................... 99
Figura 6.9: A tcnica Radviz disponvel na aplicao de Hoffman .............................. 105
Figura 6.10: Coordenadas Paralelas e Matriz de Scatterplots na ferramenta XmdvTool
................................................................................................................. 106
Figura 6.11: Ferramenta HCE utilizada no Estudo de Caso: Secretaria da Educao

(Etapa II) ................................................................................................. 121
Figura 6.12: Ferramenta Parvis utilizada no Estudo de Caso: Dati.............................. 126
Figura 6.13: Aplicao do mtodo MILCs - Questes analticas de alto nvel ............ 129
Figura 6.14: Aplicao do mtodo MILCs - Quantidade de problemas de usabilidade130
Figura 6.15: Aplicao do mtodo MILCs - Severidade dos problemas de usabilidade
................................................................................................................. 130
Figura 6.16: Aplicao do mtodo MILCs - Problemas de usabilidade por tcnicas e
ferramentas .............................................................................................. 131
Figura 6.17: Aplicao do mtodo MILCs - Problemas de usabilidade por recursos de
interao e representao visual.............................................................. 131
Figura 6.18: Aplicao do mtodo MILCs - Tarefas ................................................... 132
Figura 6.19: Avaliao da abordagem Avaliao Heurstica Quantidade de
problemas de usabilidade identificados com critrios ergonmicos e
heursticas estendidas .............................................................................. 135
Figura 6.20: Avaliao da abordagem - Avaliao Heurstica - Severidade dos
problemas de usabilidade identificados com critrios ergonmicos e
heursticas estendidas .............................................................................. 136
Figura 6.21: Avaliao da abordagem Avaliao Heurstica Problemas de
usabilidade distribudos por critrios ergonmicos................................. 137
Figura 6.23: Avaliao da abordagem Ensaios de Interao Freqncia dos
problemas de usabilidade identificados com e sem a utilizao de cenrios
e questes analticas ................................................................................ 139
Figura 6.24: Avaliao da abordagem Ensaios de Interao Severidade dos
problemas de usabilidade identificados com e sem a utilizao de cenrios
e questes analticas ................................................................................ 140
Figura 6.25: Avaliao da abordagem Problemas de usabilidade identificados em cada
etapa da avaliao, utilizando as tcnicas adaptadas nas etapas 1 e 2..... 142
etapa da avaliao, no utilizando as tcnicas adaptadas nas etapas 1 e 2
................................................................................................................. 142
Figura 6.27: Avaliao da abordagem Problemas de usabilidade filtrados entre as
etapas de avaliao propostas.................................................................. 143
LISTA DE TABELAS
Tabela 2.1: Classificao de informaes ...................................................................... 20

Tabela 2.2: Classes de representaes visuais................................................................ 21
Tabela 3.1: Escala de severidades atribudas em teste de avaliao heurstica.............. 38
Tabela 4.1: Relao de trabalhos relacionados avaliao de tcnicas de VisIM
empregando mtodos de IHC ...................................................................... 58
Tabela 6.1: Experimento I Cenrios estimado e real referente questo 1: A maior
produo de carros japoneses foi fabricada entre que anos?................... 101
Tabela 6.2: Experimento I Cenrios estimado e real referente questo 2: Analise os
dados e descreva as principais caractersticas dos carros americanos. .. 101
Tabela 6.3: Experimento I Cenrios estimado e real referente questo 3: Os carros
japoneses com 4 cilindros geralmente so mais pesados do que os
americanos com 6 cilindros?..................................................................... 102
Tabela 6.4: Experimento I Cenrios estimado e real referente questo 4: Que
tendncia os carros europeus apresentaram com o passar dos anos em
relao s suas caractersticas?................................................................ 102
Tabela 6.5: Tabela de severidades adaptada de Nielsen .............................................. 109
Tabela 6.6: Tarefas observadas atravs do Estudo de Caso: Embrapa......................... 111
Tabela 6.7: Tarefas observadas atravs do Estudo de Caso: Geografia ....................... 114
Tabela 6.8: Tarefas observadas atravs do Estudo de Caso: Corretora de Seguros ..... 116
Tabela 6.9: Tarefas observadas atravs do Estudo de Caso: Secretaria da Educao
(Etapa I) ..................................................................................................... 119
(Etapa II).................................................................................................... 122
Tabela 6.11: Tarefas observadas atravs do Estudo de Caso: Creati ........................... 124
Tabela 6.12: Tarefas observadas atravs do Estudo de Caso: Dati .............................. 127
RESUMO
Tcnicas de visualizao de informaes multidimensionais tm o potencial de

auxiliar na anlise visual e explorao de grandes conjuntos de dados, atravs do
emprego de mecanismos que buscam tanto representar visualmente os dados quanto
permitir ao usurio a interao com estas representaes.
Neste contexto, diversas tcnicas tm sido desenvolvidas, muitas delas sem uma
avaliao detalhada e aprofundada tanto de eficincia como de utilidade no suporte s
necessidades dos usurios. Contudo, h relativamente pouco tempo comearam a ser
publicados trabalhos abordando as diversas questes relacionadas avaliao de
usabilidade de sistemas ou das aplicaes que implementam estas tcnicas como forma
de promover sua eficiente e efetiva utilizao.
A avaliao de usabilidade de interfaces de sistemas de visualizao representa
um desafio de pesquisa uma vez que elas apresentam significativas diferenas com
relao a outros tipos de interface. Neste sentido, existe uma carncia de sistematizao
(incluindo o uso de mtodos e tcnicas de avaliao de usabilidade) que explore e
considere as caractersticas deste tipo de interface de maneira adequada.
Esta tese investiga solues viveis para o desenvolvimento de uma abordagem
sistemtica para avaliao de usabilidade de tcnicas de visualizao de informaes
multidimensionais e apresenta as seguintes solues ao problema em estudo: 1)
determinao de uma taxonomia de tarefas especfica relacionada ao uso de
visualizaes multidimensionais no processo de anlise de dados e 2) adaptao de
tcnicas e mtodos de avaliao de usabilidade, com o objetivo de torn-los mais
efetivos ao contexto de sistemas de visualizao de informaes multidimensionais.
Palavras-Chave: Tcnicas de Visualizao de Informaes, Visualizao de

Informaes Multidimensionais, Taxonomia de Tarefas, Tcnicas de Avaliao de
Usabilidade.
Usability Evaluation of Multidimensional Visualization Techniques
ABSTRACT
Multidimensional visualization techniques have the potential of supporting the

visual analysis and exploration of large datasets, by means of providing visual
representations and interaction techniques which allow users to interact with the data
through their graphical representation.
In this context, several techniques have been developed, most of them being
reported without a broad and deep evaluation both regarding their efficiency and utility
in supporting users tasks. Few years ago, thus quite recently, several works have been
published reporting many issues related to the evaluation of visualization systems and
applications, as a means of promoting their efficiency and effective use.
In spite of these works, the usability evaluation of visualization systems
graphical interfaces remains a challenge because of the significant differences between
these interfaces and those of other systems. This way, there is a need of finding a
systematic approach for such evaluations, including the definition of which usability
methods and techniques are best suited for this kind of interfaces.
This thesis reports our investigation of viable solutions for the development of a
systematic approach for the usability evaluation of multidimensional information
visualizations. We have conducted several case studies and experiments with users and
have achieved the following contributions: 1) a taxonomy of visualization tasks, that is
related to the use of interactive visualization techniques for the exploration and analysis
of multidimensional datasets and 2) adaptation of usability evaluation techniques with
the goal of making them more effective in the context of multidimensional information
visualizations.
Keywords: Information Visualization Techniques, Taxonomy of User Tasks,

Multidimensional Information Visualizations, Usability Evaluation Methods.
14
1 INTRODUO
Nos ltimos anos, tm-se verificado um crescimento exponencial na quantidade

de informaes produzidas e disponibilizadas aos usurios nos mais diversificados
domnios de aplicao, gerando um grande volume de informaes de diversas origens e
formatos. Craine (2000) afirma que mais informao tem sido produzida nos ltimos
trinta anos do que na histria inteira da civilizao. Alguns especialistas estimam que,
atualmente, as ferramentas analticas possuam disponvel 70 terabytes de dados a serem
manipulados e isto est crescendo numa taxa de 60% ao ano (SCHOLTZ, 2006a).
Neste quadro, a rea de Visualizao de Informaes tornou-se um campo
emergente de pesquisa, produzindo tcnicas que podem ser utilizadas em inmeras
atividades de anlise visual e explorao de dados, em diferentes domnios.
Combinando aspectos de computao grfica e interfaces humano-computador, as
tcnicas de visualizao permitem a apresentao de dados de forma grfica de modo
que o usurio possa utilizar sua percepo visual para melhor analisar e compreender as
informaes. Tais representaes buscam no apenas divulgar ou apresentar dados e
resultados, mas prover mecanismos que possibilitem ao usurio interagir com a
informao, explorando-a visualmente. Assim, a partir das relaes espaciais exibidas e
dos mecanismos de interao disponibilizados, o usurio pode interpretar e
compreender as informaes apresentadas, inferindo novos conhecimentos, e
procedendo anlise mais avanada, atravs de outras ferramentas analticas, como
estatsticas, por exemplo.
O projeto de sistemas de visualizao de informaes uma atividade complexa,
pois envolve pelo menos dois aspectos fundamentais: a) identificar a melhor forma de
mapear as informaes para uma representao visual que facilite a compreenso e a
interpretao dos dados por parte dos usurios e b) fornecer mecanismos de interao
aos usurios, para que esses tenham condies de manipular, de forma fcil e eficiente,
a representao visual, apoiando assim satisfatoriamente a realizao de suas tarefas. O
segundo aspecto est diretamente relacionado s questes de projeto de interfaces e de
avaliao de usabilidade, que so usualmente investigadas na rea de pesquisa
denominada Interao Humano-Computador (IHC) (Yi et al., 2007).
Segundo Nielsen (1993), usabilidade pode ser definida como sendo uma
combinao das seguintes caractersticas orientadas ao usurio: facilidade de
aprendizagem, rapidez no desenvolvimento de tarefas, baixa taxa de erros e alta
satisfao no uso de sistemas interativos. Problemas de usabilidade correspondem a
dificuldades reais ou potenciais apresentadas por uma interface, que comprometem em
diferentes nveis a interao dos usurios durante a realizao de suas tarefas.
Considerando a importncia do uso de tcnicas de visualizao, fundamental
que as interfaces associadas a estas tcnicas sejam adequadas aos seus usurios. E
15
interfaces de sistemas de visualizao representam um desafio de pesquisa uma vez que

elas apresentam significativas diferenas com relao a outros tipos de interface.
Os sistemas de visualizao de informaes podem apresentar diversos
problemas de usabilidade inerentes a todo sistema interativo e problemas especficos
decorrentes de aspectos da representao visual (como a ocluso de objetos,
desorientao espacial, sobrecarga visual, etc.), os quais dificultam de forma
significativa tanto a manipulao quanto a percepo e interpretao dos dados por parte
dos usurios. Para minimizar estes problemas de usabilidade essencial uma eficiente
configurao da representao visual e dos mecanismos de interao a ela associados.
Por estes motivos, pode-se afirmar que o desenvolvimento de interfaces com
usabilidade em sistemas que utilizam tcnicas de visualizao de informaes no
uma tarefa simples. Existe uma carncia de sistematizao (incluindo mtodos e
tcnicas de avaliao de usabilidade) que explore e considere as caractersticas deste
tipo de interface de maneira adequada.
A utilizao deste tipo de avaliao necessria para verificar a eficincia das
ferramentas de visualizao de informaes no apoio s tarefas dos usurios, bem como,
sua capacidade em exibir dados de modo a facilitar o processo de anlise, interpretao
e compreenso das informaes. E , tambm, importante para nortear o
desenvolvimento de novas tcnicas como tambm o re-projeto de tcnicas j existentes
ou em desenvolvimento de maneira a contemplar requisitos de usabilidade.
Embora, a usabilidade seja consensualmente um critrio importante para o
projeto e avaliao de sistemas de visualizao, ainda existem relativamente poucos
trabalhos discutindo a eficincia da avaliao de usabilidade em tcnicas de
visualizao, principalmente, de informaes multidimensionais.
1.1 Motivao
O crescente interesse dos pesquisadores de Visualizao de Informaes por
questes inerentes a avaliao pode ser nitidamente observado nos ltimos IEEE
Symposium on Information Visualization, em edies especficas de peridicos, em
workshops como o BELIV (BEyond time and errors: novel evaLuation methods for
Information Visualization), realizado no contexto da AVI (Advanced Visual Interfaces
Working Conference) de 2006 (o prximo ser realizado como workshop do CHI - ACM
Human-Computer Interaction Conferece) e, mais recentemente, no VAST (IEEE
Symposium on Visual Analytics Science and Technology) que, em 2007 tambm deu
espao para realizao de um workshop especfico para tratar de questes relacionadas a
avaliao de ferramentas de anlise visual (Workshop on Evaluation: Possible Metrics
to consider for evaluation).
Entretanto, o interesse do grupo de Computao Grfica e Interao da UFRGS
pelo tema , inclusive, anterior proliferao de trabalhos sobre o assunto na
comunidade internacional. A dissertao de mestrado de Cava (2002) e a tese de
doutorado de Luzzardi (2003) foram os primeiros trabalhos locais abordando avaliao
de tcnicas de visualizao, mais especificamente, informaes hierrquicas. Os
trabalhos prosseguiram, a maioria no contexto de projetos de cooperao com
pesquisadores franceses CAPES/COFECUB, com a Universit Toulouse 1, e
CNPq/INRIA, com INRIA Futurs e INRIA Rocquencourt (FREITAS et al., 2002),
16
(WINCKLER et al., 2004b), (LUZZARDI et al., 2004), (PILLAT et al., 2005), (HUFF
et al., 2006) (UGHINI et al., 2006).
1.2 Objetivo do Trabalho

O principal objetivo deste trabalho desenvolver uma abordagem capaz de
promover a sistematizao do processo de avaliao de usabilidade de tcnicas de
visualizao de informaes multidimensionais (VisIM).
A sistematizao do processo de avaliao baseia-se na adaptao e utilizao de
um conjunto de mtodos e tcnicas de avaliao de usabilidade convencionais da rea
de IHC (Interao Homem-Computador), assim como, na definio de uma taxonomia
de tarefas do usurio especfica as visualizaes em estudo.
Portanto, esta tese de doutorado apresenta solues para apoiar a avaliao de
usabilidade de tcnicas de VisIM, buscando contribuir no desenvolvimento de
metodologias destinadas a avaliao de ferramentas de visualizao de informaes e
anlise visual.
1.3 Estrutura do Texto

Esta tese est organizada em seis captulos, alm da introduo, sendo os
captulos 2, 3 e 4, produtos dos estudos iniciais realizados, e os captulos 5, 6 e 7, a
contribuio efetiva do presente trabalho.
No captulo 2, apresentada uma breve reviso da rea de visualizao de
informaes, abordando modelos de referncia, tipos de dados e representao visual.
Descreve-se, tambm, uma classificao geral das tcnicas de visualizao, e as
principais tcnicas de visualizao multidimensionais relatadas na literatura so
apresentadas.
O captulo 3 trata da rea de IHC, definindo usabilidade e descrevendo as
principais tcnicas de avaliao de usabilidade existentes e, atualmente, utilizadas. Para
cada tcnica so expostas suas caractersticas, recursos necessrios, vantagens e
desvantagens.
No captulo 4, realizada uma reviso bibliogrfica de trabalhos relacionados
avaliao de tcnicas de visualizao. Os trabalhos so subdivididos em: 1) trabalhos
direcionados questo de avaliao, mas que no envolvem o emprego de tcnicas de
IHC ou a participao de usurios; 2) trabalhos que tratam, de forma mais significativa,
sobre a avaliao de usabilidade e 3) trabalhos direcionados a definio de taxonomia
de tarefas.
O captulo 5 apresenta a proposta de uma abordagem para avaliao de
usabilidade de tcnicas de visualizao multidimensional. Descreve-se a sistematizao
do processo de avaliao, a taxonomia de tarefas do usurio e a adaptao das tcnicas
de avaliao de usabilidade. Cumpre ressaltar que, para a obteno de resultados mais
efetivos, considerou-se apenas tcnicas de visualizao que adotam o paradigma de
projeo geomtrica, para a visualizao de informaes multidimensionais.
No captulo 6, relata-se os experimentos conduzidos para validao da
taxonomia de tarefas e viabilizar a obteno de solues ao problema em estudo (dois
experimentos com ensaios de interao e sete estudos de caso longitudinais), bem como,
17
os experimentos realizados para avaliao das tcnicas de avaliao de usabilidade

adaptadas na abordagem (dois experimentos com ensaios de interao e avaliao
heurstica, empregando verses adaptadas e no adaptadas das tcnicas).
As concluses so apresentadas no ltimo captulo, sumarizando-se os estudos e
atividades realizadas, expondo as principais limitaes e contribuies do trabalho,
como tambm, as sugestes de trabalhos futuros.
18
2 VISUALIZAO DE INFORMAES
Este captulo apresenta o estudo realizado sobre a rea de visualizao de

informaes. Inicialmente, conceitua-se visualizao de informaes abordando
modelos de referncia, tipos de dados e representao visual; em seguida descreve-se a
categorizao adotada por Card et al. (1999), para uma classificao geral das tcnicas
de visualizao. Depois, as principais tcnicas de VisIM relatadas na literatura so
apresentadas e o captulo finaliza com uma viso sobre a rea de anlise visual.
2.1 Conceitos
Atualmente, entende-se por Visualizao a rea na qual tcnicas de computao
grfica e de interao so empregadas para auxiliar o processo de anlise e compreenso
de um conjunto de dados, por meio de representaes grficas manipulveis (CARD e
MACKINLAY, 1997). Tais representaes buscam no apenas divulgar ou apresentar
dados e resultados, mas prover mecanismos que possibilitem ao usurio interagir com a
informao, explorando-a visualmente.
Termos mais especficos, como Visualizao Cientfica e Visualizao de
Informaes, so utilizados de acordo com a natureza dos dados sendo manipulados.
Em ambas as reas so criados modelos grficos ou representaes visuais dos dados,
que suportam a interao direta do usurio na explorao e aquisio de informaes
teis neles contida.
Na Visualizao Cientfica, particularmente, os modelos grficos so
construdos a partir de dados mensurados ou simulados representando objetos fsicos ou
fenmenos associados a posies num domnio espacial (OLIVEIRA e LEVKOWITZ,
2003). Portanto, como os dados so decorrentes de algum tipo de fenmeno ou modelo
do mundo fsico, gera-se uma representao espacial natural dos dados, ou seja,
atributos de natureza espacial e temporal tm papel determinante na representao
visual gerada.
Contudo, na Visualizao de Informaes os modelos grficos representam
conceitos abstratos e relacionamentos, para os quais, geralmente, no existe uma
representao visual bvia correspondente no mundo fsico. Tipicamente, cada unidade
de dados descreve mltiplos atributos relacionados, que podem no ser de natureza
espacial ou temporal. Embora tais atributos possam ocorrer, os dados existem em um
espao abstrato (conceitual) de dados (OLIVEIRA e LEVKOWITZ, 2003).
19
2.2 Modelos de Referncia

A criao de visualizaes tem sido feita sem a utilizao de quaisquer mtodos
formais de projeto, engenharia ou avaliao (FAYYAD et al., 2002) (OLIVEIRA e
LEVKOWITZ, 2003), embora algumas tentativas de formalizar este processo tenham
sido propostas por Card et al. (1999), Hoffman (1999) e Chi (2000). O emprego de
modelos pode oferecer referncias importantes de como criar visualizaes a partir de
dados brutos, identificando-se componentes essenciais a serem considerados na
utilizao de uma determinada tcnica ou no desenvolvimento de uma nova, como
tambm, pode prover uma base objetiva para a comparao da efetividade de diferentes
visualizaes no cumprimento de certas tarefas.
Card et al. (1999) sugerem um modelo de referncia para o processo de
visualizao (ver figura 2.1), descrevendo-o como um mapeamento dos dados brutos
para uma representao visual, controlado por meio de interaes do usurio nas
diferentes etapas do processo.
Figura 2.1: Modelo de referncia proposto por Card et al. (1999)

Muitos esforos de pesquisas tm sido feitos na definio de modelos
direcionados a visualizaes cientficas, porm tais modelos no oferecem auxlio na
anlise de visualizaes de dados tabulares, interpretados como de alta
dimensionalidade, considerando-se que a natureza do conjunto de dados e das tarefas de
explorao visual diferem significativamente da visualizao de dados cientficos
(OLIVEIRA e LEVKOWITZ, 2003).
Notveis excees so os modelos apresentados por Hoffman (1999) e por Chi e
Riedl (1998). Hoffman (1999) props um modelo formal de visualizaes tabulares
denominado Dimensional Anchors (DAs), baseado em uma abstrao, como uma
tentativa de prover um modelo unificado para algumas tcnicas de visualizaes
tabulares (Coordenadas Paralelas, Survey Plot, Radviz e Matriz de Scatterplots).
Chi e Riedl (1998) apresentaram o Modelo de Referncia do Estado dos Dados,
que usa um operator framework para caracterizar diferentes tcnicas de visualizao
(cientficas e de informaes). Este modelo divide a visualizao em quatro estgios de
dado (Value, Analytical Abstraction, Visualization Abstraction, View) e um conjunto de
operadores de transformao dos dados.
2.3 Tipos de Dados (ou informaes)

Se considerarmos uma entidade ou elemento de um domnio de aplicao como
caracterizado por um conjunto de dados (ou informaes), estes correspondem a
atributos que podem ser classificados de acordo com os seguintes critrios: classe de
20
informao, tipo de valores, natureza e dimenso do domnio (conforme Tabela 2.1).

Tabela 2.1: Classificao de informaes
Critrio
Classe
Exemplo
Classe de
Caracterstica
Gnero
Informao
Escalar
Temperatura
Vetor
Grandeza fsica associada a um fludo
Tensor
Grandeza fsica associada a um fludo
Relacionamento
Link num hiperdocumento
Alfanumrico
Gnero
Numrico
Temperatura
Smbolo
Link num hiperdocumento
Natureza do
Discreto
Marcas de automvel
domnio
Contnuo
Superfcie de um terreno
Contnuo-Discretizado
Anos (tempo discretizado)
Dimenso do
1D
Medida de uma grandeza no tempo
domnio
2D
Superfcie de um terreno
3D
Volume de dados mdicos
n-D
Dados de uma populao
Tipo dos valores
Fonte: FREITAS et al., 2001. p. 3.

De acordo com o critrio classe de informao, os atributos podem representar:
a) uma caracterstica (categoria, atributo nominal ou ordinal), simbolizando valores
pertencentes a um grupo restrito de elementos, podendo ou no apresentar uma ordem
natural entre seus elementos; b) uma propriedade com valores escalares, vetoriais ou
tensoriais, que assumem valores inteiros ou reais, dentro de um certo intervalo; ou c) a
existncia de relacionamentos (hierarquia ou ligao) entre entidades.
Quanto ao tipo, os atributos podem assumir valores alfanumricos ou
numricos, dentre uma enumerao finita ou infinita, ou podem ser compostos de
valores simblicos, representando a identificao de uma entidade ou fenmeno
relacionado.
A natureza do domnio indica se um dado est definido num domnio discreto,
restrito a um conjunto finito ou infinito de elementos, num domnio contnuo ou num
domnio contnuo-discretizado. Em um domnio contnuo, os valores podem estar
definidos para todos os pontos (continuamente) ou para regies. Por exemplo, uma
amostragem no tempo (que constitui um domnio contnuo) quando feita mensalmente
indica um domnio contnuo-discretizado.
Os dados podem, tambm, ser categorizados segundo o critrio dimenso. A
dimensionalidade usada para referir tanto o nmero de dimenses do espao-domnio
onde determinado objeto est definido, podendo ser um espao unidimensional (1D),
bidimensional (2D) ou tridimensional (3D), quanto o nmero de atributos de uma
entidade, geralmente, referenciado como n-dimensional (nD), multidimensional ou
multivarivel. Assim, visualizaes multidimensionais referem-se visualizao de
21
informaes que contm mltiplas variveis a serem codificadas em uma nica estrutura
visual (CARD et al., 1999).
2.4 Representao Visual

Em visualizao de informaes, as representaes visuais correspondem a
modelos grficos, figuras ou imagens utilizadas para mapear graficamente conjuntos de
dados a serem explorados e/ou analisados. Essas representaes visuais podem variar
desde o emprego de grficos tradicionais (de pontos, de barras, circulares e
histogramas), tabelas, formas mais elaboradas (com uso de cores e smbolos
geomtricos), imagens reais ou mapeamentos (de um objeto ou espao fsico) at
representaes mais complexas atravs do uso de diagramas (rvores, redes e grafos) ou
metforas visuais, fazendo referncia a relacionamentos e conceitos abstratos.
O grande desafio em visualizao de informaes , portanto, criar metforas
visuais, que efetivamente representem as informaes e possibilitem maneiras
satisfatrias de manipular e explorar os dados representados (SPENCE, 2001).
Alm da utilizao de alguma metfora visual, as representaes visuais podem
ser classificadas em uma das seguintes categorias: grficos; cones, glifos e objetos
geomtricos; mapas e diagramas (FREITAS et al., 2001), conforme Tabela 2.2.
Tabela 2.2: Classes de representaes visuais
Classe
Tipo
Utilizao
Grficos 2D,
3D
de pontos
Representao da distribuio dos elementos

no espao domnio ou representao da
dependncia/correlao entre atributos.
circulares
de linhas
de barras
de superfcies (para 3D)
cones
Glifos
Elementos geomtricos 2D
ou 3D diversos
Representao de entidades num contexto ou

representao de grupos de atributos de
diversos tipos.
de pseudo-cores
Representao de campos escalares ou de

categorias.
de linhas
Representao de linhas de contorno de

regies, isovalores.
de superfcies
Idem, no espao 3D.
de cones, smbolos
diversos
Representao de grupos de atributos

(categorias, escalares, vetoriais, tensoriais).
Nodos e arestas
Representao de relacionamentos diversos:

-um, -parte-de, Comunicao, Seqncia,
Referncia, etc.
Objetos
geomtricos
Mapas
Diagramas
Fonte: FREITAS et al., 2001. p. 4.
22
2.5 Classificao das Tcnicas de Visualizao

As tcnicas de visualizao de informaes podem ser classificadas de diferentes
maneiras, baseadas: nas tarefas a serem suportadas, na estrutura do conjunto de dados,
na natureza dos dados a serem visualizados, na dimensionalidade dos dados ou do
espao onde sero representados, na abordagem de mapeamento adotado pelas tcnicas
ou nos mtodos de manipulao e interao utilizados (FAYYAD et al., 2002).
Atualmente, h uma diversidade muito grande de tcnicas e nem todas se
encaixam corretamente nas classificaes existentes, pois as caractersticas que separam
cada classe no so precisas e completas. Assim, muitas representaes visuais podem
ser consideradas hbridas de vrias tcnicas.
Diversas categorizaes tm sido propostas: as taxonomias apresentadas por
North (1998) e Chi (2000), as classificaes empregadas em Card et al. (1999) e Olive
(1999) e as categorizaes sugeridas por Keim (1997) (1996) para tcnicas de
visualizao de dados multidimensionais e por Wong e Bergeron (1997) especficas
para tcnicas de visualizao cientfica.
Nesta proposta, optou-se por descrever a categorizao adotada por Card et al.
(1999), para uma classificao geral das tcnicas de visualizao, por esta apresentar
uma boa discriminao dos tipos bsicos de estruturas visuais.
A abordagem de categorizao utilizada por Card et al. (1999) agrupa as
aplicaes em quatro nveis. No primeiro nvel esto as ferramentas de visualizao que
provem aos usurios acesso visual a colees de informaes externas a seu meio
imediato, tais como dados disponveis na Internet ou em base de dados on-line em um
servidor. No segundo nvel esto as ferramentas que visam apoiar os usurios na
execuo de tarefas, criando representaes visuais altamente interativas. O terceiro
nvel composto de ferramentas visuais de extrao do conhecimento, que descrevem
representaes visuais de certos dados e um conjunto de controles para interagir com
essas representaes, de forma que os usurios possam determinar e extrair
relacionamentos dos dados. No quarto nvel, enquadram-se aplicaes que mostram
objetos visualmente realados, cujo foco revelar mais informaes sobre um objeto
usando uma forma visual intrnseca.
No terceiro nvel, as ferramentas visuais do conhecimento so adicionalmente
categorizadas de acordo com o tipo de estrutura visual adotada, a qual se refere
dimensionalidade das representaes de dados utilizada. Assim, entre as estruturas
visuais bsicas esto as:
fsicas (ou naturais): referentes representao de dados tpicos da Visualizao

Cientfica, que possuem uma correspondncia direta com objetos, fenmenos ou
posies do mundo real. Desta categoria fazem parte todas as tcnicas destinadas
construo e visualizao de representaes 3D de objetos do mundo fsico, tais
como: visualizao de molculas e protenas, imagens do corpo humano, mapas
topogrficos, etc.
1D, 2D, 3D: relativas a representaes visuais, que codificam informaes atravs
do posicionamento de smbolos ou marcas em espaos uni, bi ou tridimensionais.
Estruturas 1D podem ser observadas na representao de dados temporais como,
por exemplo, em linhas do tempo. Estruturas visuais 2D e 3D so, usualmente,
encontradas em grficos tradicionais (de barras, pontos, linhas e crculos) e
utilizadas para representar dados fsicos, como tambm, informaes abstratas.
23
multidimensionais: caracterizadas por ambientes de visualizao que manipulam

dados geralmente abstratos contendo vrios atributos a serem mapeados em
estruturas visuais 1D, 2D ou 3D. Nesta categoria enquadram-se as tcnicas de
projeo geomtrica, iconogrficas e orientadas a pixel, que sero melhor descritas
e exemplificadas na prxima seo.
rvores e redes: correspondem a todas as tcnicas que estabelecem uma hierarquia

para a exibio dos dados, independente destes apresentarem ou no uma estrutura
hierrquica inerente. Consistem, geralmente, de nodos representando dados e
ligaes indicando o relacionamento entre nodos. Tais estruturas so empregadas
para representar, por exemplo, taxonomias, organizaes, gerenciamento de
trfego, espao em disco ou estruturas de informao na web.
2.6 Tcnicas de Visualizao de Informaes Multidimensionais

Assim como as tcnicas de visualizao de dados em geral podem ser
classificadas de diferentes maneiras, as tcnicas de visualizao de dados
multidimensionais podem ser categorizadas de acordo com diferentes critrios. Keim
(1996) sugere uma categorizao baseada em trs critrios: a natureza do dado a ser
visualizado, a abordagem de mapeamento adotado pela tcnica e os mtodos de
interao e distoro disponibilizados para permitir a manipulao da representao
visual.
Existem vrias tcnicas para a visualizao de dados multidimensionais. Nesta
seo so apresentadas algumas tcnicas clssicas direcionadas a visualizao de tabelas
de dados, dando-se nfase as tcnicas mais representativas e citadas na literatura,
descrevendo-as conforme o segundo critrio de classificao proposto por Keim (1996),
que as subdivide em tcnicas de projeo geomtricas, iconogrficas e orientadas a
pixel.
2.6.1 Tcnicas de Projeo Geomtrica
Nesta classe esto includas todas aquelas tcnicas de visualizao, nas quais os
dados so mapeados para uma representao visual empregando-se algum tipo de
projeo geomtrica. Entre algumas tcnicas desta categoria esto: Coordenadas
Paralelas, Matriz de Scatterplots, grficos de linhas, grfico de barras e histogramas,
survey plots, curvas de Andrews, visualizao de Coordenadas Radiais (Radviz) e
Coordenadas Paralelas Circulares.
Coordenadas Paralelas foram introduzidas por Inselberg (1985) para representar
mltiplas dimenses sem utilizar eixos cartesianos ortogonais. Nessa tcnica representase dados multidimensionais utilizando linhas verticais e horizontais. Cada linha vertical
indica uma dimenso (ou atributo) e os valores das dimenses so mapeados para
pontos nessas linhas verticais, de forma que cada item de dado seja representado como
uma linha poligonal que intercepta cada linha vertical em seu ponto correspondente ao
valor de cada atributo, formando um aglomerado de linhas horizontais. A figura 2.2
mostra o conjunto de dados sobre flores de ris1 usando Coordenadas Paralelas, na qual
1
O conjunto de dados flores de ris (contendo medidas fsicas de trs tipos de flores), bem
como, os demais conjuntos de dados citados neste trabalho foram recuperados do repositrio de
aprendizado de mquina (Machine Learning Repository - MLR) da Universidade da Califrnia
em Irvine, disponveis em (http://www.ics.uci.edu/AI/ML/MLDBRepository.html)
24
os trs tipos de flor so representados em vermelho, verde e violeta e cujos atributos

correspondem a largura e comprimento das ptalas e spalas.
Figura 2.2: Coordenadas Paralelas

A representao visual gerada pela tcnica Coordenadas Paralelas permite a
identificao de algumas caractersticas, como diferenas na distribuio dos dados e
correlao entre atributos. Porm, visto que as linhas poligonais podem se sobrepor, o
nmero de itens de dados que podem ser visualizados ao mesmo tempo limitado
aproximadamente a 1.000 itens (KEIM, 1996). Assim, a visualizao de grandes
volumes de dados requer que a tcnica seja utilizada disponibilizando-se operaes
adequadas de interao. A figura 2.3 exibe um exemplo de visualizao com
Coordenadas Paralelas, onde h uma acentuada sobreposio de linhas.
Figura 2.3: Coordenadas Paralelas com sobreposio de linhas apresentando 15000 itens
de dados (KEIM, 1997)
25
Scatterplots uma tcnica classificada como geomtrica, onde pontos ou

marcadores so plotados em coordenadas (x, y) semelhante a outros grficos
bidimensionais. A Matriz de Scatterplots uma extenso desta tcnica utilizada para a
representao de dados multidimensionais, na qual so exibidas simultaneamente
mltiplas projees bidimensionais dos diferentes pares de atributos. Por exemplo, para
um conjunto de dados com 6 dimenses uma matriz de 6 x 6 usada para prover a
visualizao de cada dimenso contra todas as outras dimenses. A figura 2.4 mostra
um exemplo de visualizao, de um conjunto de dados sobre carros, com a Matriz de
Scatterplots.
Figura 2.4: Exemplo da Matriz de Scatterplots (FAYYAD et al., 2002)

A Matriz de Scatterplots considerada de fcil interpretao por permitir a
visualizao de todas as possveis correlaes entre os pares de dimenses. Contudo, a
quantidade de dimenses que podem ser apresentadas simultaneamente uma limitao,
devido ao pouco espao disponvel para a projeo de cada grfico a medida que o
nmero de dimenses aumenta, tornando-se necessrio o uso de operaes de interao
(como zooming e panning) para uma efetiva interpretao dos resultados. Hyperslice
(VAN WIJK e VAN LIERE, 1993) e HyperBox (ALPERN e CARTER, 1991) so
exemplos de variaes da Matriz de Scatterplots, fazendo-se uso de uma matriz de
painis.
Radviz (HOFFMAN et al., 1997), visualizao de coordenadas radiais, uma
tcnica que segue um princpio semelhante a coordenadas paralelas. Nessa tcnica, n
linhas correspondentes a n dimenses, emanam radialmente do centro de um crculo e
terminam no seu permetro, em pontos igualmente espaados, denominados
Dimensional Anchors (DAs). Cada item de dado projetado est ligado por meio de
molas imaginrias s DAs e a posio onde so projetados aquela onde existe
equilbrio das foras das molas associadas a cada dimenso (HOFFMAN, 1999). Cada
ponto de dado , ento, mostrado onde a soma das foras das molas igual a 0. Todos
os valores dos pontos de dados so, geralmente, normalizados para valores entre 0 e 1
(FAYYAD et al., 2002).
26
Alm de mapear vrios pontos na mesma posio (ver figura 2.5), outras
caractersticas desta tcnica de visualizao so (HOFFMAN, 1999) (FAYYAD et al.,
2002):
pontos com valores de atributos aproximadamente iguais (depois de

normalizados) so posicionados prximos ao centro do crculo;
pontos com valores similares associados a dimenses em eixos opostos ficam,
tambm, prximos ao centro;
valores maiores dos atributos (ou dimenses) atraem o ponto projetado para
regies prximas aos eixos associados a esses atributos;
a posio de um ponto depende da representao das dimenses ao redor do
crculo.
Figura 2.5: Visualizao de coordenadas radiais (Radviz)

Coordenadas Paralelas Circulares (denominada, tambm, como grficos de
estrela sobrepostos) trata-se de uma outra verso circular de Coordenadas Paralelas,
consideravelmente, mais prxima idia original utilizada por essa tcnica (FAYYAD
et al., 2002). Basicamente, a maneira de mapear e projetar os dados permanece a
mesma, apenas as dimenses so dispostas num formato circular, formando um grfico
em estrela (conforme figura 2.6).
Seguindo esta forma de projeo geomtrica, os segmentos de linha so mais
longos na parte externa do crculo, onde os valores maiores so tipicamente mapeados,
enquanto os valores menores so projetados para o centro do crculo. Devido a
assimetria formada na representao dos valores maiores e menores, certos padres
podem ser facilmente detectados com esta tcnica (FAYYAD et al., 2002).
27
Figura 2.6: Visualizao de Coordenadas Paralelas Circulares

Polyviz uma tcnica que busca combinar caractersticas de Coordenadas
Paralelas e Radviz. Um dos problemas apresentados com a tcnica Radviz que pontos
n-dimensionais com valores bastante diferentes podem ser mapeados para a mesma
posio na tela. Esta sobreposio pode ser contornada se os pontos fixados para as
molas, em cada dimenso, forem expandidos ao longo dos eixos (FAYYAD et al.,
2002).
Na tcnica Polyviz alm de ser empregada esta nova forma de mapeamento dos
pontos, a distribuio para cada dimenso mostrada por linhas partindo dos eixos e
dispostas em uma configurao poligonal (ver figura 2.7). Deste modo, procura-se
aproveitar a capacidade de exibio de agrupamentos, demonstrada pela tcnica Radviz,
com a habilidade de visualizar a distribuio de dados em cada dimenso, caracterizada
por Coordenadas Paralelas.
28
Figura 2.7: Exemplo de visualizao com Polyviz (HOFFMAN et al., 2000)

Survey Plots outra tcnica na qual os dados de cada dimenso so mapeados
para linhas estendidas de um ponto central, onde o comprimento de cada linha
corresponde ao valor do item de dado sendo representado (LOHNINGER, 1994). Como
em grfico de barras, esta tcnica utiliza a idia de representar os dados estendendo cada
ponto sendo mapeado para um dos eixos (princpio semelhante, tambm, empregado
nas tcnicas Table lens (RAO e CARD, 1994) e matriz de permutao (BERTIN,
1983)).
Este tipo de visualizao permite que correlaes entre quaisquer duas
dimenses possam ser percebidas, especialmente, quando os dados so classificados de
acordo com uma dimenso particular (FAYYAD et al., 2002). A figura 2.8 mostra um
exemplo de visualizao com Survey Plots, de um conjunto de dados sobre carros, na
qual os dados esto classificados por nmero de cilindros.
29
Figura 2.8: Exemplo de visualizao com Survey Plots

2.6.2 Tcnicas Iconogrficas
H dois tipos de visualizaes do tipo iconogrficas: glifos e cones. Em cada
uma deles, as dimenses de um conjunto de dados so mapeadas para certas
caractersticas dos glifos ou cones, de modo que cada glifo ou cone represente um item
de dado com suas n-dimenses.
Uma das mais conhecidas visualizaes deste tipo so as Faces de Chernoff
(1973), onde as dimenses dos dados so mapeadas para caractersticas da face, como
formato do nariz, boca, olhos e da face como um todo (ver figura 2.9a), resultando em
diferentes formatos segundo os valores mapeados. Contudo, a efetividade desta tcnica
amplamente discutida devido a dificuldade de percepo de diferenas muito
pequenas nas imagens tornando inadequada a identificao de agrupamentos.
Figura 2.9: Tcnicas iconogrficas a) Faces de Chernoff e b) Glifos em estrela
30
Outras visualizaes utilizadas e pertencentes a esta categoria so: o glifo em

estrela (ver figura 2.9b) e a stick figure. No glifo em estrela, as dimenses so
representadas como raios de ngulos iguais partindo do centro de um crculo. O
comprimento dos raios indica o valor de cada atributo, raios mais extensos representam
valores mximos e o centro do crculo indica o valor mnimo da dimenso. A stick
figure caracteriza-se por ser um cone bsico, onde vrias dimenses dos dados so
mapeadas para parmetros do cone, tais como o comprimento e o ngulo de rotao de
uma aresta (ou galho). Variaes de comprimento, espessura e cor das arestas fornecem
outras possibilidades de representao, explorando a capacidade humana na percepo
de texturas e interpretao de padres (FAYYAD et al., 2002). A figura 2.10a apresenta
um cone representando diversos parmetros do censo demogrfico da Ingraterra e a
figura 2.10b mostra estes cones plotados nas coordenadas x e y indicando renda e
idade.
Figura 2.10: a) Mapeamento de Stick Figures e b) Grfico iconogrfico de dados do

censo demogrfico da Inglaterra (FAYYAD et al., 2002)
2.6.3 Tcnicas Orientadas a Pixel
Tcnicas orientadas a pixel caracterizam-se por mapear o conjunto de valores de
cada atributo (ou dimenso) dos dados em pixels na tela. O conjunto de valores de cada
atributo (ou dimenso) exibido em janelas individuais, ou seja, para um conjunto de
dados que possui n atributos (ou dimenses) a tela dividida em n janelas. Em cada
uma das janelas cada valor do atributo representado por um pixel colorido, conforme o
valor sendo representado, e a distribuio espacial dos pixels na janela pode ser
determinada de diferentes maneiras (ver figura 2.11), de modo que relaes ou
significados semnticos nos dados possam ser percebidos pela anlise das regies
correspondentes nas janelas (KEIM, 1996).
As formas utilizadas para a distribuio dos pixels nas janelas podem ser
divididas em tcnicas dependentes e independentes do resultado de uma consulta. Nas
tcnicas independentes de consulta, os valores dos atributos so mapeados diretamente
para os pixels e exibidos nas janelas, utilizando-se curvas de preenchimento de espao
(curvas de Peano-Hilbert e Morton) ou padres recursivos (ver figura 2.12) que
proporcionam um melhor agrupamento de itens de dados relacionados e uma
distribuio semanticamente significativa.
31
Nas tcnicas dependentes de consulta ao invs de serem mapeados diretamente

os valores dos atributos para os pixels, as distncias dos valores do atributo a uma
consulta que so mapeadas para os pixels. Desta forma, alm dos itens de dados que
satisfazem a consulta tambm podem ser exibidos aqueles valores que se aproximam da
resposta, atravs da exibio da distncia de cada valor a um respectivo valor
estabelecido na consulta. O clculo da distncia depende da aplicao e do tipo de dado.
Os atributos referentes a um item de dado ocupam a mesma posio relativa nas suas
respectivas janelas, sendo que a ordem de exibio dos itens na janela determinada por
uma distncia global. Essa distncia calculada pela combinao das distncias de cada
atributo ponderadas por um peso correspondente, que determina a relevncia dada ao
atributo.
Visto que o foco est na relevncia dos dados em relao a uma consulta,
diferentes formas de distribuies dos pixels podem ser apropriadas: em espiral, onde as
respostas corretas so apresentadas no centro da janela e os valores prximos ao redor
desta regio, ou por eixos, indicando distncias positivas e negativas (ver figura 2.11).
Figura 2.11: Visualizaes orientadas a pixel de um conjunto de dados com nove

dimenses, utilizando duas formas de distribuio espacial: a) espiral e b) por eixos
(KEIM, 1997)
Figura 2.12: Tcnicas independentes da consulta: a) curvas de Peano-Hilbert , b) curvas

de Morton e c) padres recursivos (KEIM, 1996) (KEIM, 1997)
32
Embora, o formato retangular para as janelas permita um uso racional do espao

na tela, a percepo de relacionamentos entre os atributos pode ser dificultada quanto
maior for o nmero de dimenses a serem visualizadas. Uma alternativa de soluo a
este problema a utilizao de um formato circular, adotada, por exemplo, na tcnica
Segmentos de Crculo (ver figura 2.13).
Figura 2.13: Segmentos de Crculo (KEIM, 1997)
2.7 Anlise Visual

Anlise Visual (ou visual analytics) uma nova rea de pesquisa, que tem sido
definida como a cincia do raciocnio analtico suportado por visualizaes de
informao interativas (THOMAS e COOK, 2005). Conforme McNee e Arnette
(2007), o raciocnio analtico um processo de mltiplos passos, que abrange a
obteno, processamento, integrao e disseminao da informao de forma a produzir
compreenses profundas e a tomada de decises efetiva e, com anlise visual, este
processo facilitado pelo uso de visualizaes interativas.
Thomas e Cook (2005) consideram que anlise visual inclui:
Tcnicas de raciocnio analtico que capacitam os usurios a obter compreenses

que suportem diretamente a avaliao, o planejamento e a tomada de decises;
Representaes visuais e tcnicas de interao que tomam vantagem da
capacidade visual humana, permitindo aos usurios ver, explorar e compreender
grande quantidade de informaes;
Transformaes e representao de dados que convertem todos os tipos de dados
dinmicos e conflitantes em meios que suportem a visualizao e a anlise;
Tcnicas que suportam a produo, apresentao e disseminao dos resultados
de uma anlise, para comunicar esta informao num contexto apropriado a uma
variedade de audincias.
Conforme Scholtz (2006b), embora ambientes de anlise visual e ferramentas de

visualizao compartilhem do mesmo objetivo de suportar o raciocnio analtico
usando representaes visuais e interaes, para apoiar os diversos passos envolvidos
no processo de anlise, ambientes de anlise visual devero ser usados por mltiplos
analistas de mltiplas disciplinas para analisar mltiplas fontes de informao.
33
Um panorama de aplicaes sendo desenvolvidas no contexto de anlise visual

pode ser obtido nos trabalhos publicados no IEEE Symposium on Visual Analytics
Science and Technology (VAST 2006 e 2007) e na edio especial da Information
Visualization de abril de 20072.
2.8 Consideraes Finais

Neste captulo, buscou-se apresentar definies importantes sobre a rea de
visualizao, apresentando modelos de referncia, tipos de dados e representaes
visuais, descrevendo as diversas categorizaes propostas para a classificao das
tcnicas de visualizao e caracterizando as principais tcnicas de VisIM existentes na
literatura. Discutiu-se, tambm, brevemente a rea de anlise visual.
Atualmente, a maioria dos trabalhos publicados envolvendo tcnicas de VisIM
descrevem a extenso ou a implementao de novos recursos nas tcnicas clssicas de
visualizao para esse tipo de dados: suas caractersticas e vantagens so comentadas
como tentativas de melhorar a explorao e anlise visual de dados.
Muitos destes trabalhos procuram combinar caractersticas de diferentes
tcnicas, aproveitando seus pontos positivos e minimizando suas deficincias,
empregando novas formas de mapeamento dos dados e manipulao da representao
visual ou tentando utiliz-las em conjunto, gerando visualizaes hbridas de vrias
tcnicas ou mltiplas visualizaes coordenadas.
http://www.palgrave-journals.com/ivs/journal/v6/n1/index.html
34
3 AVALIAO DE USABILIDADE
Este captulo resume conceitos bsicos sobre usabilidade necessrios para uma
maior compreenso do tema abordado. Inicialmente so apresentadas definies sobre
usabilidade, seguidas de uma descrio das principais tcnicas de avaliao de
usabilidade existentes e utilizadas atualmente, expondo suas caractersticas, recursos
necessrios, vantagens e desvantagens.
3.1 Usabilidade: definies e fundamentos

Segundo Nielsen (1993), usabilidade descreve a facilidade com que os usurios
interagem com uma determinada interface utilizando corretamente as funcionalidades
do sistema, e est associada aos seguintes parmetros: facilidade de aprendizado,
eficincia no uso, facilidade de memorizao e baixa taxa de erros. Alm disso,
constitui um dos critrios de qualidade de software como definido no modelo de McCall
em (HERBERT, 1995).
Conforme a norma internacional ISO/IEC 9126, usabilidade diz respeito ao
esforo necessrio para uso do software, possuindo as seguintes subcaractersticas:
inteligibilidade, apreensibilidade, operacionalidade, conformidade e atratividade; j a
norma ISO 9241 define usabilidade como a capacidade que apresenta um sistema
interativo de ser operado, de maneira eficaz, eficiente e agradvel, em um determinado
contexto de operao, para a realizao das tarefas de seus usurios (CYBIS, 2003).
Portanto, um problema de usabilidade refere-se a qualquer caracterstica que
interfira na habilidade do usurio em completar suas tarefas de forma efetiva e eficiente
(KARAT, 1990). Trata-se de um aspecto do sistema e/ou da demanda sobre o usurio
que torna o sistema desagradvel, ineficiente, oneroso ou impossvel de permitir a
realizao dos objetivos do usurio em uma situao tpica de uso (RAVDEN e
JOHNSON, 1989).
Hix e Hartson (1993) observam que uma interface tem grandes possibilidades de
apresentar problemas de usabilidade, quando:
projetada por pessoas sem conhecimentos na rea de IHC, as quais carecem de

conhecimentos suficientes sobre os usurios e suas tarefas;
desenvolvida segundo uma orientao apenas funcional;
no produzida para atender especificaes de usabilidade documentadas e

mensurveis;
no desenvolvida atravs de um processo interativo e iterativo;
no avaliada de forma adequada e eficiente;
35
no desenvolvida utilizando-se um conjunto adequado e complementar de

tcnicas direcionadas as suas necessidades de projeto;
e no concebida empregando-se, de uma forma integrada, prticas e

conhecimentos de Engenharia de Software e IHC.
A usabilidade da interface to importante quanto a funcionalidade do sistema

como um todo, pois busca privilegiar a lgica de utilizao, ao invs da lgica de
funcionamento (BARTHET, 1988) (CYBIS, 2003). Conforme argumenta Preece et al.
(1995), para que os sistemas sejam amplamente aceitos e usados efetivamente, eles
necessitam ser bem projetados, isto no significa que todos os sistemas atendam as
necessidades de todos os usurios, mas que as aplicaes, atravs de suas interfaces,
sejam projetadas levando em conta as reais necessidades, capacidades e expectativas
dos usurios pretendidos.
Conforme Scholtz (2006b), no caso de visualizao de informaes, alm de
outros aspectos a considerar, a usabilidade um fator digno de ser ponderado to
importante quanto os demais. Pois, as visualizaes sero efetivas somente se o usurio
(o analista de dados) puder focar sua ateno na informao que ele est manipulando e
no no uso da ferramenta (SCHOLTZ, 2006a). Portanto, a ferramenta de visualizao
deve prover todos os recursos de interao necessrios para o suporte adequado e
eficiente atividade de anlise de dados.
Portanto, projetar interfaces com nveis aceitveis de usabilidade uma tarefa
complexa, de grande amplitude, que envolve inmeras questes, pois as necessidades e
o pblico-alvo variam de aplicao para aplicao. Para tanto, vrias solues tm
sendo propostas, incluindo o uso de heursticas de projeto, especificao com modelos
e/ou mtodos formais, adoo de normas, guias de recomendao ou estilo (para
padronizao) e tcnicas de avaliao de usabilidade.
Todavia, por mais abrangentes e significativas que essas solues possam
parecer, a utilizao generalizada de qualquer uma delas pode tornar-se inadequada,
devido as inmeras particularidades envolvidas no projeto de interfaces em
determinados tipos de aplicao. Assim, busca-se atravs do desenvolvimento de
solues mais especficas e especializadas, tanto a eficincia de tais mtodos, quanto
sua real e adequada utilizao (VALIATI, 2000a).
3.2 Tcnicas de Avaliao de Usabilidade

Segundo Cybis (2003), a avaliao de usabilidade tem como objetivos gerais (i)
validar a eficcia da interao humano-computador face a efetiva realizao das tarefas
por parte dos usurios, (ii) verificar a eficincia desta interao, face os recursos
empregados e (iii) obter indcios da satisfao ou insatisfao que ela possa trazer ao
usurio (efeito subjetivo).
Existem diferentes maneiras de avaliar a usabilidade das interfaces, as quais
basicamente se enquadram em avaliaes envolvendo a participao de usurios,
avaliaes empregando mtodos de inspeo e estudos de campo. As avaliaes com
usurios podem variar desde a simples coleta da opinio do usurio sobre seu nvel de
satisfao no uso da interface at a anlise de dados comportamentais, atravs da
realizao de experimentos controlados (ensaios de interao). Os mtodos de inspeo
tratam-se de um conjunto de tcnicas de avaliao baseadas em conhecimento, com os
quais os avaliadores examinam aspectos de usabilidade em uma interface, seguindo
36
critrios estabelecidos em cada tipo de inspeo e estudos de campo baseiam-se na

observao de usurios utilizando uma interface, por dias ou semanas, em seu ambiente
de trabalho (PREECE et al., 2005).
3.2.1 Ensaios de Interao
As avaliaes com a participao de usurios (ou ensaios de interao),
constituem-se de um tipo de avaliao altamente significativa, na qual so relatados os
problemas de usabilidade observados em situaes reais de interao (dos usurios com
a interface).
Est tcnica considerada uma das mais importantes e expressivas formas de
avaliao, porque atravs dela possvel detectar-se problemas que dificilmente podem
ser encontrados pelo emprego de outros mtodos. Segundo Jeffries et al. (1991), o teste
com usurios capaz de encontrar muitos problemas de gravidade sria e evitar grande
parte dos problemas de gravidade menos sria.
Os testes com usurios podem ser realizados em campo ou em laboratrios, sob
condies controladas (DIX et al., 1998), mas o que distingue, basicamente, as
variaes deste mtodo so os procedimentos e recursos utilizados para envolver os
usurios na avaliao e obter deles dados que levaro a inferir os problemas de
usabilidade existentes na interface.
As sesses de teste podem ser constitudas por um ou mais avaliadores
(incluindo monitores de teste, avaliadores e observadores de diferentes backgrounds)
que iro observar e relatar as aes, reaes e verbalizaes do usurio (mtodo think
aloud) enquanto este utiliza a interface, geralmente, em seu ambiente normal de
trabalho ou em laboratrio, utilizando diferentes recursos de captura de dados como
espelhos falsos, equipamento de registro de eventos (log), gravadores de udio e
cmeras de vdeo.
Basicamente, neste tipo de avaliao, os usurios participam realizando algumas
tarefas (tpicas ou crticas) envolvendo a interface, enquanto so observados (direta ou
indiretamente) por avaliadores. So condies essenciais para a realizao dos testes: 1)
o envolvimento de usurios representativos e pelo menos um avaliador (observador)
especialista em interfaces, 2) a preparao do ambiente, material de teste, dos usurios e
das tarefas a serem requisitadas, 3) a utilizao de algum tipo de registro das situaes
observadas e das informaes coletadas e 4) o tratamento posterior dos dados coletados.
Durante as sesses de avaliao podem ser coletados dados de desempenho e de
preferncia, os quais podem ser avaliados tanto quantitativa quanto qualitativamente
(RUBIN, 1994). Os dados de desempenho referem-se as informaes objetivas do
comportamento dos usurios, tais como: taxas de erros, medidas de tempo, quantidade
de tarefas completadas ou no (correta ou incorretamente), etc.; e os dados de
preferncia representam as opinies e atitudes dos usurios, tais como: nmero de
comentrios positivos e negativos, posturas de aceitao ou rejeio, expresses de
dificuldade de uso ou de compreenso, preferncia por determinados elementos da tela
ou estilos de interao.
Apesar deste mtodo de avaliao apresentar um custo relativamente alto,
devido ao nmero de participantes envolvidos e o tempo consumido (durante as sesses
de teste e posterior tratamento dos dados), ele oferece as seguintes vantagens:
permite observar as atitudes e reaes de usurios reais frente a interface;
37
no necessita de um grande nmero de especialistas em interface;

revela problemas realmente graves e de impacto aos usurios;
possibilita que reaes de causa e efeito possam ser cuidadosamente examinadas;
que hipteses de problemas inferidos (atravs de outros mtodos) possam ser
efetivamente confirmadas ou rejeitadas.
Trata-se de um mtodo emprico que, embora no precise necessariamente ser
feito de modo formal, exige certo rigor cientfico e controles experimentais. Os
controles experimentais contribuem na definio dos requisitos da avaliao,
determinando: o tamanho e as caractersticas da amostra, a seleo dos cenrios, a
priorizao das tarefas, os tipos de mtricas a utilizar e os recursos materiais e humanos
necessrios para a realizao dos testes.
3.2.2 Avaliao Heurstica
A avaliao heurstica um dos mtodos de inspeo mais conhecidos e
utilizados na avaliao de interfaces. Baseia-se na utilizao de um conjunto de
princpios reconhecidos de usabilidade (chamados de heursticas), como diretrizes
capazes de orientar os avaliadores enquanto esses percorrem a interface na busca de
problemas e deficincias.
Entre as heursticas mais conhecidas, para guiar este tipo de teste, esto as
propostas por Jacob Nielsen em (NIELSEN e MACK, 1994a):
1. Visibilidade do estado do sistema: o sistema sempre deve conservar os usurios
informados sobre o que est acontecendo, atravs de feedback apropriado em tempo
razovel.
2. Compatibilidade entre sistema e o mundo real: o sistema deve falar a linguagem dos
usurios, com palavras, frases e conceitos familiares, ao invs de termos orientados
ao sistema, seguindo convenes do mundo real, fazer com que a informao surja
de uma ordem natural e lgica.
3. Controle e liberdade do usurio: os usurios freqentemente selecionam funes por
engano e necessitam de uma indicao de "sada de emergncia", para sair de um
estado indesejvel rapidamente, a interface deve permitir aes como desfazer e
refazer.
4. Consistncia e padres: os usurios no devem precisar adivinhar que diferentes
palavras, situaes ou aes significam a mesma coisa.
5. Preveno de erros: melhor que uma boa mensagem de erro um projeto cuidadoso
com prevenes a um problema antes dele ocorrer a primeira vez.
6. Reconhecer ao invs de recordar: torne os objetos, aes e opes visveis. O
usurio no deve ter que lembrar informaes de uma parte do dilogo para outra.
Instrues para usar o sistema devem ser visveis ou facilmente recuperveis quando
apropriado.
7. Flexibilidade e eficincia de uso: aceleradores - no vistos por usurios novatos podem freqentemente acelerar a interao dos usurios mais avanados, assim, o
sistema pode suprir ambos os usurios experientes e inexperientes, permitindo que os
usurios criem suas prprias formas de ativar aes freqentes.
38
8. Esttica e design mnimo: dilogos no devem conter informaes que so

irrelevantes ou raramente necessrias. Toda a unidade extra de informao em um
dilogo compete com as unidades relevantes de informao e diminui sua
visibilidade relativa.
9. Auxiliar os usurios a reconhecer, diagnosticar e recuperar-se dos erros: mensagens
de erro devem ser expressas em linguagem simples (no cdigos), indicando
precisamente o problema e sugestes construtivas para uma soluo.
10.Ajuda e documentao: mesmo que o sistema possa ser usado facilmente sem
documentao, pode ser necessrio prover ajuda e documentao. Qualquer
informao deve ser fcil de ser pesquisada, focalizada nas tarefas do usurio, com
lista concreta de passos mnimos a serem executados.
Alm das heursticas propostas por Jacob Nielsen, outras heursticas, critrios ou
princpios podem ser utilizados durante a inspeo como, por exemplo, os critrios
ergonmicos definidos por Bastien e Scapin (1993) e os princpios para interfaces
grficas estabelecidos pela Xerox PARC (APPLE, 1992).
Com base nestes princpios, os avaliadores, em inspees individuais, passam a
percorrer a interface identificando os problemas nela encontrados. Tais problemas
podem ser registrados pelos prprios avaliadores ou por um observador presente durante
as sesses de teste (ou mesmo transcrevendo-se, posteriormente, os relatos dos
avaliadores, quando registrados em cmeras de vdeo ou gravadores de udio).
Aps concluda a descrio dos problemas em formulrios, cada problema
analisado e a ele atribudo um fator de gravidade, conforme exemplo da Tabela 3.1
proposta em (NIELSEN e MACK, 1994a), onde as severidades podem ser definidas
pela equipe de avaliao, considerando-se o grau de influncia dos problemas sobre a
realizao das tarefas.
Tabela 3.1: Escala de severidades atribudas em teste de avaliao heurstica
SEVERIDADE
SIGNIFICADO
0
1
No considerado, totalmente, um problema de usabilidade

Problema apenas esttico: no necessita ser consertado a menos que haja
tempo extra disponvel no projeto
Problema menor de usabilidade: o conserto deste problema dever ter baixa
prioridade
Problema maior de usabilidade: importante consert-lo, para isto dever ser
dado alta prioridade
Catstrofe de usabilidade: obrigatrio consert-lo, antes do produto ser
divulgado
2
3
4
Fonte: NIELSEN e MACK, 1994a. p. 49.

O resultado da avaliao uma listagem dos problemas identificados,
acompanhados de suas devidas severidades, incluindo o nmero de vezes que o
problema ocorreu, a descrio das heursticas violadas, como tambm, os comentrios
dos avaliadores.
Preece et al. (2005) retrata a avaliao heurstica em trs estgios:
39
sesso breve e preliminar: se diz ao avaliador o que fazer, pois a utilizao de um

roteiro til como guia e para assegurar que cada avaliador receba a mesma
orientao;
perodo de avaliao: cada avaliador inspeciona toda a interface, utilizando as
heursticas como guia e relatando os problemas encontrados;
sesso de resultados: os avaliadores se renem para discutir o que descobriram,
priorizando os problemas e sugerindo solues.
Nielsen (NIELSEN, 1994b) considera a avaliao heurstica como um dos
mtodos de inspeo mais baratos, fceis e rpidos de serem aplicados, propondo-o,
assim, como uma tcnica de engenharia de usabilidade descontada, onde a utilizao
de 3 a 5 avaliadores representa a melhor relao de custo/benefcio de aplicao do
mtodo.
Em experimento realizado por Jeffries et al. (1991), a avaliao heurstica foi
reconhecida como o mtodo que conseguiu identificar o maior nmero de problemas
apresentando o mais baixo custo, mas tambm, mostrou-se o mtodo que identificou o
maior nmero de problemas menos srios, que muitas vezes afetam apenas questes de
eficincia e no de efetividade das tarefas, ou que podem ser muitas vezes considerados
como simples questes de gosto ou preferncia do avaliador, e que, portanto, tratam-se
apenas de julgamentos individuais.
Desta forma, embora seja considerada uma avaliao rpida e abrangente, tornase subjetiva e pouco sistemtica, pois seus resultados dependem da experincia e
competncia dos avaliadores e das estratgias de avaliao por eles empregadas.
Segundo estudos feitos por Pollier (1991), nas avaliaes heursticas os resultados
dependem diretamente da carga de conhecimento e experincia que as pessoas trazem
para as avaliaes, e do tipo de estratgia com que percorrem a interface, evidenciando
assim o carter subjetivo neste tipo de avaliao.
Considerando-se que o avaliador o elemento fundamental neste tipo de mtodo
e que, dificilmente, um nico avaliador consegue detectar todos os problemas de
usabilidade em uma interface, para aplicao desta tcnica aconselhvel a utilizao
de: especialistas em interface, consultores em desenvolvimento de software, usurios
finais com conhecimento de contedos ou tarefas, ou outros tipos de profissionais
(como, por exemplo, especialistas em certo domnio do conhecimento).
Contudo, experimentos relatados em (NIELSEN, 1992) e confirmados em
trabalhos anteriores no grupo (WINCKLER et al., 1998) (VALIATI et al., 2000b),
demonstram que o perfil dos avaliadores tem grande impacto sobre o desempenho do
mtodo e que dependendo da interface a ser avaliada melhores resultados podem ser
obtidos quando, na mesma equipe da avaliao, so envolvidos avaliadores especialistas
e no-especialistas em interfaces.
3.2.3 Conformidade com Recomendaes (guidelines) / Checklists
Neste tipo de inspeo, os avaliadores, em sesses individuais, fazem a
conferncia da interface (com relao a aplicabilidade e a conformidade) frente ao que
recomendado (ou questionado) por um conjunto de guidelines.
Para aplicao desta tcnica pode ser utilizado um conjunto de recomendaes
na forma afirmativa (guidelines) ou um checklist, onde as recomendaes so
40
organizadas em forma de questes interrogativas, facilitando significativamente o

processo de avaliao.
Podem ser utilizadas, tambm, guidelines para o desenvolvimento de aplicaes
em ambientes especficos como, por exemplo, Microsoft Windows ou Apple Macintosh,
buscando garantir que a interface dos produtos sendo avaliados estar de acordo com
certos padres estabelecidos em cada ambiente. Ou podem ser empregadas normas
como, por exemplo, a srie de normas ISO relacionadas a usabilidade.
Este tipo de avaliao pode ser considerado um mtodo tanto heurstico como
determinstico. Seu aspecto heurstico deve-se s guidelines (ou questes), derivadas do
conhecimento e experincia acumuladas, sendo que o determinstico relaciona-se aos
resultados obtidos durante a verificao, que tm sua cobertura determinada pelas
guidelines (ou questes) utilizadas.
Segundo os estudos de Jeffries et al. (1991), esta tcnica revelou-se a melhor,
dentre as quatro analisadas, para deteco de problemas gerais e repetitivos. Destaca,
ainda, que um conjunto bem selecionado de recomendaes fora o avaliador a ter uma
viso ampla da interface.
Por outro lado, alguns autores como (NIELSEN e MACK, 1994a) (JEFFRIES et
al., 1991) chamam a ateno para o fato que guias de recomendaes ou checklists
muito extensos no so recomendados, por serem pouco prticos e despenderem muito
tempo na avaliao, embora destaquem a viabilidade de tais mtodos com um nmero
mais conciso de recomendaes.
Caracteriza-se por ser um dos mtodos que apresenta um dos menores custos de
aplicao (JEFFRIES et al., 1991). O baixo custo decorre de diversos fatores: no
precisar ser, obrigatoriamente, aplicado por avaliadores especialistas em IHC; no
envolver usurios reais e consumir mnimo tempo durante as sesses de teste e,
posterior, tratamento dos dados. Por apresentar esta caracterstica, poderia ser
enquadrado como um dos mtodos de engenharia de usabilidade descontada, se no
fosse o fato de sua produtividade estar restrita abrangncia e a qualidade das
guidelines consideradas na avaliao.
De fato, embora apresente significativas vantagens, este tipo de avaliao muitas
vezes torna-se efetivamente pouco mencionado e utilizado, devido a restrita quantidade
de guidelines que abordem particularidades e caractersticas pertinentes a tipos
especficos de interface. Como constatado em (JEFFRIES et al., 1991), este mtodo
eficaz na deteco de problemas recorrentes e gerais, mas falho na identificao de
muitos problemas graves, que necessitariam de estudos mais aprofundados da interface,
guidelines mais especficas, ou mesmo, a participao de usurios e especialistas.
Outro aspecto interessante deste mtodo, alm do baixo custo, que os
avaliadores inspecionando a interface, por meio de guidelines ou questes adequadas ao
tipo de interface em avaliao, tendem a realizar avaliaes mais completas que em
outros mtodos, ou seja, efetuada uma avaliao abrangente e sistemtica de todas as
caractersticas, comportamentos e propriedades da interface e no apenas a deteco do
maior nmero de problemas, como ocorre em alguns casos de avaliao heurstica, onde
os resultados da avaliao muitas vezes sofrem a influncia das preferncias pessoais e
da forma como o avaliador percorre a interface.
Portanto, neste tipo de tcnica, ao contrrio da avaliao heurstica, a
qualidade da ferramenta (checklists ou guidelines) e no dos avaliadores, que
41
determinam as possibilidades e os resultados da avaliao. No caso dos checklists, se

bem elaborados devem produzir resultados uniformes e abrangentes, em termos de
identificao de problemas de usabilidade, pois os avaliadores so conduzidos no exame
da interface atravs de uma mesma lista de questes a serem consideradas.
Os resultados obtidos atravs dessa tcnica dependem da organizao e do
contedo, geral ou especfico, dessas ferramentas. Muitas vezes a sistematizao
prejudicada devido a questes subjetivas, que solicitam do inspetor um nvel de
competncia em usabilidade ou de conhecimento sobre o contexto que ele no possui.
Outras vezes a abrangncia das inspees prejudicada devido ao contedo incompleto
e organizao deficiente das listas (CYBIS, 2003).
3.2.4 Inspeo Formal de Usabilidade
A inspeo formal de usabilidade baseia-se na anlise de modelos (ou notaes
formais), que representam as tarefas, os usurios e/ou propriedades da interface. Atravs
deste tipo de avaliao podem ser examinadas questes como consistncia, carga de
trabalho (tempo de realizao das tarefas) e controle do usurio sobre o dilogo
proposto.
As inspees podem ser realizadas com o uso de modelos (ou notaes)
adaptadas de outras notaes usadas para especificao formal da aplicao ou criadas
especificamente para o desenvolvimento de projetos direcionados a rea de IHC.
Atravs desta tcnica, podem ser verificadas propriedades da interface sem
necessariamente o sistema estar implementado, h confiabilidade da verificao por se
tratar de um mtodo formal (com base matemtica) e, em geral, possibilita uma
abordagem orientada a tarefa. Porm, o desempenho da inspeo depende da qualidade
dos modelos ou notaes utilizadas e de avaliadores (ou projetistas) que saibam e
queiram utilizar especificaes formais. Pois, caracteriza-se como um mtodo custoso e
exaustivo, que exige relativa quantidade de tempo para realizao. Por estes motivos sua
aplicao mais indicada e vlida para sistemas com muito impacto envolvendo vidas
e/ou custo (por exemplo, para anlise de interfaces de sistemas para usinas nucleares,
controle de trafego areo e softwares espaciais).
3.2.5 Percurso Cognitivo
O Percurso Cognitivo um mtodo de inspeo de usabilidade baseado na teoria
cognitiva, que tem provado ser til no projeto de aplicaes que suportam o uso por
explorao. Esta tcnica identifica problemas de usabilidade por simular passo a passo o
comportamento do usurio na realizao de uma dada tarefa e por ter a equipe do
projeto respondendo um conjunto de questes a cada passo simulado (BLACKMON et
al., 2002).
O mtodo busca fornecer uma avaliao detalhada da interao do usurio com a
interface no processo de executar uma tarefa especfica, simulando os processos
envolvidos na soluo de problemas (WHARTON et al., 1994).
Conforme Wharton et al. (1994), a sesso de inspeo composta de duas fases:
a fase preparatria e a fase de anlise. Na fase preparatria, os avaliadores recebem
instrues sobre a tcnica, uma descrio detalhada da interface e da populao de
usurios, as tarefas a serem analisadas e a seqncia de aes para cada tarefa (a
seqncia que um usurio deve desempenhar com sucesso para completar a tarefa,
conforme as intenes do desenvolvedor).
42
Durante a fase de anlise, os avaliadores seguem as seqncias de aes e

determinam com que sucesso um dado usurio poder completar cada ao. Os
avaliadores criam uma estria de sucesso ou fracasso para cada passo. Uma estria de
fracasso representa falhas entre as intenes do projetista e do usurio, indicando
problemas de usabilidade e melhoramentos a serem feitos no projeto
(ALLENDOERFER et al., 2005). Estrias de sucesso representam sucesso em todos os
critrios analisados, enquanto estrias de fracasso esto relacionadas a falhas em um ou
mais critrios (WHARTON et al., 1994). Isto envolve explicar por que os usurios
enfrentariam ou no dificuldades durante a interao (PREECE et al., 2005).
Em particular, os analistas criam suas estrias considerando as seguintes
questes (WHARTON et al., 1994):
1) O usurio tentar alcanar o efeito (resultado) correto? (ou seja, o usurio saber o
que fazer para completar a tarefa?)
2) O usurio notar que a ao correta est disponvel?
3) O usurio associar a ao correta com o efeito que o usurio est tentando
encontrar?
4) Se a ao correta foi realizada, o usurio ver que progresso est sendo feito rumo a
soluo da tarefa?
Enquanto a avaliao realizada as informaes crticas (estrias de sucesso e
fracasso, requisitos de conhecimento do usurio, notas sobre problemas de usabilidade e
sugestes de mudana no projeto) devem ser registradas, utilizando-se cmeras de
vdeo, fitas de udio ou mesmo formulrios em papel.
O Percurso Cognitivo pode ser realizado individualmente ou em grupo
(WHARTON et al., 1994) (PREECE et al., 2005), sendo que para avaliaes em grupo
podem participar, por exemplo, especialistas em usabilidade, projetistas e engenheiros
de software. Cada membro da equipe deve ter um papel especfico: um age como
registrador, outro como facilitador e os demais com seus diferentes backgrounds.
Como este tipo de inspeo envolve a anlise detalhada de uma srie de tarefas,
geralmente, a anlise deve ser limitada a uma coleo razovel mas representativa de
tarefas. A questo crtica como selecionar essas tarefas representativas, pois uma
seleo de tarefas adequadas deve ser baseada em resultados de estudos, anlise de
necessidades e anlise de requisitos. Algumas destas tarefas devem representar as
operaes bsicas que um sistema pretende suportar, sendo que outras podem requerer a
combinao dessas operaes bsicas (WHARTON et al., 1994).
Estes mesmos autores enfatizam ainda que as questes utilizadas na fase de
anlise so apenas sugestes, no sendo requisitos absolutos. Portanto, tratam-se de
algumas diretrizes que o analista deve considerar durante a anlise dos cenrios, pois os
detalhes do que examinar podem variar de interface para interface.
Percurso Cognitivo pode ser utilizada durante todo o ciclo de vida do projeto;
permite identificar casos onde o sistema fornece informaes insuficientes para guiar o
usurio para a prxima ao correta, encontrando, assim, problemas que afetam o
desempenho do usurio; expe no apenas os problemas mas explicaes sobre estes
problemas, as quais podem ser teis ao re-projeto; encoraja os projetistas a confrontar
suas suposies com as intenes, necessidades e conhecimento dos usurios.
43
Contudo, trata-se de uma tcnica que consome muito tempo e esforo para
realizao, a abrangncia dos problemas encontrados est limitada aos cenrios
avaliados e essencial que o avaliador possua conhecimentos bsicos sobre teoria
cognitiva, para que melhores resultados sejam obtidos e tenha condies de estruturar a
tcnica para acomodar as necessidades de suas situaes individuais (WHARTON et al.,
1994).
3.2.6 Percurso Pluralstico
O Percurso Pluralstico uma inspeo realizada em grupo, onde usurios
representativos, desenvolvedores e especialistas em usabilidade percorrem juntos cada
passo envolvido nos cenrios (de cada tarefa), discutindo questes de usabilidade
associadas com elementos do dilogo envolvidos nos passos de cada cenrio (NIELSEN
e MACK, 1994a).
Este tipo de inspeo uma extenso do mtodo Percurso Cognitivo, tendo
caractersticas que buscam aumentar sua eficincia e utilidade. Entre elas:
inclui trs tipos de participantes: usurios representativos, desenvolvedores do

produto e profissionais de fatores humanos;
cenrios so definidos atravs de uma srie de painis da interface;
todos os participantes so solicitados a assumir o papel de usurios representativos;
os participantes, individualmente, devem anotar a seqncia de aes que tomariam

para mover-se de uma tela para outra (para a realizao da tarefa);
aps, todos os participantes terem realizado suas anotaes sobre um dado cenrio,
gera-se uma discusso sobre a seqncia de aes sugeridas, descobrindo-se assim
problemas de usabilidade.
Portanto, as sesses de inspeo so realizadas atravs do seguinte procedimento

(BIAS, 1994): 1) os participantes recebem instrues e regras sobre como devem
proceder e a descrio das tarefas e cenrios envolvidos; 2) um desenvolvedor apresenta
uma breve viso das caractersticas do produto e da interface; logo em seguida, as
rodadas de inspeo iniciam; 3) os participantes, individualmente e assumindo o papel
de usurios, so solicitados a analisar o primeiro cenrio (definido atravs de uma srie
de painis) anotando a seqncia de aes que tomariam para mover-se de uma tela para
outra (para a realizao da tarefa); 4) aps todos os participantes terem escrito suas
respostas, o administrador da inspeo anuncia a resposta correta; e 5) gera-se a
discusso na seguinte ordem primeiro os usurios representativos verbalizam suas
respostas e discutem problemas potenciais de usabilidade (enquanto os desenvolvedores
permanecem calados e o especialista em usabilidade facilita a discusso entre os
usurios), depois de encerrada a discusso entre os usurios, os especialistas em
usabilidade apresentam suas descobertas e opinies e os desenvolvedores oferecem seus
comentrios, registrando-se os problemas de usabilidade e as possveis solues
sugeridas ou encontradas em conjunto; 6) a avaliao passa para a prxima rodada de
telas. Esse processo continua at que todos os cenrios tenham sido inspecionados.
Os especialistas em usabilidade cumprem um importante papel, como
administradores da sesso de avaliao, ajudando a expressar os comentrios dos
usurios com sugestes que guiaro os desenvolvedores a realizarem melhoramentos na
usabilidade da interface.
44
O fato de vrios tipos de participantes serem envolvidos na avaliao conduz a

solues criativas e colaborativas, promove prticas de projeto participativo envolvendo
um equipe multidisciplinar e a combinao de mltiplas perspectivas e serve para
aumentar a validade das descobertas em consenso (BIAS, 1995). Alm destas
vantagens, uma tcnica que segue uma abordagem orientada s tarefas do usurio
(PREECE et al., 2005).
Entre as limitaes apresentadas pelo Percurso Pluralstico esto: exige um
tempo significativo para execuo, j que todos os avaliadores devem estar presentes na
mesma sesso; por conseqncia, a velocidade da inspeo segue o ritmo do
participante mais lento, e devido a essas restries de tempo, um nmero limitado de
cenrios podem ser examinados e, conseqentemente, algumas telas e aspectos da
interface no sero inspecionados.
3.2.7 Estudos de Campo
Estudos de campo (tambm conhecidos como workplace studies ou longitudinal
case studies) consistem da observao de usurios reais utilizando uma interface, por
dias ou semanas, em seu ambiente normal de trabalho.
Devido ao perfil dos usurios envolvidos e o contexto de realizao dos estudos,
constituem-se de uma fonte riqussima de informaes fornecendo resultados
significativamente diferentes daqueles obtidos quando usurios experimentais so
envolvidos na avaliao (VALIATI et al., 2008).
Contudo, como os demais mtodos de avaliao, tambm, apresenta limitaes
principalmente quanto ao tempo consumido para sua realizao e a capacidade de
replicao de seus resultados. Para que resultados possam ser generalizados, com maior
nvel de confiana e credibilidade, necessrio compilar mais evidncias atravs da
realizao de mltiplos estudos (SEO e SHNEIDERMAN, 2006), conforme proposto,
por exemplo, pelo mtodo Multi-dimensional In-depth Long-term Case Studies
(MILCs) para avaliao de ferramentas de visualizao de informaes
(SHNEIDERMAN e PLAISANT, 2006b).
No termo Multi-dimensional In-depth Long-term Case Studies, multidimensional refere-se ao uso de diferentes mtodos (por exemplo, entrevistas,
observaes, etc.) para avaliar a performance do usurio e a eficcia e utilidade de
interface. In-depth diz respeito ao intenso engajamento do pesquisador com os usurios
especialistas ao ponto de se tornar um parceiro ou assistente. Long-term consiste na
realizao de estudos longitudinais com usurios especialistas no domnio. Case studies
refere-se ao relato detalhado sobre um pequeno nmero de usurios (3 a 5 especialistas
no domnio) trabalhando em seus ambientes normais de trabalho, utilizando
visualizaes para analisar seus prprios dados.
O mtodo MILCs tem sido, originalmente, empregado por uma comunidade de
pesquisadores interessada em estudar ferramentas de suporte a criatividade
(SHNEIDERMAN et al., 2006a) e foi construdo com base em estudos de campo
usando mtodos etnogrficos de observao participativa e entrevistas.
Shneiderman e Plaisant (2006b), sugerem as seguintes guidelines para aplicao
do mtodo MILCs:
45
Especificar as questes de pesquisa e os objetivos que sero focados durante os

estudos, preferencialmente, focar a ateno em aspectos especficos da ferramenta e
seu uso;
Encontrar de 3 a 5 usurios reais, com variados objetivos e experincias fornecendo

assim diferentes perspectivas. No h necessidade que todos os estudos iniciem ao
mesmo tempo. Durante os estudos de campo, alguns usurios podem desistir de
participar. importante ser flexvel e auxiliar os usurios no que for preciso;
Documentar a verso da ferramenta sendo testada e possveis alteraes em seu

projeto;
Determinar o que constitui sucesso profissional aos usurios, quais so seus

objetivos e metas a serem atingidas;
Estabelecer um calendrio de observaes e entrevistas. O pesquisador deve ser

flexvel quanto a regularidade das visitas e o tempo de observao;
Obter permisso para realizar o registro das informaes a serem coletadas;
Fornecer aos usurios um meio atrativo para registrar comentrios, problemas e

compreenses obtidas durante o uso da ferramenta de visualizao. Encorajar os
usurios a utilizar a ferramenta entre as visitas de observao, registrando
dificuldades, frustraes e sucessos;
Prover treinamento inicial quanto ao uso da ferramenta. O pesquisador deve estar

sempre disponvel para esclarecer dvidas e auxiliar quando solicitado no que for
preciso;
Conduzir visitas e entrevistas. Durante o contato pessoal com os usurios solicitar

que eles reflitam quanto ao uso da ferramenta e as compreenses que desejam obter
dos dados sendo analisados, como tambm, investigar o uso de outras ferramentas
(incluindo papel e caneta) e uso colaborativo. Durante cada visita, o pesquisador
deve anotar imediatamente suas observaes, para assegurar que detalhes
importantes sejam registrados;
Encorajar os usurios a continuar utilizando a melhor ferramenta para realizao de

suas tarefas, para evitar que os usurios se sintam obrigados a utilizar a ferramenta
em avaliao enquanto outras rotineiramente usadas por eles poderiam ser mais
apropriadas;
Modificar a ferramenta quando necessrio ou auxiliar os usurios no que for preciso

para viabilizar o seu uso, por exemplo, se o formato dos dados no aceito pela
ferramenta pode ser vivel converter o formato manualmente. O pesquisador nestes
casos deve ser flexvel;
Documentar sucessos e falhas. Imediatamente, aps cada visita ou entrevista o

pesquisador deve refletir sobre as lies aprendidas e solicitar aos usurios que
confiram seus registros e relatrios resultantes das observaes de cada visita.

Com relao ao uso de tcnicas de avaliao de usabilidade algumas questes
devem ser consideradas: 1) diferentes tipos de interfaces exigem a utilizao de
diferentes tcnicas, adequadas a suas caractersticas; 2) avaliaes efetivas demandam
46
recursos fsicos, humanos e financeiros, e 3) necessrio o tratamento dos dados

resultantes das avaliaes, de preferncia, direcionados ao re-projeto.
Tais questes justificam-se devido s seguintes constataes: nenhuma tcnica
empregada isoladamente garante bons e confiveis resultados com relao a quantidade
e qualidade dos problemas de usabilidade potencialmente identificveis numa interface;
algumas tcnicas no so perfeitamente aplicveis a todas as situaes e os esforos e
custos envolvidos no uso de quaisquer tcnicas tornam-se praticamente sem efeito se
no houver um tratamento adequado dos dados resultantes das avaliaes.
Conforme ressalta Cybis (2003), cada tcnica de avaliao apresenta qualidades
diferentes em termos do tipo e quantidade de problemas identificveis, da
sistematizao de seus resultados, da facilidade de aplicao e das chances que seus
resultados apresentam de poder convencer os projetistas das necessidades de mudanas
nas interfaces, podendo ser classificadas com base nos seguintes critrios:
Efetividade: se refere quantidade de problemas srios (recorrentes, transponveis e

assimilveis) identificados. Segundo pesquisas realizadas por Jeffries et al. (1991),
as tcnicas mais efetivas so as avaliaes heursticas e os ensaios de interao;
Eficincia: a razo da quantidade de problemas srios (recorrentes, transponveis

e assimilveis) identificados frente a quantidade de problemas reais identificados de
todos os tipos. Conforme os mesmos autores, ensaios de interao indicada como
a tcnica mais eficiente;
Abrangncia: se refere quantidade de problemas reais de todos os tipos

identificados. As inspees por checklists e as avaliaes heursticas so as mais
abrangentes;
Produtividade: se refere a razo entre a quantidade de problemas reais de todos os

tipos identificados em relao a quantidade de recursos financeiros necessrios;
Sistematizao: para este critrio concorrem dois fatores igualmente importantes

repetitividade e reprodutibilidade. O primeiro refere-se medida pela qual os
resultados produzidos pela tcnica se repetem quando o mesmo avaliador examina
a mesma interface algum tempo depois da primeira avaliao. O segundo fator se
refere a medida pela qual dois avaliadores diferentes examinando a mesma
interface produzem os mesmos resultados. Neste sentido, as inspees por
checklists so as mais sistemticas;
Facilidade de aplicao: se refere a qualidade da tcnica de no exigir formao ou

competncias especficas para sua realizao. Neste caso, as inspees por
checklists so consideradas de maior facilidade de aplicao;
Poder de persuaso: se refere a qualidade da tcnica de produzir resultados capazes

de convencer os projetistas da gravidade dos problemas de usabilidade
identificados. Os ensaios de interao e as avaliaes heursticas so as mais
persuasivas;
Poder de desobstruo: se refere qualidade da tcnica produzir indicaes de

melhorias na usabilidade da interface em avaliao. Conforme Molich et al. (2007),
enquanto h substancial literatura em como conduzir avaliaes de usabilidade
pouca ou nenhuma ateno tem sido dada em como transformar os problemas de
usabilidade em recomendaes teis e usveis, que levem a mudanas na interface.
47
Para finalizar, cabe salientar que vrios autores (HIX e HARTSON, 1993) (DIX
et al., 1998) (PREECE et al., 2005) defendem que a obteno de interfaces com
melhores nveis de usabilidade depende da utilizao integrada de:
a) um conjunto adequado e integrado de tcnicas de avaliao complementares;
b) uma abordagem de projeto centrada no usurio;
c) conhecimentos e experincias de diferentes disciplinas;
d) uma metodologia interativa e iterativa.
48
4 AVALIAO DE TCNICAS DE VISUALIZAO DE

INFORMAES MULTIDIMENSIONAIS
Este captulo apresenta uma reviso bibliogrfica de trabalhos relacionados a

avaliao de tcnicas de VisIM, procurando fornecer ao leitor um panorama das
pesquisas direcionadas a soluo deste problema. Relaciona-se os trabalhos que tratam
de avaliao de tcnicas de VisIM, subdividindo-os em: 1) trabalhos direcionados
questo de avaliao, mas que no envolvem o emprego de tcnicas de IHC ou a
participao de usurios; 2) trabalhos que tratam, de forma mais significativa, sobre a
avaliao de usabilidade e 3) trabalhos direcionados a definio de taxonomia de
tarefas.
Dentre os motivos que conduziram escolha desses trabalhos esto: 1) o fato de
serem publicaes bem referenciadas; 2) os dados serem relativos avaliao de
tcnicas de VisIM, mesmo tipo de visualizaes tratado nesta tese; ou 3) por utilizarem
alguma estratgia de avaliao, ou a associao de avaliao de uso a outras iniciativas
no sentido de obterem melhores resultados. Nas sees 4.1 e 4.2, para cada trabalho
relatado, desde que os dados estejam disponveis, so abordados: as tcnicas de
visualizao analisadas, os dados empregados, o tipo de avaliao realizada (forma
como foi conduzida) e os resultados obtidos.
4.1 Trabalhos com critrios quantitativos ou subjetivos

Keim et al. (1994) foram alguns dos primeiros autores a tratar da questo de
avaliao de tcnicas multidimensionais. Com o objetivo de medir a efetividade de
sistemas de visualizao de dados, Keim et al. escreveram um modelo para a gerao de
dados de teste, que pudesse ser empregado em testes padronizados e quantitativos do
desempenho de um sistema. Neste modelo, os conjuntos de dados so construdos a
partir de especificaes que permitam identificar agrupamentos em dados que possuem
diferentes caractersticas.
Os autores argumentam que a grande vantagem de gerar conjuntos de dados de
forma artificial a possibilidade de poder variar suas caractersticas arbitrariamente (por
exemplo, o coeficiente de correlao entre duas dimenses, a mdia e varincia dos
valores de algumas dimenses, a localizao, o tamanho e forma dos agrupamentos,
etc.), pois a variao de caractersticas dos dados, de uma maneira controlada, pode
ajudar a definir os pontos fracos e fortes na avaliao de diferentes tcnicas de
visualizao.
Em trabalho subseqente, Keim e Kriegel (1996) utilizam dados reais de uma
aplicao de biologia molecular e um conjunto de dados de teste gerado artificialmente
(de acordo com o modelo por eles proposto), para avaliar a percepo de propriedades e
49
correlao dos dados em tcnicas orientadas a pixel, comparando informalmente seus

desempenhos com as visualizaes dos mesmos dados, geradas com as tcnicas de
Coordenadas Paralelas e Stick Figures.
Neste trabalho, os autores demonstram que ambas as tcnicas propostas,
orientadas a pixel, so teis para a visualizao de vrias caractersticas e so superiores
s outras tcnicas com respeito quantidade de dados que podem ser visualizados ao
mesmo tempo na tela.
Em outra publicao, expressando sua opinio, obtida atravs do conhecimento e
experincia com diversas tcnicas, Keim (1997) tenta traar um quadro comparativo de
17 tcnicas, baseando-se em suas capacidades em termos de: 1) caracterstica dos dados
(nmero mximo de atributos de dados, nmero mximo de itens de dados, capacidade
de manusear dados categricos), 2) tarefas suportadas (clusterizao e multivariate hot
spot) e 3) caractersticas da visualizao (sobreposio visual e curva de aprendizagem).
Contudo, argumenta que muitas das taxas de desempenho apresentadas so discutveis e
amplamente dependentes dos dados considerados, das tarefas de explorao propostas e
da experincia do usurio.
Hoffman (1999) tentou avaliar quantitativamente a visualizao de dados
tabulares atravs da definio de uma grade X-Y de utilizao da tela, onde cada
elemento da grade cobria um pixel e continha uma lista de todos os registros de dados
que causaram sua ativao. Com base nestas informaes, um conjunto de mtricas foi
calculado em relao sobreposio e utilizao da tela e outras foram estimadas a
partir das primitivas grficas utilizadas nas visualizaes (HOFFMAN et al., 2000).
Desta forma, dois tipos de estatsticas de sobreposio puderam ser calculados:
sobreposio de espao e objeto.
Hoffman produziu diversas visualizaes usadas para testar algoritmos de
minerao de dados e avaliar suas efetividades para detectar limiares, agrupamentos ou
padres de interesse presentes nos dados. Todavia, seus experimentos no foram
extensivos e formais o suficiente para serem conclusivos com referncia a utilidade
dessas mtricas para uma seleo a priori das tcnicas potencialmente mais efetivas
para uma situao particular (OLIVEIRA e LEVKOWITZ, 2003).
Grinstein et al. (2003) discutem uma srie de questes a serem consideradas no
desenvolvimento de uma abordagem para avaliar tcnicas de visualizaes
multidimensionais utilizadas na minerao de dados; sugerem um conjunto de critrios
bsicos, medidas e tarefas e comparam 5 tcnicas de visualizaes multidimensionais,
utilizando 9 bases de dados e um conjunto de 7 tarefas.
Segundo os autores, as tcnicas de visualizao podem ser julgadas com base em
critrios relacionados: 1) aos dados, com respeito ao tipo e quantidade de dados que
podem ser manipulados e 2) as interaes humanas, incluindo nvel de interatividade,
facilidade de uso e expresso, tipos de interao que podem ser suportadas, qualidade
interativa e as capacidades perceptuais dos usurios. Conseqentemente, diferentes tipos
de medidas podem ser considerados em uma avaliao: medidas baseadas na tecnologia,
nas tarefas e nos usurios. Outro componente importante a definio das tarefas e um
conjunto comum de dados para teste.
Neste trabalho, para efeito de comparao, os autores analisaram 5 tcnicas
multidimensionais: Coordenadas Paralelas, Matriz de Scatterplots, Survey Plot,
Segmentos de Crculo e Radviz, utilizando para isso 9 conjuntos de dados (selecionados
50
pelos critrios tamanho e aumento de complexidade) e as seguintes tarefas: detectar

desvios, perceber agrupamentos, encontrar classes de agrupamentos, visualizar todas as
caractersticas importantes, visualizar algumas caractersticas importantes, observar
possveis regras/modelos e perceber regras/modelos precisos.
Nesta comparao, em certos conjuntos de dados algumas tcnicas apresentaram
melhor desempenho na maioria das tarefas, enquanto outras se mostraram superiores em
algumas tarefas, independente do conjunto de dados representado.
4.2 Trabalhos empregando mtodos de IHC

Pirelli e Rao (1996) relatam uma avaliao realizada com a tcnica Table Lens
em comparao com a ferramenta grfica Splus, ambas direcionadas a anlise
exploratria de dados (Exploratory Data Analysis - EDA). Table Lens (RAO e CARD,
1994) uma tcnica interativa para a visualizao foco+contexto de dados
multidimensionais, cuja representao grfica equivalente a uma tabela relacional,
onde as linhas correspondem aos itens de dados e as colunas as dimenses. Para
variveis quantitativas um grfico de barras utilizado para representar a distribuio
dos valores; ou seja, o comprimento das barras proporcional ao tamanho relativo dos
valores representados. Splus (BECKER et al., 1983) um ambiente de anlise de dados
baseado num modelo de ambiente de programao interpretativa, onde os dados
multidimensionais podem ser visualizados atravs de uma Matriz de Scatterplots.
Utilizando a metodologia GOMS3, Pirelli e Rao (1996) estabeleceram os
mtodos envolvidos para completar duas tarefas EDA tpicas: 1) avaliar as propriedades
de uma parte dos dados, incluindo valores centrais, extremos, disperses e simetrias; e
2) descobrir relacionamentos entre as variveis observadas. Estimaram, tambm, o
tempo consumido para complet-las, em ambas as tcnicas de visualizao analisadas.
Posteriormente, estas estimativas de tempo foram comparadas aos tempos gastos por um
dos autores para completar as tarefas nas duas visualizaes analisadas (atravs de
pequenos experimentos auto-cronometrados).
Esta anlise revelou que Table Lens teve um desempenho semelhante
ferramenta Splus, porm por possuir operadores de manipulao direta e a organizao
familiar em forma de tabela proporcionaram um suporte maior as tarefas EDA.
Kobsa (2001) descreve uma comparao emprica de trs sistemas para a
visualizao de dados multidimensionais: Eureka, Infozoom e Spotfire. Eureka oferece a
visualizao de dados atravs da tcnica Table Lens, seguindo um paradigma de
representao foco+contexto. Infozoom (SPENKE e BEILKEN, 1999) apresenta os
dados no formato de tabela, em trs diferentes vises, com linhas representando as
dimenses e as colunas os itens de dados. Spotfire (AHLBERG e WISTRAND, 1995)
disponibiliza como visualizao principal a tcnica Scatterplots, mas os usurios podem
selecionar outros tipos de representaes para visualizar os dados (como diversos tipos
de grficos: histogramas, pizzas, etc.).
O objetivo do experimento foi determinar se a soluo das tarefas nos trs
sistemas poderia diferir com respeito ao tempo e exatido das solues. Trs diferentes
3
GOMS (Goals, Operators, Methods, and Selection Rules) corresponde a um formalismo para
descrio de interfaces, que permite a caracterizao e anlise de mtodos para a realizao de
tarefas (CARD et al., 1983).
51
bases de dados foram usadas no experimento: dados de clientes (com 60 itens de dados
e 27 dimenses), dados sobre carros (com 406 itens e 10 dimenses) e dados referentes
a concentrao de metais pesados (com 2298 itens e 14 dimenses). As tarefas foram
selecionadas e geradas considerando se seriam ou no interessantes e poderiam ocorrer
de forma natural na anlise dos respectivos conjuntos de dados, 26 tarefas foram
selecionadas ao total (10 para o domnio clientes, 9 para o domnio carros e 7 para o
domnio ambiente).
Oitenta e dois usurios participaram do experimento, todos estudantes dos
cursos de Cincia da Informao, Cincia da Computao ou Engenharia, com no
mnimo um ano de experincia no trabalho com computadores e nenhuma experincia
anterior no uso de sistemas de visualizao. Os estudantes foram randomicamente
selecionados para utilizar um dos trs sistemas, atravs do qual precisavam solucionar
as 26 tarefas envolvendo as trs bases de dados.
Os experimentos ocorreram em laboratrio, onde os estudantes em grupo
receberam treinamento de 30 minutos no sistema e nas bases de dados utilizadas.
Durante os experimentos, para cada base de dados, foi dado aos estudantes 30 minutos
para solucionar cada tarefa. Os estudantes escreveram suas respostas em folhas de
papel. Suas interaes foram registradas em vdeo e por software de captura de tela. No
final do experimento, os estudantes completaram um breve questionrio de usabilidade.
O nvel de exatido na soluo das tarefas, pelo usurio, foi medido com base na
anlise de suas respostas e o tempo para completar cada tarefa foi medido atravs da
avaliao dos registros de tela e vdeo. A mdia de tempo para completar cada tarefa foi
de 32% a 38% menor para os usurios do sistema Infozoom. Mas, os usurios do
sistema Spotfire forneceram respostas mais corretas (4% a mais em relao aos usurios
do Eureka e 7% a mais em relao aos usurios do Infozoom).
O questionrio de usabilidade (cujas questes no foram publicadas) no
produziu nenhum resultado conclusivo e significativo. Contudo, alguns problemas de
interao puderam ser observados durante a utilizao dos trs sistemas pelos usurios.
A conduo dos experimentos tambm demonstrou que o sucesso de um sistema de
visualizao depende de muitos fatores, incluindo as propriedades de uma visualizao,
a implementao concreta de um paradigma de visualizao e os problemas de
usabilidade independentes da visualizao.
Em outro estudo emprico (MARK et al., 2002), Kobsa e outros autores
avaliaram novamente a utilizao dos sistemas Infozoom e Spotfire, usando uma das
bases de dados do experimento anterior, com o objetivo de investigar se (e como) a
tomada de decises colaborativa e individual sobre as informaes difere quando
diferentes sistemas de visualizao so usados.
Participaram do experimento 100 estudantes de Informtica, Cincia da
Computao ou Engenharia, com experincia de pelo menos um ano no uso de
computadores. Foram escolhidos dois tipos de tarefas para teste, uma questo focada e
uma tarefa de descoberta livre. A primeira tarefa pedia aos participantes que usassem a
base de dados para responder 10 questes especficas, as quais possuam somente uma
resposta correta. Na segunda tarefa tinham 40 minutos para descobrir informaes
(conhecimentos) relevantes atravs da explorao livre dos dados. Na primeira tarefa,
foi medida a preciso das respostas, com base nas respostas escritas pelos usurios e na
segunda tarefa foram considerados o nmero, a exatido e a significncia dos achados,
52
baseados na descrio das respostas.

Os usurios foram randomicamente destinados a uma das seguintes condies
combinadas de sistema (Infozoom ou Spotfire) e tipo de interao: 1) individual; 2)
remota, com sujeitos trabalhando em salas separadas interagindo via software de
comunicao ou 3) em duplas, trabalhando lado a lado. Em todas as condies, os
sujeitos receberam anteriormente 30 minutos de treinamento nos sistemas e base de
dados.
Em geral, os usurios tiveram poucas dificuldades no uso dos sistemas para
realizar as tarefas. No caso da tarefa 1, as interaes em grupo geraram respostas mais
corretas do que o trabalho individual e a utilizao de Infozoom resultou em respostas
mais corretas comparadas as respostas com Spotfire. Na tarefa de descoberta livre, as
interaes em grupo resultaram em respostas mais exatas somente durante a utilizao
do Infozoom. Estes resultados sugerem que dado um sistema de visualizao adequado,
grupos encontram respostas mais exatas que indivduos sozinhos, mas no
necessariamente respostas melhores e mais significativas.
Lee et al. (2003) conduziram uma avaliao emprica de Faces de Chernoff,
Glifos em Estrela e dois tipos de visualizaes espaciais (semelhantes a Scatterplots),
com o objetivo de comparar a habilidade dessas quatro visualizaes em auxiliar as
pessoas a responder questes significativas sobre conjuntos de dados binrios.
Os dados binrios usados neste estudo referem-se a base de dados
multidimensionais, cujas dimenses definem ou podem ser expressas atravs da
presena ou ausncia de certas propriedades ou caractersticas. As visualizaes
espaciais representam objetos como pontos em espaos multidimensionais, geralmente,
de forma que objetos que so mais similares so localizados prximos uns dos outros.
Este estudo foi restrito a considerar dois tipos de similaridades: 1) a abordagem comum,
onde a similaridade dos objetos calculada como o nmero de caractersticas ou
propriedades que eles tem em comum e 2) a abordagem distinta, onde a similaridade
calculada como o nmero de caractersticas ou propriedades que os objetos possuem ou
no em comum.
Quatro conjuntos diferentes de dados binrios foram usados para testar as
visualizaes: atores de filme, gneros de filme, pases e seus produtos e animais. Esses
domnios foram escolhidos por conterem dimenses, cujos dados poderiam ser
expressos de forma binria e poderiam ser compreendidos sem necessidade de
conhecimento especializado. Um conjunto de 8 questes foi projetado para cada
conjunto de dados, considerando duas classes fundamentais de questes: 1) questes
locais, que envolvem a anlise de somente parte dos dados e 2) questes globais, que
necessitam considerar o conjunto inteiro dos dados, para assegurar uma resposta correta.
Participaram do experimento 32 usurios (24 homens e 8 mulheres), com idades
entre 21 e 59 anos e experincia variada no uso de visualizaes. Os experimentos
foram conduzidos individualmente na presena de um observador, que registrou o
tempo consumido para responder cada questo. As questes foram apresentadas no
formato impresso e as visualizaes em pginas separadas junto com um pargrafo de
instrues. Os usurios poderiam responder as questes em qualquer ordem e
consumindo o tempo que fosse necessrio. Foi solicitado, tambm, aos participantes que
indicassem o nvel de confiana com relao a resposta de cada questo.
Como forma de comparar o desempenho das visualizaes, as mtricas
53
utilizadas neste experimento foram: exatido, nvel de confiana e tempo consumido na

soluo de cada questo. Os resultados demonstraram que a visualizao espacial
comum foi a que apresentou melhor desempenho, principalmente, na resoluo das
questes globais. Ambas as visualizaes de glifos levaram a respostas mais lentas e
inexatas para questes globais e os participantes relataram baixo nvel de confiana no
uso dessas visualizaes.
Os autores sugerem que pesquisas adicionais precisam ser feitas para determinar
se visualizaes espaciais so mais efetivas para dados com baixas dimenses e
visualizaes de glifos so necessrias para a anlise de dados com altas dimenses,
devido a sua capacidade de generalizao. Como tambm, que tipo de visualizao
mais adequado para diferentes domnios de aplicao.
Gonzles e Kobsa (2003) conduziram um estudo de caso longitudinal
envolvendo analistas de dados administrativos utilizando a ferramenta Infozoom
(SPENKE e BEILKEN, 1999), com o objetivo de verificar fatores relacionados a
adoo de sistemas de visualizao de informaes comerciais.
Participaram do estudo 5 usurios (analistas de dados) que rotineiramente
analisavam grande quantidade de informaes, como parte de suas atividades e
responsabilidades de trabalho, e provavelmente seriam beneficiados com o uso de
sistemas de visualizao.
Os autores, antes de iniciar o estudo, realizaram uma entrevista com todos os
participantes a fim de se familiarizar com os usurios, compreender suas
responsabilidades, ferramentas que eles utilizam, processos que esto envolvidos e
demais prticas de trabalho. Aps a entrevista, os analistas receberam um treinamento
de 90 minutos quanto ao uso da ferramenta a ser avaliada.
Os analistas de dados utilizaram a ferramenta de visualizao por 6 semanas em
seu local de trabalho, durante este tempo recebiam uma vez por semana a visita de um
dos avaliadores que realizava, novamente, com eles uma entrevista de 25 a 45 minutos
atravs da qual os usurios relatavam suas experincias usando o sistema e recebiam
ajuda caso necessrio. No final do estudo, foi solicitado aos usurios que avaliassem a
utilidade e facilidade de uso da ferramenta.
Atravs do estudo, os autores descobriram que: 1) os analistas de dados sempre
tm questes analticas em mente quando exploram seus dados, eles j sabem
antecipadamente o que eles querem checar no explorando os dados aleatoriamente; 2)
eles precisam preparar relatrios contendo resultados da anlise para eles prprios e
para mostrar a outras pessoas; 3) necessitam integrar as funcionalidades do sistema de
visualizao a outras ferramentas que rotineiramente utilizam; 4) evidncias visuais no
so suficientes, os analistas precisam dar suporte a seus encontros com certo nvel de
significncia estatstica e 5) necessitam, tambm, importar e exportar situaes
visualizadas que conduziram a certos resultados.
Saraiya, North e Duca (2005) propuseram uma metodologia baseada em
compreenso para avaliar visualizaes de dados de bioinformtica. Atravs de uma
definio e caractersticas de compreenso, os autores avaliaram cinco ferramentas de
visualizao de microarray com relao quantidade, tipos de compreenso e o tempo
necessrio para adquir-las.
Considerando que o principal propsito de uma tcnica de visualizao gerar
54
compreenso sobre os dados, os autores em trabalho anteriormente publicado em

(SARAIYA et al., 2004) desenvolveram um protocolo para avaliao que foca no
reconhecimento e quantificao de compreenses obtidas do uso exploratrio de
ferramentas de visualizao de microarray.
Inicialmente, para chegarem a uma definio sobre compreenso e algumas
caractersticas quantificveis, foi realizado um estudo piloto com cinco usurios, no
qual atravs da explorao livre das ferramentas e base de dados puderam observar
como os usurios reconheciam e categorizavam as informaes obtidas de dados de
microarray usando ferramentas de visualizao com treinamento limitado.
Desta forma, definiram compreenso como qualquer observao individual
(unidade de descoberta) mencionada pelos usurios sobre os dados e relacionaram as
seguintes caractersticas quantificveis (SARAIYA et al., 2004):
Observao: quantidade de observaes distintas mencionadas pelos usurios;
Tempo: quantidade de tempo necessria para chegar as devidas compreenses;
Valor do domnio: o valor, a importncia, a significncia da compreenso, atribudo
por um especialista no domnio numa escala de 1 a 5, onde para observaes triviais
so atribudos os valores 1 ou 2, para compreenses sobre um processo particular
atribudo 3 e para compreenses que confirmem, neguem ou criem uma hiptese so
atribudos os valores 4 ou 5;
Hipteses: compreenses que levem os usurios a identificar novas hipteses e
direes para pesquisa;
Direta ou inesperada: compreenses diretas respondem questes especficas que os
usurios desejam obter uma resposta e compreenses inesperadas dizem respeito a
descobertas adicionais que no esto, especificamente, sendo buscadas;
Correteza: observaes corretas ou incorretas resultantes da interpretao das
visualizaes, codificadas por um especialista na rea de visualizaes e um
especialista no domnio dos dados;
Largura e profundidade: compreenses em largura apresentam vises gerais sobre os
processos e compreenses em profundidade so mais focadas e detalhadas;
Categoria: classes de compreenso, no caso dos dados de bioinformtica foram
identificadas quatro categorias (viso geral da distribuio da expresso gentica,
padres com base na identificao ou comparao de atributos, grupos atravs da
identificao ou comparao de grupos de genes e detalhes sobre genes especficos).
Aps o estudo piloto, foi realizado um experimento de avaliao no qual
participaram 30 usurios (10 especialistas no domnio dos dados, 11 novatos no
domnio e 9 desenvolvedores de aplicaes envolvendo microarray) que foram
randomicamente destinados a utilizar uma ferramenta e uma base de dados.
Trs diferentes bases de dados foram usadas no experimento: um conjunto de
dados sobre genes com atributos temporais (contendo 1060 itens e 7 dimenses), um
conjunto de dados sobre genes e condies virais (contendo 861 itens e 5 dimenses) e
outro conjunto de dados sobre genes contendo informaes sobre amostras positivas e
negativas de Lupus (com 170 itens e 90 dimenses).
As ferramentas analisadas foram selecionadas com base na sua popularidade e
55
disponibilidade, sendo elas: Cluster/ Treeview, TimeSearcher, Hierarchical Clustering

Explorer (HCE), Spotfire e GeneSpring. Todas as ferramentas forneciam diferentes
tipos de visualizaes (incluindo Coordenadas Paralelas, Matriz de Scatterplots,
histogramas, heat-map, grficos, etc.) e a maioria possua recursos para a coordenao
das mltiplas visualizaes.
Antes de iniciar a anlise dos dados atravs do uso da ferramenta, os usurios
receberam uma descrio sobre o conjunto de dados e um tutorial de 15 minutos sobre a
ferramenta a ser utilizada. Em seguida foi solicitado que os usurios registrassem
algumas questes especficas que eles gostariam de responder sobre os dados
analisados. Depois, foram instrudos a iniciar o experimento, explorando de forma livre
os dados com a ferramenta a qual foram destinados at que sentissem no encontrar
nenhuma compreenso adicional. Enquanto trabalhavam, os usurios eram solicitados a
comentar suas observaes, inferncias e concluses, aproximadamente de 10 a 15
minutos. Tambm eram solicitados a estimar a porcentagem de compreenso potencial
que eles haviam obtido sobre os dados. Finalizada a anlise dos dados, deveriam avaliar
a experincia de uso da ferramenta, incluindo dificuldades e benefcios (SARAIYA et
al., 2005).
Todas as sesses foram registradas em vdeo e posteriormente analisadas, para a
identificao e codificao de todas as ocorrncias individuais de compreenso. Os
resultados so apresentados com base nas caractersticas quantificveis, como tambm,
na compreenso por conjuntos de dados, curvas de compreenso (nmero mdio de
compreenses e porcentagem mdia da compreenso potencial estimada pelos usurios
com relao ao tempo), preferncia dos usurios com relao a algumas visualizaes,
comentrios finais dos participantes sobre a experincia com as ferramentas e diferena
de desempenho dos usurios com base em seu background.
Saraiya, North e Duca (2005) afirmam que a definio de compreenso e a
metodologia apresentada so independentes do domnio e podem ser aplicadas a
cenrios similares de anlise de dados em outros domnios. Todavia, argumentam que o
mtodo no substitui a necessidade da realizao de experimentos controlados com uso
de tarefas de referncia.
Os autores colocam, ainda, que esta metodologia embora promissora apresenta
as seguintes dificuldades: consome bastante tempo e esforo para realizao, requer
especialistas no domnio tanto para usar a tcnica de visualizao quanto para analisar
posteriormente as observaes, requer usurios motivados e um tempo maior de
observao do uso das visualizaes, de forma a refletir o uso realstico de
visualizaes.
Lanzenberger, Miksch e Pohl (2005) relatam um experimento de avaliao, no
qual comparam duas tcnicas de visualizao multidimensional, Stardinates
(LANZENBERGER et al., 2003) e Coordenadas Paralelas, buscando responder as
seguintes indagaes: Os usurios so capazes de obter informao na primeira vez que
vislumbram a visualizao de seus dados? Os usurios so capazes de encontrar
informao crucial? Qual visualizao suporta a criao de hipteses?
Stardinates uma tcnica hbrida que combina caractersticas de projeo
geomtrica e glifos, semelhante a Coordenadas Paralelas Circulares. As dimenses so
dispostas num formato circular, formando um grfico em estrela. Contudo cada item de
dado mapeado para visualizaes distintas, de modo que cada glifo represente um item
de dado com suas n-dimenses.
56
Baseados em um estudo piloto com cinco usurios, os autores elaboraram o

experimento principal de avaliao envolvendo 22 usurios, sendo 10 homens e 12
mulheres com idades entre 20 e 45 anos, todos com diferentes nveis de conhecimento
em Cincia da Computao ou Sistemas de Informao e nenhuma experincia no
domnio dos dados. A tcnica Stardinates foi avaliada 10 meses antes de Coordenadas
Paralelas, isto assegurou que os usurios no uso da segunda tcnica no foram
influenciados pelo uso da primeira.
Os dados mapeados possuam 5 itens contendo 10 dimenses, correspondendo a
informaes sobre psicoterapeutica de 5 pacientes coletadas em trs perodos de tempo.
Durante o uso das tcnicas foi observado o tempo consumido pelos usurios, para usar
cada visualizao e responder as seguintes questes correspondentes aos dados sendo
analisados: 1) H quaisquer caractersticas destacadas nos dados? 2) Quais propriedades
da visualizao ajudaram voc a examinar os dados? Que informaes voc obteve? e
3) Que desafios/problemas ocorreram enquanto interpretava a visualizao?
As respostas foram categorizadas com base nos seguintes tipos de declarao,
definidas pelos avaliadores: comparao entre pacientes, viso geral sobre o estado de
um paciente, mudanas da condio do paciente sobre o tempo, exame de um nico
atributo, concluso geral sobre todos os pacientes, dependncias causais entre os
atributos analisados e nenhuma declarao relevante. Aps, as declaraes feitas foram
comparadas por um especialista no domnio dos dados, para verificar se os usurios
foram capazes de chegar a concluses relevantes sobre os dados.
No houve diferena estatisticamente significativa com relao ao tempo
consumido no uso de cada tcnica de visualizao. Os demais dados analisados
revelaram que os usurios apresentaram um desempenho melhor utilizando Stardinates,
produzindo uma quantidade maior de declaraes nas categorias predefinidas e
similares as fornecidas pelo especialista no domnio. Desta forma, Stardinates revelou
ser uma tcnica mais apropriada para a interpretao em detalhes de dados altamente
estruturados enquanto Coordenadas Paralelas apresenta vantagens para obter uma rpida
viso geral sobre os dados (LANZENBERGER et al., 2005).
Seo e Shneiderman (2006) realizaram estudos de caso longitudinais (envolvendo
observao participativa e entrevistas) com o objetivo de avaliar aspectos positivos e
negativos da ferramenta Hierarchical Clustering Explorer HCE.
HCE foi projetada para anlise de dados multivariantes, especialmente, para
conjuntos de dados de microarray, embora possa ser utilizada para anlise de
informaes em outros domnios. A ferramenta possibilita a representao dos dados
atravs de mosaico de cores, dendrograma, histograma 1D, scatterplots 2D,
coordenadas paralelas, viso tabular e um Gene Ontology viewer, oferecendo para cada
tipo de representao, diversos recursos de interao.
Participaram do estudo 3 usurios especialistas no domnio (um bilogo, um
estatstico e um meteorologista), que utilizaram a ferramenta para anlise de seus
prprios conjuntos de dados, por um perodo de 8 semanas. Salientam os autores que
todos os usurios estavam motivados, no tinham utilizado qualquer ferramenta de
explorao de dados semelhante a HCE, possuam suas ferramentas favoritas de
pesquisa e anlise e estavam na fase inicial da anlise.
No primeiro encontro com os usurios foi realizado um treinamento quanto ao
uso da ferramenta HCE. Os principais mtodos utilizados, durante o estudo, foram
57
observao participativa e entrevistas. Aps o encontro inicial, foi realizado um

encontro semanal com cada participante, de aproximadamente 30 minutos, durante o
qual o avaliador entrevistava o usurio e observava suas interaes com a ferramenta
HCE, registrando suas solicitaes de melhorias na interface, discutindo problemas e
encontros com relao aos dados, assim como, auxiliando no que fosse necessrio.
Depois de cada encontro, os usurios eram incentivados a usar a ferramenta em
seu trabalho dirio, podendo contactar os avaliadores por email ou conversas por
telefone. No final de cada estudo, foi solicitado que cada participante escrevesse um
pequeno relatrio sobre sua experincia no uso da ferramenta.
As observaes e entrevistas eram focadas nos seguintes aspectos:
Como HCE melhora o meio que os usurios analisam conjuntos de dados
multivariantes?
Como o componente score overview ajuda os usurios a identificar projees
interessantes?
Como o browser histograma/scatterplot ajuda os usurios a cruzar projees?
Quais so os mais frequentemente usados critrios de ranqueamento?
Identifique possveis melhoramentos em HCE e rank-by-feature framework.
Aps o estudo, os autores concluram que a ferramenta HCE capacitou os
usurios a analisar seus conjuntos de dados de forma satisfatria. Como tambm, que a
realizao de estudos longitudinais com usurios motivados possibilita verificar com
mais preciso como as ferramentas apiam efetivamente as atividades de anlise. Os
encontros regulares e a comunicao por email foram meios importantes para segurar
aos participantes que os avaliadores eram parceiros de pesquisa e que no estavam
meramente usando eles como sujeitos de teste. Assim sugestes valiosas de
melhoramentos na interface foram feitas pelos participantes.
Mazza (2006) relata sua experincia de avaliao de uma aplicao chamada
COURSEVIS, desenvolvida para dar suporte a instrutores de cursos distncia
baseados na Web. A aplicao utiliza vrias representaes grficas, entre elas
scatterplots, que podem ser exploradas e manipuladas pelos instrutores para analisar
informaes sociais, cognitivas e comportamentais dos estudantes.
Para avaliao da aplicao foram utilizadas as tcnicas: focus groups,
experimentos controlados e entrevista semi-estruturada. No artigo, o autor relata apenas
sua experincia com focus groups descrevendo e discutindo alguns problemas de uso
encontrados atravs desta tcnica.
Focus groups uma tcnica que se baseia em reunir um grupo de usurios
representativos para discutir questes sobre caractersticas do sistema sendo avaliado. A
reunio conduzida por um moderador que tem o papel de facilitar a interao entre o
grupo e focar a discusso nas questes a serem investigadas (NIELSEN, 1994a).
O autor destaca a importncia de realizar avaliaes de usabilidade empregando
um conjunto complementar de tcnicas de IHC, pois resultados diferentes foram
encontrados atravs de cada tcnica de avaliao utilizada.
Rester et al. (2006) empregaram diferentes tcnicas (avaliao heurstica, relatos
de compreenso, focus groups, log files e entrevistas) para avaliar a ferramenta
58
GRAVI++, a qual, semelhante a Stardinates, foi desenvolvida especificamente para

acompanhar a psicoterapia de pacientes com anorexia.
Para avaliao de usabilidade atravs da avaliao heurstica foram utilizadas as
heursticas propostas por Nielsen (1994a). No artigo os autores do mais nfase as
avaliaes feitas atravs de relatos de compreenso, focus groups e log files que foram
utilizadas para avaliar outras caractersticas da ferramenta de visualizao.
Concluem o trabalho citando a relevncia do uso combinado de tcnicas de
avaliao, para que resultados mais significativos possam ser encontrados quanto ao uso
e utilidade dos sistemas de visualizao.
Shneiderman e Plaisant (2006) sugerem a utilizao do mtodo MILCs como
uma importante estratgia para avaliar ferramentas de visualizao de informaes.
Conforme descrito na seo 3.2.7, o mtodo MILCs (Multi-dimensional In-depth Longterm Case Studies) consiste da realizao de estudos longitudinais com 3 a 5 usurios
especialistas no domnio, trabalhando em seus ambientes normais de trabalho,
utilizando visualizaes para analisar seus prprios dados. Durante o estudo, o avaliador
deve manter um intenso engajamento com os usurios especialistas, ao ponto de se
tornar um parceiro ou assistente, e diferentes mtodos (por exemplo, entrevistas,
observaes, etc.) podem ser utilizados para avaliar a performance dos usurios e a
eficcia e utilidade da interface.
Zuk et al. (2006) tratam sobre a importncia de utilizar heursticas para avaliao
de ferramentas de visualizao de informaes, discutem a inexistncia de heursticas
mais especficas e a necessidade de serem propostas.
Os autores descrevem um estudo de caso no qual 4 avaliadores, com experincia
nas reas de Visualizao de Informaes e IHC avaliaram a ferramenta LuMPB, a qual
foi desenvolvida para analisar dados complexos de simulao e utiliza basicamente bar
charts para a representao dos dados.
Trs conjuntos de heursticas foram utilizados para avaliao: as tarefas de alto
nvel propostas por Amar e Stasko (2004), as tarefas propostas por Shneiderman (1996)
ambas descritas na seo 4.3 e um conjunto de heursticas sobre percepo e cognio
compiladas por um dos autores.
Os autores concluram que embora tenham encontrado problemas de uso que no
seriam descobertos empregando heursticas genricas (como, por exemplo, as propostas
por Nielsen (1994a)) o conjunto de heursticas por eles utilizada apresentou alguns
problemas relacionados a existncia de redundncias e conflitos.
Um quadro comparativo dos trabalhos relacionados avaliao de tcnicas de
VisIM, envolvendo o emprego de tcnicas de IHC ou a participao de usurios pode
ser observado na Tabela 4.1.
Tabela 4.1: Relao de trabalhos relacionados avaliao de tcnicas de VisIM
empregando mtodos de IHC
59
60
61
62
63
4.3 Taxonomias de tarefas

Nesta seo, descreve-se as principais taxonomias de tarefas existentes e
referenciadas na literatura para tcnicas de VisIM. Esta reviso serviu como base para a
definio da taxonomia proposta, a qual , detalhadamente, apresentada no prximo
captulo.
4.3.1 Taxonomia para Ambientes Visuais
Wehrend e Lewis (1990) esquematizaram uma taxonomia de tarefas,
caracterizando aes tpicas relacionadas ao processo de anlise de dados em ambientes
visuais, com o objetivo de facilitar a seleo de representaes visuais adequadas. Esta
classificao consiste das seguintes operaes:
Localizar: refere-se a encontrar um determinado objeto de conhecimento do usurio,
indicando ou descrevendo sua posio ou situao;
Identificar: semelhante a localizar, mas neste caso o usurio solicitado a
descrever um objeto do qual no possui conhecimento a priori;
Distinguir: est ao permite diferenciar, distinguir, perceber objetos diferentes por
serem apresentados como itens visuais distintos;
Categorizar: distribuir por categorias os objetos pertencentes a diferentes categorias;
Agrupar: define a ao de reunir em grupos (apresentar junto) as diferentes
categorias e objetos a elas pertencentes;
Distribuir: distribuir est fortemente relacionada ao de agrupar, como ocorre
entre localizar e identificar. Na distribuio, uma vez identificadas as categorias o
usurio necessita repartir os objetos a elas pertencentes, enquanto em agrupar
meramente solicitado que dados conjuntos sejam detectados;
Ordenar: classificar dados em uma determinada ordem, normalmente de acordo com
tamanho ou importncia;
Comparar: est ao descreve tarefas onde o usurio requerido a comparar
entidades baseando-se em seus atributos;
Comparar entre relaes: neste tipo de ao o usurio solicitado a comparar
entidades similares ou grupos diferentes de objetos;
Associar: significa estabelecer relaes entre os objetos visualizados;
Correlacionar: diz respeito a ao de poder observar atributos compartilhados entre
objetos.
4.3.2 Taxonomia de Tipo de Dados e Tarefas
Shneiderman (1996) classificou as tcnicas de visualizao de informaes, de
acordo com o tipo de dados que elas utilizam, em: unidimensionais, bidimensionais,
tridimensionais, temporais, multidimensionais, estruturas em rvore e em rede; e
considerou que, aplicaes que implementam essas tcnicas, deveriam suportar que os
usurios realizassem tarefas bsicas como:
Viso geral: obter uma viso geral de todos os dados;
Zoom: controlar o fator e o foco de zoom em itens de interesse;
Filtro: focar em itens de interesse filtrando itens indesejados;
64
Detalhe por demanda: selecionar um item ou grupo e obter detalhes quando

necessrio;
Relacionar: ver relacionamento entre itens;
Histrico: guardar um histrico de aes para suportar desfazer, refazer e
refinamento progressivo;
Extrair: permitir a extrao de subconjuntos de itens e de parmetros de busca.
4.3.3 Taxonomia de Tarefa Visual
Zhou e Feiner (1998) estenderam o trabalho de Wehrend e Lewis (1990),
introduzindo outra categorizao de tarefas denominada de Taxonomia de Tarefa Visual
(MORSE, 2000). A Taxonomia de Tarefa Visual, conforme figura 4.2, refere-se a um
nvel intermedirio de abstrao entre intenes de apresentao e tcnicas visuais de
baixo nvel.
# Relational visual tasks
Correlate <?x1,..., ?xn>

Associate <?x,?Y>
Plot < ?x1,?xn>
Collocate <?x,?y>
MarkCompose<?x1,?xn>
Connect <?x,?y>
Distinguish <?x,?y>
Unite <?x,?x-part>
MarkDistribute ,?x,?y>
Attach <?x,?x-part>
Isolate <?x,?y>
Background <?x,?background> Emphasize <?x-part ?x>
Categorize <?x1, ..., ?xn>
Focus <?x-part ?x>
MarkDistribute<?x1,..., ?xn>
Isolate <?x-part ?x>
Cluster <?cluster, ?x1,...,?xn>
Reinforce <?x-part ?x>
Outline <?cluster>
Generalize <?x1,, ?xn>
Individualize <?cluster>
Marge <?x1,,?xn>
Compare <?x,?y>
Identify <?x,?identifier>
Differentiate <?x,?y>
Name <?x,?name>
Intersect <?x,?y>
Portray <?x,?image>
Individualize <?x,?attr>
Profile <?x,?profile>
Locate < ?x, ?locator>

Position <?x,?locator>
Situate <?x, ?locator>
Pinpoint <?x,?locator>
Outline <?x,?locator>
Rank <?x1,..,?xn,?attr>
Time <?x1,?xn,?t>
Reveal <?x-part ?x>
Expose <?x-part ?x>
Itemize <?x-part ?x>
Specify <?x-part ?x>
Separate <?x-part ?x>
Switch <?x,?y>
# Direct visual organizing

and encoding tasks
Encode <?x>
Label <?x>
Symbolize < ?x>
Quantify <?x>
Iconify <?x>
Portray <?x>
Tabulate <?x>
Plot <?x>
Structure <?x>
Trace <?x>
Map <?x>
Figura 4.2: Taxonomia de tarefa visual (ZHOU e FEINER, 1998)

Ao contrrio de intenes de apresentao, que indicam as metas que um usurio
possui quando utiliza uma representao visual, tarefas visuais indicam efeitos visuais
desejados. Assim, tarefas visuais podem ser consideradas tcnicas visuais abstratas, as
quais podem ser alcanadas por um conjunto de tcnicas visuais de baixo nvel, que
correspondem aos meios de alcanar o efeito desejado.
Considerando-se um outro tipo de especificao conhecido como operadores
perceptuais (CASNER, 1991) (IGNATIUS et al., 1994), que indica as tarefas
perceptuais a serem desempenhadas por um usurio em um ambiente visual, h
significativas diferenas entre um operador perceptual e uma tarefa visual. Para alcanar
intenes de apresentao, operadores perceptuais (search, determine, verify, compare,
look up, addition, subtract) enfatizam o que um usurio necessita fazer (por exemplo,
procurar um objeto) enquanto tarefas visuais descrevem o que necessita ser feito por
uma tcnica de representao visual, para que o usurio tenha condies de realizar o
que necessita.
Portanto, intenes de apresentao de alto nvel e tcnicas visuais de baixo
nvel so interligadas por tarefas visuais, ou seja, uma inteno de apresentao pode ser
65
realizada atravs de certas tarefas visuais, as quais implicam na utilizao de tcnicas

visuais para alcan-las. Desta forma, podem ser caracterizadas em duas dimenses: a)
realizaes visuais, que especificam as intenes de apresentao que uma tarefa visual
pode alcanar e b) implicaes visuais, que indicam as tcnicas visuais que uma tarefa
visual pode implicar (ZHOU e FEINER, 1998).
4.3.4 Taxonomia de Tarefas Analticas de Alto Nvel
Amar e Stasko (2004) discutem a noo de analytic gap, que representam os
obstculos apresentados pelos sistemas de visualizao em facilitar tarefas analticas de
alto nvel, tais como a aprendizagem e a tomada de decises, questes no cobertas
pelos atuais trabalhos em projeto e avaliao de sistemas de visualizao de
informaes.
Os autores argumentam que, embora as tarefas de baixo nvel propostas nas
taxonomias de Wehrend e Lewis (1990) e Zhou e Feiner (1998) sejam essenciais, elas
no oferecem uma base para consistentemente preencher os analytic gaps. Assim,
propem uma taxonomia de tarefas de alto nvel que pode prover melhor suporte a
projetistas e avaliadores de sistemas de visualizao.
As limitaes nos atuais sistemas foram classificadas em um de dois analytic
gaps: o Rational Gap, representando a lacuna entre perceber um relacionamento e
expressar confiana na exatido e utilidade deste relacionamento; e o Worldview Gap,
representando a lacuna entre o que mostrado ao usurio e o que de fato necessita ser
mostrado para extrair uma concluso representacional para tomar uma deciso. No
trabalho, para cada gap, os autores propem 3 tarefas (com possveis sobreposies)
para diminuir esses gaps e demonstram como essa taxonomia pode ser usada no projeto
e avaliao heurstica de sistemas de visualizao de informaes.
Conforme a taxonomia proposta, as tarefas de alto nvel que um sistema de
visualizao deve suportar so as seguintes:
Tarefas baseadas em argumentao
Os usurios necessitam ser capazes de relacionar os dados ao domnio em que as
decises esto sendo ou sero tomadas. Tambm precisam ser capazes de usar
caractersticas salientes do conjunto de dados para criar a descrio do domnio e
validar decises. Entre as tarefas deste tipo esto:
Expor (revelar) incertezas
Algumas incertezas esto envolvidas em qualquer conjunto de dados, mas uma
compreenso de onde os valores esto incertos e como estas incertezas afetam o nvel
em que o conjunto de dados pode ser uma fonte de concluses confiveis uma questo
fundamental para o controle do processo estatstico. Por exemplo, quando resultados so
comparados ter uma medida do erro padro das estimativas crucial para se ter
confiana na estimativa estatstica de quaisquer diferenas observadas.
Os autores consideram esta uma tarefa de Rational Gap porque ela est
diretamente relacionada a confiana de anlises (de correlaes ou agrupamentos, por
exemplo) feitas com uma ferramenta de visualizao. Resumindo, um sistema pode
ajudar a diminuir o Rational Gap por expor incertezas nos dados e mostrar os possveis
efeitos dessas incertezas nos resultados.
66
Concretizar relacionamentos
No caso de correlaes, utilizando-se um scatterplots os relacionamentos
percebidos so geralmente fceis de descrever e quantificar. Outras representaes
podem sugerir relacionamentos ou decises sem uma clara concretizao da natureza
dos relacionamentos. Isto pode ser, particularmente, problemtico na anlise de valores
esperados.
Portanto, esta uma tarefa de Rational Gap por estar relacionada capacidade
de racionalizar decises e resultados com base em relacionamentos percebidos com seus
elementos representacionais. Resumindo, um sistema pode ajudar a diminuir o Rational
Gap por demonstrar, claramente, o que compreende a representao de um
relacionamento e apresentar resultados concretos quando apropriado.
Formular causa e efeito
Tanto o isolamento de causas como a descoberta de possveis efeitos, no
conjunto de dados, so importantes na formao de um modelo cognitivo. Isto deve ser
feito com uma compreenso do que gerou a criao dos dados e possveis suposies do
que pode afetar os resultados inferidos.
Esta tarefa faz parte do Rational Gap porque serve para distino entre causa e
covarincia. Resumindo, um sistema pode ajudar a diminuir o Rational Gap por tornar
claro possveis fontes de causa.
Tarefas baseadas em Worldview
Muitas tarefas deste tipo, indiretamente, suportam a formulao de uma
estratgia de navegar em uma visualizao, enquanto do discernimento de que dados
devem ser explorados, para esclarecer certos relacionamentos ou testar certas hipteses.
Entre as tarefas deste tipo esto:
Determinar parmetros do domnio
Os atributos de dados em uma visualizao e os parmetros pelos quais os dados
esto organizados comunicam os padres de medida do conjunto de dados e parmetros
importantes para compreender um domnio. Por exemplo, em um conjunto de dados
sobre beisebol americano um lanador com alto nmero de passadas e golpes pode no
ser considerado um bom lanador, mas essas interpretaes (informaes) no so
sempre inerentes na visualizao.
Considera-se esta uma tarefa de Worldview Gap porque ela aponta para a
formao de representaes mais expressivas. Resumindo, um sistema pode ajudar a
diminuir o Worldview Gap por fornecer facilidades para criar, adquirir e transferir
conhecimentos ou metadados sobre parmetros importantes do domnio em um conjunto
de dados.
Explicao Multivariante
Muitos sistemas de visualizao suportam a determinao de correlao entre
duas ou 3 variveis, dependendo do limite na habilidade representacional. Contudo,
alguns relacionamentos envolvem mais do que trs variveis e/ou a transformao de
variveis simples usando logaritmos ou relacionamentos polinominais. Tais correlaes,
67
empregando modelos e/ou mtodos estatsticos, no so amplamente utilizadas por

ferramentas tpicas de visualizao.
Esta tarefa refere-se ao Worldview Gap porque pode ajudar a elucidar
transformaes representacionais teis. Resumindo, um sistema pode ajudar a diminuir
o Worldview Gap por prover suporte a descoberta (automtica ou manual) de modelos
teis naturalmente relacionados.
Confirmar Hipteses
As ferramentas devem ajudar os usurios a definir hipteses, simular possveis
resultados e verificar a exatido de suas dedues sobre o conjunto de dados. Por
exemplo, se uma regio particular ou resultados de interesse so encontrados, testar
hipteses pode se tornar uma questo de quanto ou o quo facilmente os usurios podem
operar nesses resultados.
Confirmar hipteses uma tarefa do Worldview Gap porque se direciona a
expressividade e exatido de modelos cognitivos ou matemticos derivados do uso de
uma visualizao. Resumindo, um sistema pode ajudar a diminuir o Worldview Gap por
dar suporte a formulao e verificao de hipteses do usurio.
4.3.5 Taxonomia de Tarefas Analticas de Baixo Nvel
Amar, Eagan e Stasko (2005), em outro trabalho, propem uma taxonomia de
dez tarefas analticas de baixo nvel, que podem ser compreendidas como um
mapeamento mais direcionado dos sistemas de visualizao s metas analticas dos
usurios ou as tarefas analticas de alto nvel acima descritas.
As tarefas foram geradas a partir da anlise de 196 questes analticas
produzidas por estudantes (durante um curso sobre Visualizao de Informaes)
enquanto analisavam diferentes bases de dados de interesse, utilizando as seguintes
ferramentas comerciais de visualizao: Spotfire, Eureka/Table Lens, Infozoom e SeeIT.
O cruzamento de todas as questes produzidas pelos estudantes gerou, portanto,
as seguintes tarefas analticas de baixo nvel, as quais so apresentadas atravs de uma
descrio geral, um pro forma abstract e alguns exemplos (AMAR et al., 2005):
Encontrar valor
Descrio geral: Dado um conjunto de casos especficos, encontrar atributos destes
casos.
Pro Forma Abstract: Quais so os valores dos atributos {X,Y,Z,...} nos casos de dados
{A,B,C,...}?
Exemplo: Qual o MPG do Audi TT?
Filtrar
Descrio geral: Dadas algumas condies concretas em valores de atributo, encontrar
casos de dados que satisfazem essas condies.
Pro Forma Abstract: Quais casos de dados satisfazem as condies {A,B,C...}?
Exemplo: Que cereais da Kelloggs tem mais fibras?
68
Computar valor derivado

Descrio geral: Dado um conjunto de casos de dados, computar uma representao
numrica agregada desses casos de dados.
Pro Forma Abstract: Qual o valor da funo de agregao F sobre um dado conjunto
S de casos de dados?
Exemplo: Qual a mdia do contedo calrico de cereais Post?
Encontrar Extremo
Descrio geral: Encontrar casos de dados possuindo um valor extremo de um atributo
no conjunto de dados.
Pro Forma Abstract: Quais so os casos de dados N superior/inferior com respeito ao
atributo A?
Exemplo: Qual o carro com o mais alto MPG?
Ordenar
Descrio geral: Dado um conjunto de casos de dados, orden-lo de acordo com
alguma mtrica ordinal.
Pro Forma Abstract: Qual a ordem sorteada de um conjunto S de casos de dados de
acordo com os valores do atributo A?
Exemplo: Ordenar os carros por peso?
Determinar variao (abrangncia)
Descrio geral: Dado um conjunto de casos de dados e um atributo de interesse,
encontrar a amplitude de valores no conjunto.
Pro Forma Abstract: Qual a variao de valores do atributo A em um conjunto S de
casos de dados?
Exemplo: Quais atrizes esto no conjunto de dados?
Caracterizar distribuio
Descrio geral: Dado um conjunto de casos de dados e um atributo quantitativo de
interesse, caracterizar a distribuio dos valores do atributo no conjunto?
Pro Forma Abstract: Qual a distribuio de valores do atributo A em um conjunto S
de casos de dados?
Exemplo: Qual a distribuio de carboidratos nos cereais?
Encontrar Anomalias
Descrio geral: Identifique quaisquer anomalias em um determinado conjunto de
casos de dados com respeito a certo relacionamento ou exceo.
Pro Forma Abstract: Quais casos de dados em um conjunto S de casos de dados tem
valores inesperados/excepcionais?
Exemplo: H excees no relacionamento entre potncia e acelerao?
69
Agrupar
Descrio geral: Dado um conjunto de caso de dados, encontrar agrupamentos de
valores similares de atributo.
Pro Forma Abstract: Quais casos de dados em um conjunto S de casos de dados so
similares no valor dos atributos {X,Y,Z,...}?
Exemplo: H grupos de cereais com valores similares de gordura/calorias/acar?
Correlacionar
Descrio geral: Dado um conjunto de casos de dados e dois atributos, determine
relacionamentos teis entre os valores desses atributos.
Pro Forma Abstract: Qual a correlao entre os atributos X e Y sobre um dado
conjunto S de casos de dados?
Exemplo: H uma correlao entre pas de origem e MPG?
Com relao taxonomia, os autores alertam que algumas destas tarefas servem
como uma subtarefa de outras tarefas e determinadas questes analticas no puderam
ser encaixadas em um nico tipo de tarefa demonstrando ser uma composio de
tarefas, como ocorre, por exemplo, com a questo analtica Quais atores tem coestrelado com Julia Roberts?, a qual pode ser resolvida primeiro encontrando todos os
filmes com Julia Roberts (atravs da tarefa filtrar) e depois enumerando o conjunto de
atores nesses filmes (tarefa encontrar valor).
Outras questes analisadas, tambm, no puderam ser ajustadas na taxonomia
(constituindo omisses), entre elas: 1) questes envolvendo operaes cognitivas e
matemticas (por exemplo, operaes de comparao matemtica, em que um valor
avaliado por ser menor do que, maior do que ou igual a outro valor ou valores); 2)
questes de alto nvel envolvendo, por exemplo, aprendizagem sobre o domnio dos
dados e 3) questes envolvendo uma comparao em nvel muito mais alto e abstrato
que uma simples comparao matemtica (por exemplo, a questo analtica Que outros
cereais so mais similares ao Trix?).
4.3.6 Taxonomia de Tcnicas de Interao
Yi et al. (2007) realizaram uma reviso extensiva de sistemas de visualizao e
suas capacidades interativas e propuseram a seguinte categorizao de tcnicas
(recursos) de interao, com base em intenes do usurio:
Selecionar: fornecer aos usurios a habilidade de marcar um item (ou itens) de
dado(s) de interesse;
Explorar: capacitar os usurios a examinar um subconjunto diferente de casos de
dados;
Reconfigurar: fornecer aos usurios diferentes perspectivas do conjunto de dados
por mudar o arranjo espacial da representao;
Codificar: capacitar os usurios a alterar a representao visual dos dados incluindo
a aparncia visual (por exemplo, cor, tamanho e forma) de cada elemento de dado;
Abstrair/Elaborar: fornecer aos usurios a habilidade de ajustar o nvel de
abstrao de uma representao de dados, mostrando mais ou menos detalhes;
70
Filtrar: capacitar os usurios a mudar o conjunto de itens de dados sendo

apresentado, com base em algumas condies especficas;
Conectar: permitir que os usurios percebam itens relacionados, visveis ou
escondidos.

Com o desenvolvimento de novas ferramentas de visualizao de informaes e
anlise visual tem surgido, tambm, a necessidade de serem definidas novas
metodologias para avaliao dessas aplicaes, incluindo anlise de tarefas, avaliao
de usabilidade e utilidade (CHE e CZERWINSKI, 2000) (SCHOLTZ, 2006b). O projeto
de bons sistemas de visualizao depende da definio de princpios e mtodos tanto
quantitativos como qualitativos de avaliao (PICKETT e GRINSTEIN, 2002).
Contudo, a avaliao de tais sistemas no um processo simples, principalmente
no que se refere representao de informaes multidimensionais, onde existe uma
diversidade de tcnicas a serem consideradas, devem ser avaliados tanto os mecanismos
de interao quanto as representaes visuais e cuja efetividade pode depender dos
usurios, das tarefas e do domnio de aplicao (ou conjunto de dados) sendo
analisados.
A maioria dos trabalhos encontrados na literatura so direcionados a avaliao
de tcnicas hierrquicas e grande parte dos trabalhos envolvendo tcnicas
multidimensionais descrevem apenas a extenso ou implementao de novas tcnicas,
apresentando suas caractersticas e vantagens com relao as demais. Raros so os
trabalhos que relatam a realizao de um experimento mais completo, cauteloso e
sistemtico de avaliao de usabilidade, utilizando um conjunto de tcnicas e/ou
mtodos de avaliao especficos da rea de IHC.
O estudo de todos os trabalhos analisados e comparados neste captulo revelou
que:
quatro trabalhos descrevem a realizao de comparaes empricas entre diferentes
tcnicas sem a participao de usurios;
quatro trabalhos relatam a conduo de experimentos envolvendo diferentes nmeros
de usurios; um conjunto de tarefas (questes), geralmente, relacionado ao conjunto
de dados analisado; e utilizando como mtricas o tempo de execuo das tarefas e o
nvel de exatido na soluo das tarefas (nmero de respostas corretas);
um trabalho apresenta uma comparao entre diferentes tcnicas (ferramentas) com a
participao de usurios, atravs da definio de caractersticas quantificveis de
compreenso sobre os dados analisados;
trs trabalhos relatam e defendem a idia da realizao de estudos longitudinais,
seguidos por outros dois trabalhos (HETZLER e TURNER, 2004) e (SCHOLTZ,
2005), no descritos neste captulo por no envolverem visualizaes
multidimensionais, mas que compartilham do mesmo princpio;
um trabalho relata a utilizao de avaliao heurstica;
dois trabalhos utilizam um conjunto complementar de tcnicas de avaliao de
usabilidade;
71
seis definem taxonomia de tarefas, sem envolver um processo de validao das

tarefas propostas;
os demais trabalhos abordam diferentes questes a serem consideradas no processo
de avaliao (conjunto de dados de teste; primitivas grficas; ndice de ocupao de
tela; critrios, mtricas e tarefas).
Desta forma, constata-se que ainda so poucos os trabalhos que tratam
especificamente das questes relacionadas a avaliao de usabilidade de tcnicas de
VisIM. Conseqentemente, entre algumas questes que precisam ser consideradas
inclui-se a definio de:
1) uma taxonomia de tarefas do usurio (especfica ao uso de visualizaes
multidimensionais) que passe por um processo de validao;
2) procedimentos a serem utilizados na avaliao (usurios envolvidos; tipo e
nmero de tarefas; forma de conduo dos experimentos; recursos utilizados;
nmero e perfil dos avaliadores; critrios e/ou mtricas; forma de anlise e
tratamento dos resultados; etc.) e
3) tcnicas de avaliao de usabilidade, adaptadas e adequadas ao contexto das
visualizaes em estudo, sistematizando assim o processo de avaliao.
72
5 ABORDAGEM PARA AVALIAO DE USABILIDADE

DE TCNICAS DE VISUALIZAO DE
INFORMAES MULTIDIMENSIONAIS
Este captulo apresenta a proposta de uma abordagem para avaliao de

usabilidade de VisIM com tcnicas de projeo geomtrica. A seguir, descreve-se a
sistematizao do processo de avaliao, a taxonomia de tarefas do usurio proposta
para apoiar a avaliao de tcnicas de VisIM e a adaptao das tcnicas de avaliao de
usabilidade.
Esta abordagem compreendida como uma maneira alternativa e vivel de
sistematizar o processo de avaliao, empregando um conjunto complementar de
tcnicas para avaliao de usabilidade e procurando utilizar a experincia e os
resultados obtidos nos experimentos realizados e descritos no prximo capitulo.
5.1 Abordagem proposta

Diversos autores, como Hix e Hartson (1993), Dix et al. (1998) e Preece et al.
(2005), defendem que a obteno de interfaces com melhores nveis de usabilidade
depende da utilizao: de um conjunto complementar de tcnicas de avaliao, de uma
abordagem centrada no usurio, de conhecimentos e experincias de diferentes
disciplinas e de uma metodologia interativa e iterativa. Isto se aplica, principalmente, ao
contexto de ferramentas de visualizao e anlise visual (TORY e MLLER)
(REDISH, 2007) (GERKEN, 2007).
Pois, nenhuma tcnica empregada isoladamente garante confiveis resultados
com relao a quantidade e qualidade dos problemas de usabilidade potencialmente
identificveis numa interface. Segundo Cybis (2003), cada tcnica de avaliao
apresenta qualidades diferentes em termos do tipo e quantidade de problemas
identificveis, da sistematizao de seus resultados e da facilidade de aplicao.
Diferentes tipos de interfaces exigem a utilizao de tcnicas de avaliao adequadas a
suas necessidades e caractersticas (REDISH, 2007) e para a realizao de avaliaes
efetivas necessita-se o emprego de um conjunto complementar de mtodos/tcnicas de
avaliao e da disponibilidade de recursos.
A abordagem de avaliao proposta neste trabalho busca integrar, em trs
etapas, a utilizao de um conjunto complementar de tcnicas de avaliao: avaliao
heurstica, ensaios de interao e estudos de caso longitudinais (conforme figura 5.1).
73
Figura 5.1: Abordagem para avaliao de usabilidade

A primeira etapa contempla um mtodo de inspeo empregando heursticas
estendidas, com base nos problemas de usabilidade identificados nos experimentos
realizados (descritos no prximo captulo, seo 6.2). A segunda etapa sugere a
conduo de experimentos controlados em laboratrio (ensaios de interao com
usurios experimentais), utilizando cenrios e um conjunto de tarefas (questes
analticas). Finalmente, a ltima etapa defende a realizao de estudos de caso
longitudinais, aplicando o mtodo MILCs com uma amostragem menor de usurios
especialistas no domnio, como forma de reduzir custos (uma das principais limitaes
do mtodo), pois, espera-se que aps as etapas 1 e 2 grande parte dos problemas de
usabilidade j tenham sido identificados.
Portanto, as etapas seguem um fluxo de experimentos de avaliao que deve ser
sucessivamente cumprido, preferencialmente, se durante o desenvolvimento da interface
de visualizao deseja-se empregar uma metodologia de projeto interativa e iterativa
onde os resultados de uma etapa de avaliao levam a sucessivos refinamentos e
melhorias na interface, para execuo das etapas seguintes.
Nas prximas sees, descreve-se detalhadamente as etapas da abordagem com
relao a definio da taxonomia de tarefas do usurio e a adaptao das tcnicas de
avaliao de usabilidade.
74
5.2 Taxonomia de Tarefas

Tcnicas de VisIM so utilizadas para ajudar na anlise e compreenso de
grandes volumes de dados. Portanto, como os demais sistemas interativos, so
projetadas para auxiliar as pessoas a executarem tarefas, neste caso, de anlise. Logo,
para avaliar e projetar tcnicas de visualizao com melhores nveis de usabilidade
necessrio compreender as tarefas executadas pelas pessoas no uso destas tcnicas, de
modo a aplicar este entendimento no desenvolvimento de suas aplicaes (PLAISANT,
2004).
Os estudos de usabilidade so teis para revelar o potencial e as limitaes das
tcnicas desenvolvidas. Porm, para que tcnicas ou metodologias de avaliao e
projeto da rea de IHC (principalmente aquelas que seguem uma abordagem orientada a
tarefa) possam ser propostas e efetivamente utilizadas em tcnicas de VisIM
necessrio, primeiro, compreender as tarefas desempenhadas pelos usurios durante o
uso destas tcnicas. A taxonomia proposta, neste captulo, busca identificar as tarefas
que os usurios realizam enquanto utilizam uma tcnica de visualizao, tentando
explorar e analisar visualmente conjuntos de dados, com o objetivo de ganhar
compreenso e conhecimento sobre eles.
O conceito de tarefa considerado ambguo e, portanto, no h um consenso
sobre sua definio. Autores como (DRAPER e NORMAN, 1985) (BENYON, 1992)
(STORRS, 1995) (BODART et al., 1994) (PREECE et al., 1995) apresentam diferentes
interpretaes sobre o significado do termo tarefa.
Nesta tese optou-se pela definio de Storrs (STORRS, 1995), segundo a qual
tarefa um objetivo associado a um conjunto ordenado de aes, que podem
satisfazer tal objetivo em contextos apropriados, por essa definio explicitar a
importante relao entre aes, objetivos e contextos, e por ter sido formulada para
unificar a terminologia sobre o assunto.
Assim, embora seja aparentemente similar a conceitos como funo ou
processo, o termo tarefa incorpora uma nfase intencional (relacionada inteno,
ao objetivo) da perspectiva do usurio. Genericamente, esse objetivo pode ser definido
como um estado que o usurio deseja alcanar e as aes constituem os procedimentos,
que o usurio deve realizar para alcanar este estado (WINCKLER e PIMENTA,
2004a).
A taxonomia de tarefas do usurio para tcnicas de VisIM, apresentada a seguir,
foi construda inicialmente atravs: da anlise de taxonomias existentes na literatura
(conforme estudo apresentado na seo 4.3), do estudo de outros trabalhos de avaliao
de tcnicas multidimensionais envolvendo tarefas (comparados e descritos no captulo
anterior) e da explorao de algumas tcnicas multidimensionais (entre elas:
Coordenadas Paralelas, Matriz de Scatterplots, Radviz, Survey Plots e Segmentos de
Crculos).
Desta forma, foi possvel estabelecer inicialmente sete tarefas: Identificar,
Determinar, Visualizar, Comparar, Inferir, Configurar e Localizar (conforme
publicado em (PILLAT et al., 2005) (VALIATI 2005) (VALIATI et al., 2006)). Essas
tarefas foram consideradas como objetivos e/ou necessidades, que um usurio poderia
apresentar quando utilizasse uma tcnica de VisIM para realizar anlise de dados.
Aps obtida uma verso preliminar da taxonomia, foram conduzidos sucessivos
experimentos (os quais so descritos detalhadamente no prximo captulo), dois ensaios
75
de interao com usurios experimentais (estudantes) e sete estudos de caso

longitudinais com usurios reais (analistas de dados/especialistas no domnio), com o
objetivo de validar a taxonomia. Os resultados dos experimentos levaram,
conseqentemente, a sucessivos refinamentos na taxonomia possibilitando, assim,
chegar a verso atual.
Seguindo a representao grfica da taxonomia (ver figura 5.2), cada tarefa
descrita com relao ao seu significado, identificando-se os eventos que assinalam o
inicio e o fim de seu acontecimento. Atravs da descrio das tarefas, nota-se que
muitas dessas tarefas podem ser compostas de outras tarefas do mesmo nvel como
subtarefas. Visto que cada tipo de tarefa pode gerar uma ou mais tarefas dos outros tipos
como uma subtarefa em qualquer nvel, no h uma hierarquia rgida a priori que possa
ser imposta na taxonomia.
De fato, os usurios, durante a interao com um sistema, possuem objetivos e
subobjetivos que so alcanados atravs de um conjunto de mtodos ou procedimentos
possveis para completar cada tarefa (SHNEIDERMAN, 1987). Conforme Foley et al.
(1993), o uso de um sistema interativo pode ser descrito em 4 nveis: 1) no nvel mais
alto est o modelo conceitual ou modelo mental do usurio sobre o sistema; 2) depois
surge o nvel semntico, que descreve os significados transmitidos pelas entradas do
usurio e as sadas do sistema; 3) logo em seguida est o nvel sinttico, que define
como as unidades semnticas so agregadas em um seqncia completa que instrui o
sistema a realizar certa tarefa e 4) por ltimo, encontra-se o nvel lxico, que envolve os
mecanismos precisos pelos quais um usurio especifica a sintaxe.
No obstante, segundo Norman (1986), o comportamento do usurio durante a
interao compreende um ciclo de 7 estgios: o usurio possui objetivos; formula
intenes; verifica as possveis aes e seleciona (a cada momento) a mais apropriada
de acordo com suas intenes; executa a ao; percebe; interpreta e avalia os resultados
apresentados pelo sistema at completar efetivamente cada tarefa. Desta forma, durante
a interao o usurio possui objetivos (intenes). Sendo que algumas vezes para atingir
um dado objetivo, n tarefas ou aes precisam ser executadas de forma combinada
(como por exemplo, nesta taxonomia, ocorre com a tarefa Inferir, que certamente
jamais ser completada sem envolver a execuo de outras tarefas do mesmo nvel
como subtarefas) ou um objetivo pode ser mapeado de forma direta para uma nica
tarefa (como por exemplo, ocorre com a tarefa Localizar, que neste caso pode ser
compreendida algumas vezes como o nico objetivo do usurio durante a interao).
Conforme resultados dos experimentos, descritos no prximo captulo, as
principais tarefas que um usurio realiza, ou necessita realizar, quando utiliza uma
ferramenta de visualizao de informaes multidimensionais para analisar dados,
podem ser divididas em tarefas analticas e tarefas operacionais.
Tarefas analticas
Tarefas analticas correspondem a tarefas de nvel abstrato envolvendo a busca
de solues as questes analticas de alto nvel (questes que o usurio busca responder
durante a anlise dos dados).
Figura 5.2: Taxonomia de tarefas para tcnicas de visualizao de dados
multidimensionais
76
77
Identificar
Identificar descreve qualquer atividade de achar, descobrir ou estimar

visualmente: agrupamentos (por padres como proximidade, similaridade, continuidade
ou formas fechadas), correlaes, propriedades (valores extremos, disperses,
distribuies simtricas e assimtricas), padres, limiares, similaridades ou diferenas,
dependncia ou independncia entre os dados, incerteza e/ou variaes no conjunto de
dados, etc.
A tarefa de identificar comea sempre que o usurio inicia uma nova atividade
com o objetivo de achar, descobrir ou estimar visualmente algum tipo de informao
ainda no conhecida. A tarefa considerada completa sempre que o usurio encontra
alguma informao de interesse ou explicitamente muda de objetivo.
Determinar
Determinar refere-se as aes de calcular, definir ou indicar com exatido
valores envolvendo: mdias (aritmtica, ponderada, harmnica); mediana (para
distribuies assimtricas); varincia, desvio-padro e amplitude (como medidas de
disperses); porcentagem; soma (total de observaes da ocorrncia de um tipo de dado,
por exemplo); propores; diferenas (subtraes da quantia total de certos dados
observados); coeficientes de correlao (incluindo funes logaritmo, polinomial e
outras funes para correlao), probabilidades e demais clculos estatsticos (como,
por exemplo, testes de hipteses e medidas de erro). Desta forma, o usurio pode
identificar algumas propriedades, assim como correlaes, estimando visualmente ou
calculando valores.
Esta tarefa inicia toda vez que o usurio necessita precisar um valor sobre os
dados e termina logo que o problema seja resolvido, ou seja, uma resposta possvel seja
informada ou no conseguindo completar a tarefa, mude de objetivo.
Comparar
Uma vez que certas informaes de interesse tenham sido identificadas,
determinadas, exibidas ou localizadas, o usurio pode ter como objetivo comparar,
confrontar: dimenses, itens, dados, valores calculados, agrupamentos, propriedades,
propores, posies (localizaes), distncias e/ou caractersticas presentes nos dados
(primitivas grficas como: cores, formatos, texturas, tamanhos, etc.), etc.
Esta tarefa inicia sempre que o usurio decide ou solicitado a comparar peas
similares ou diferentes de informaes. Termina quando chega a uma concluso ou
desiste da tarefa, alterando seu objetivo.
Inferir
Usualmente, aps identificar, determinar e/ou comparar informaes o usurio
possui condies (ou informaes suficientes) de inferir conhecimentos, definindo:
hipteses, regras, tendncias, probabilidades, causas e/ou efeitos sobre os dados
analisados.
A tarefa de inferir comea efetivamente quando o usurio incentivado a
descobrir ou inferir conhecimentos relevantes sobre os dados e finaliza logo que esse
evidencia suas descobertas, geralmente, depois de uma anlise cuidadosa dos dados e a
realizao de outras tarefas. Ou no conseguindo inferir tais conhecimentos, desiste da
tarefa, alterando seu objetivo.
78
Localizar
Localizar refere-se as aes de procurar, buscar e encontrar determinadas
informaes de conhecimento do usurio, anteriormente, identificadas ou exibidas, tais
como: itens, dados, valores, agrupamentos, distncias, propriedades e caractersticas
presente nos dados (primitivas grficas como: cores, formatos, texturas, tamanhos, etc.),
indicando ou descrevendo sua posio ou situao.
Esta tarefa comea sempre que o usurio inicia uma atividade de busca por
algum tipo de informao de interesse e, previamente, j conhecida. A tarefa
considerada completa quando o usurio encontra a informao ou explicitamente muda
de objetivo.
Tarefas operacionais
Tarefas operacionais correspondem a tarefas de nvel essencialmente
operacional que do suporte a realizao das tarefas analticas. Geralmente, as tarefas
analticas so dependentes e levam a execuo das tarefas operacionais. Pois, a
possibilidade ou no do usurio realizar algumas tarefas operacionais de forma
adequada e eficiente pode viabilizar ou no a realizao de algumas tarefas analticas.
Exibir
Freqentemente, poder identificar, determinar, comparar ou localizar
informaes requer a atividade de exibir, navegar, ou seja, ter acesso a informaes de
interesse, como por exemplo: n dimenses, n itens e entre esses dados especficos
(peas de informao), como tambm, parmetros do domnio (informaes sobre os
atributos de dados ou metadados).
A tarefa de exibir inicia toda vez que o usurio precisa apresentar na tela
informaes de interesse ou percorrer (com dispositivos como mouse e teclado ou
mesmo visualmente) n dimenses e/ou n itens de dados na busca de informaes para
diversos fins, finalizando quando o usurio demonstra que conseguiu ter acesso as
informaes desejadas, ou no conseguindo completar a tarefa, satisfatoriamente, altera
seu objetivo.
Configurar
Dependendo da forma como as tcnicas multidimensionais foram
implementadas, e das caractersticas especficas de cada tcnica, h uma srie de
possibilidades do usurio configurar a forma de apresentao dos dados. A tarefa de
configurar est relacionada aos recursos disponveis ao usurio, para fazer entre outras
coisas: normalizaes, classificaes, filtragens, zoom, alterar a apresentao dos dados
em diferentes formatos (com uso de cor, tamanho, espessura, rtulos, etc.), mudar a
ordem ou a quantidade de dimenses visualizadas, etc.
A tarefa de configurar inicia quando o usurio interage com a tcnica,
selecionando opes ou entrando com valores, os quais ocasionaro uma mudana no
aspecto de apresentao dos dados e termina quando este novo estado completamente
apresentado.
79
Interagir com representao visual

Interagir com representao visual est associada a toda atividade atravs da
qual o usurio busca manipular diretamente com o mouse partes da representao
visual, para: selecionar itens/dimenses, movimentar dimenses (trocar a ordem, incluir
ou excluir, aumentar espao entre os eixos), inserir comentrios sobre pontos
especficos na representao (para que outros analistas possam examinar e trocar
informaes), rotular valores numricos sobre a representao (associ-los aos valores
categricos de origem), destacar itens/dimenses ou partes da representao (para
chamar ateno e facilitar a anlise), utilizar recursos que possibilitem gerenciar
revises, etc.
Esta tarefa inicia toda vez que o usurio sente necessidade de manipular
diretamente partes da representao visual, buscando realizar algumas atividades de
forma mais gil e natural, e termina quando consegue realizar as atividades desejadas
sobre a representao ou no conseguindo completar a tarefa, mude de objetivo.
Usar uma situao visualizada
Descreve qualquer atividade atravs da qual o usurio tenta usar uma situao
visualizada na representao visual. Como esta informao (situao visualizada) pode
servir para uma variedade de propsitos, entre as subcategorias desta tarefa esto:
salvar, imprimir, comunicar para outros (colegas, supervisores, etc.) compreenses,
concluses e descobertas obtidas sobre os dados, trocar informaes com outros
(discutir, emitir e obter parecer), relatar (registrar, documentar) concluses, vincular
anotaes/comentrios com as representaes, etc.
Esta tarefa comea quando o usurio procura, com diferentes propsitos, fazer
uso de uma situao visualizada sobre a representao visual e finaliza quando realiza
as atividades necessrias ou no conseguindo completar a tarefa, altere seu objetivo.
Ir para situao visualizada
Ir para situao visualizada corresponde a qualquer atividade que cause
(solicite a ferramenta de visualizao) a apresentao na tela de uma situao
anteriormente representada sobre os dados. Portanto, esta tarefa pode ser executada de
diferentes maneiras em uma ferramenta de visualizao, incluindo: carregar uma
situao visualizada (dados e configuraes, por exemplo, para continuar o trabalho do
ponto onde foi interrompido), refazer histrico de aes, refazer e desfazer aes, etc.
A tarefa ir para situao visualizada inicia quando o usurio solicita a
ferramenta de visualizao a apresentao na tela de uma situao anteriormente
representada, o que ocasionar uma mudana no estado da representao visual.
Finaliza quando este novo estado completamente apresentado.
Integrar
O usurio, em alguns estgios do processo de anlise, deseja integrar as
funcionalidades da ferramenta de visualizao, bem como, seus resultados a outras
ferramentas que, rotineiramente, utiliza. Esta integrao, entre outras possibilidades,
refere-se as atividades de importar e exportar dados em diferentes formatos.
80
A tarefa integrar comea toda vez que o usurio busca incorporar os benefcios
gerados pela ferramenta de visualizao a outras ferramentas que, rotineiramente,
utiliza. A tarefa considerada completa quando o usurio efetiva esta integrao ou
muda de objetivo.
Gerenciar dados
Considerando-se que o conjunto de dados algo dinmico e sofre
constantemente alteraes, algumas vezes o usurio necessita gerenciar, alterar o
conjunto de dados, diretamente, da ferramenta de visualizao sem ter que recarregar a
visualizao. Entre algumas atividades envolvidas nesta tarefa esto: adicionar e excluir
itens de dados, renomear dimenses, alterar dados (tratar inconsistncias).
Esta tarefa inicia no momento que o usurio necessita realizar alteraes no
conjunto de dados, finalizando quando consegue realizar tais alteraes ou no
conseguindo, desiste da tarefa, alterando seu objetivo.
5.3 Adaptao das Tcnicas de Avaliao

Entre as tcnicas e mtodos de avaliao de usabilidade estudados e
apresentados no captulo 3, optou-se por compor inicialmente a abordagem com
avaliao heurstica, ensaios de interao e estudos de caso. Selecionadas entre todas
por serem tcnicas:
representativas de categorias diferentes de avaliao de usabilidade, a saber,
avaliao com a participao de usurios experimentais (ensaio de interao),
avaliao por especialistas (avaliao heurstica) e estudos de caso com usurios
reais, podendo assim serem utilizadas de forma complementar;
muito utilizadas por especialistas em IHC, conforme anlise da literatura
(PREECE et al., 2005);
compatveis com a utilizao de cenrios e tarefas baseados na taxonomia, bem
como, o uso de heursticas estendidas, permitindo assim o aproveitamento do
conhecimento e experincias existentes sobre o assunto, no grupo de pesquisa da
UFRGS.
5.3.1 Avaliao Heurstica
Nesta tese, a adaptao da avaliao heurstica consiste em conduzi-la seguindo
heursticas estendidas, com base nos problemas de usabilidade identificados nos
experimentos realizados (conforme descrio constante no capitulo 6, seo 6.2).
Tory e Mller (2005) consideram que resultados mais expressivos podem ser
obtidos atravs da avaliao heurstica, se forem definidas e utilizadas heursticas
especificas para avaliao de ferramentas de visualizao.
Luzzardi (2003) definiu um conjunto de critrios de avaliao para visualizao
de informaes hierrquicas. O conjunto de critrios foi refinado aps sucessivas
avaliaes realizadas nas tcnicas TreeMaps, MagniFind, CHEOPS e Bifocal Tree. Para
efeito de validao, os critrios foram utilizados experimentalmente em trs mtodos de
avaliao de usabilidade: avaliao heurstica, inspeo de conformidade e ensaios de
interao na avaliao da tcnica Bifocal Tree. Os resultados obtidos demonstraram que
os critrios de avaliao especficos, capturaram muito mais problemas relacionados
tcnica do que os critrios tradicionalmente usados para avaliar interfaces grficas.
81
Atravs da realizao dos estudos de caso longitudinais (descritos no prximo

captulo) foi possvel identificar vrios problemas de usabilidade presentes nas
ferramentas de visualizao avaliadas. Conforme discusso de resultados realizada na
seo 6.1.3.8:
a maioria dos problemas apresentou altos graus de severidade e elevada freqncia;
uma quantidade considervel deles diz respeito a recursos que deveriam existir
independentes de tcnicas e ferramentas;
tais problemas esto associados tanto com os mecanismos de interao quanto com
a prpria representao visual, dificultando e muitas vezes impossibilitando a
realizao de certas tarefas.
Assim, podem ser considerados como problemas recorrentes e gerais. Desta
forma, as heursticas foram estendidas em profundidade (complementando heursticas
existentes) com base nos 54 problemas de usabilidade identificados atravs dos estudos
de caso longitudinais, so descritas de modo imperativo e classificadas segundo os
critrios ergonmicos definidos por Bastien e Scapin (1993).
A seguir, encontra-se o conjunto de heursticas estendidas, o qual foi utilizado
nas inspees realizadas atravs da avaliao heurstica (descritas na seo 6.2.1):
1) Em tcnicas de Projeo Geomtrica deve ser possvel o usurio incluir e excluir
dimenses da representao visual e, de preferncia, mais de uma dimenso ao
mesmo tempo.
Scapin: 7.Carga de trabalho/brevidade/aes mnimas
2) A seleo de uma dimenso (ou item) deve ser mantida at que o usurio realize
todas as operaes necessrias com ela ou uma nova dimenso seja selecionada.
Scapin: 7.Carga de trabalho/brevidade/aes mnimas e 9.Controle explcito/aes
explcitas do usurio
3) Em tcnicas de Projeo Geomtrica, a ferramenta deve permitir selecionar tanto
dimenses quanto itens.
Scapin: 16. Coerncia
4) A interao do usurio com a representao deve ser facilitada, ou seja, ele deve
poder realizar as mesmas aes de diferentes maneiras e, principalmente,
utilizando recursos usualmente presentes em outros ambientes interativos. Por
exemplo, deve ser capaz de selecionar, incluir, excluir e trocar dimenses de lugar,
manipulando-as diretamente com o mouse sobre a representao visual ou, se
preferir, utilizando outros recursos que possibilitem fazer as mesmas aes.
Scapin: 12. Adaptabilidade/considerao da experincia do usurio e 16.Coerncia
5) A ferramenta deve disponibilizar recursos que possibilitem destacar dimenses ou
itens de interesse, para facilitar o trabalho do usurio quando n dimenses ou itens
precisam ser analisados. Durante a resoluo de algumas questes analticas, se
dimenses ou itens identificados como relevantes pudessem ficar destacados
conforme fossem analisados, isto evitaria que aps analisar todo o conjunto de
dados o usurio precisasse lembrar que dimenses e itens mostraram ser
importantes ou no, para emitir uma concluso geral com relao questo em
anlise.
82
Scapin: 8.Carga de trabalho/densidade informacional e 18.Compatibilidade

6) A ferramenta deve conter recursos bsicos para auxiliar a anlise estatstica. Por
exemplo, deve ser vivel o usurio selecionar dados na representao visual e
poder solicitar a realizao de clculos destes valores (mdias, somas, etc.), ao
invs de ter que recorrer a recursos externos como o uso de uma calculadora.
Outra possibilidade seria o usurio selecionar parte dos dados de interesse na
representao visual e exportar estes dados para uma ferramenta de anlise
estatstica.
Scapin: 7.Carga de trabalho/brevidade/aes mnimas
7) O usurio deve poder facilmente reproduzir na tela uma situao anteriormente
visualizada. A explorao dos dados atravs de operaes feitas sobre a
representao visual causa a apresentao de diferentes situaoes visualizadas
(agrupamentos, correlao entre variveis, similaridades/diferenas, etc.). A
ferramenta deve permitir salvar e recarregar certas situaes visualizadas do
conjunto de dados para posterior anlise (continuar o trabalho do ponto onde foi
interrompido) ou mesmo para mostrar a outras pessoas certas descobertas.
A falta deste recurso pode exigir considervel tempo dos usurios na
reconfigurao da representao visual ou, em alguns casos, a visualizao de
certas situaes pode ser perdida, pois os usurios podem no lembrar como
conseguiram visualizar certas descobertas (por exemplo, que dimenses moveram e
para que locais, que primitivas grficas foram utilizadas e viabilizaram revelar
certas descobertas).
Scapin: 7. Carga de trabalho/brevidade/aes mnimas e 18.Compatibilidade
8) Na resoluo de algumas questes analticas, o usurio muitas vezes necessita
refazer uma seqncia de aes operacionais sobre a representao visual,
mudando apenas o foco de interesse (por exemplo, uma dimenso). Nestes casos,
seria importante manter um histrico de aes, de forma que uma seqncia de
aes pudesse ser refeita sem ter que recordar como foi feita.
Scapin: 7.Carga de trabalho/brevidade/aes mnimas e 18.Compatibilidade
9) Uma ferramenta de visualizao, por ser um ambiente altamente exploratrio,
precisa dispor dos recursos de refazer e desfazer aes. Pois, de outra forma, o
usurio pode perder muito tempo tentando desfazer e refazer certas situaes na
visualizao.
Scapin: 15.Gesto de erros/correo de erros
10) Uma ferramenta de anlise visual deve conter recursos onde o usurio possa fazer
anotaes de suas descobertas (respostas de suas questes analticas), se possvel
com vnculo com as informaes (situaes visualizadas) que foram analisadas e
que levaram a certas descoberta, concluses, tendncias, hipteses, etc.
Scapin: 11.Adaptabilidade/flexibilidade
11) Os usurios devem ser capazes de gerar relatrios contendo situaes visualizadas
de interesse, juntamente, com suas respectivas anotaes.
83
12) Uma ferramenta de anlise visual deve conter recursos onde o usurio possa
inserir comentrios sobre pontos especficos de uma situao visualizada, para que
outras pessoas (supervisores, chefes, colegas) possam examinar, revisar e/ou trocar
informaes.
13) Em algumas tcnicas de Projeo Geomtrica (por exemplo, Coordenadas
Paralelas) deve ser possvel o usurio atribuir cores diferentes aos agrupamentos
existentes numa dimenso de interesse, pois isto facilita consideravelmente a
anlise.
Scapin: 3.Agrupamento/distino de itens/distino por formato
Paralelas) nas dimenses onde os dados eram originalmente categricos e foram
transformados (categorizados) em numricos para viabilizar a representao, seria
muito importante que o usurio pudesse rotular esses valores numricos sobre a
representao, para poder indicar e no precisar recordar a cada anlise o que
significam.
Scapin: 17. Significado dos cdigos
15) A ferramenta deve permitir a filtragem de intervalos contnuos e no contnuos de
valores das dimenses. Pois, a falta deste recurso dificulta e, muitas vezes,
inviabiliza a anlise de certas questes, principalmente, quando agrupamentos
distantes ou valores extremos precisavam ser comparados e analisados.
Scapin: 8. Carga de trabalho/densidade informacional
16) Na representao visual onde ocorre uma alta sobreposio de marcadores (itens),
a ferramenta deve sinalizar a existncia desta sobreposio (ocluso). Alm de
informar, quando necessrio, o nvel de sobreposio desses marcadores (quantos
itens esto sobrepostos) e que itens esto sobrepostos. Disponibilizando, tambm,
recursos adequados (por exemplo, uso de zoom, distoro ou rotao) que
possibilitem e facilitem a anlise em tais situaes.
Scapin: 1.Presteza e 13.Gesto de erros/proteo contra erros
17) muito importante para anlise que a ferramenta permita, quando necessrio,
exibir o resultado de clculos sobre a representao visual, apresentando
informaes estatsticas bsicas sobre uma dimenso ou grupo de itens.
Scapin: 11. Adaptabilidade/flexibilidade
Paralelas), quando o conjunto de dados possui um nmero excessivo de dimenses,
a proximidade dos eixos compromete a visualizao e, conseqentemente, a anlise
entre os atributos. Embora, exista a possibilidade de remover algumas dimenses
da representao, para aumentar o espao entre os eixos, nem sempre isto vivel
(pois, algumas dimenses devido anlise no podem ser removidas). Assim,
formas mais eficientes de resolver este problema devem ser utilizadas.
84

19) Deve ser possvel o usurio alterar a cor de fundo da representao visual, de
forma que a cor utilizada como fundo da representao no comprometa
significativamente a legibilidade e visualizao dos marcadores (itens).
Scapin: 5. Conduo/Legibilidade
Paralelas), quanto a ordem de exibio dos atributos na representao visual, alm
de ser aleatria (como ocorre originalmente no conjunto de dados) ou
manualmente arranjada pelo usurio, deve existir um recurso que possibilite
tambm orden-la de forma automtica, por exemplo, baseado em medidas de
similaridade, isto pode de alguma forma facilitar a anlise.
21) As ferramentas de visualizao usualmente disponibilizam ao usurio mais de uma
forma de visualizar os dados (tcnicas de visualizao). Porm, o usurio ao
passar de uma tcnica de visualizao para outra, a ferramenta deve evitar a
ocorrncia de erros e se tais erros no possam ser evitados uma mensagem
apropriada deve ser exibida, de forma que o usurio compreenda o que houve,
possa recuperar-se do erro e permanecer na ferramenta.
Scapin: 15. Gesto de erros/qualidade das mensagens de erro/correo dos erros
22) Um rtulo identificando as dimenses deve ser sempre exibido na representao
visual, mesmo que o conjunto de dados possua muitas dimenses.
Scapin: 1. Conduo/presteza
23) A ferramenta deve distinguir que opes de configurao (por exemplo, cores,
fontes) tem efeito sobre o ambiente e sobre a representao visual. Por exemplo, as
opes que permitem alteram o tamanho e o tipo de fonte tem efeito sobre os
rtulos constantes na representao visual ou somente sobre os menus da
ferramenta.
Scapin: 2. Conduo/Agrupamento/distino de itens
24) Em ferramentas que disponibilizam mais de uma tcnica de visualizao, as opes
de interao no disponveis a uma tcnica de visualizao devem, realmente,
aparecer com o status de indisponveis (desativadas).
Scapin: 1. Conduo/presteza
25) As ferramentas de visualizao devem permitir a exportao e importao de dados
em diferentes formatos de arquivos.
Scapin: 18. Compatibilidade
26) Deve ser possvel, atravs da ferramenta de visualizao, alterar o conjunto de
dados, por exemplo, para incluir e excluir itens, alterar valores, renomear
dimenses. Pois, considerando-se que um conjunto de dados algo dinmico que
rotineiramente sofre alteraes, a falta deste recurso exige considervel tempo dos
85
usurios em acesso a um aplicativo externo, recarregamento do conjunto de dados

e reconfigurao da representao visual.
Scapin: 7. Carga de trabalho/brevidade/aes mnimas e 18. Compatibilidade
27) A ferramenta deve fornecer ajuda no somente quanto ao uso dos mecanismos de
interao, mas tambm quanto aos recursos especificamente disponibilizados para
apoiar a atividade de anlise. Por exemplo, coeficientes de correlao utilizados,
mtodos de busca, critrios de ordenao, normalizao, etc.
Scapin: 13. Gesto de erros/proteo contra erros
28) Quanto maior o conjunto de dados com relao ao nmero de itens e/ou dimenses
a serem representadas maior a necessidade da ferramenta disponibilizar ao
usurio recursos que possibilitem aumentar ou diminuir o tamanho de uma rea de
interesse a ser analisada. A falta deste recurso pode inviabilizar a anlise em
algumas tcnicas como, por exemplo, Matriz de Scatterplots.
29) A seleo de marcadores (itens correspondentes a pontos, linhas, etc.) deve ser
facilitada, principalmente, quando estes esto muito prximos ou parcialmente
visveis na representao visual.
Scapin: 7. Carga de trabalho/brevidade/aes mnimas
30) A ferramenta deve dispor de um recurso que possibilite, quando necessrio, exibir
o valor dos marcadores (itens) com relao a determinadas dimenses. Ou seja,
passando o mouse sobre os itens em determinadas dimenses seja informado o
valor de cada item correspondente a dimenso de interesse naquele momento ou o
valor do item referente a dimenso mais prxima.
31) A ferramenta deve indicar ao usurio (por exemplo, destacar) quais dimenses
esto no momento filtradas, para que ele possa lembrar ou perceber que em certas
dimenses nem todos os itens de dados esto representados num determinado
momento. Pois, geralmente, ao passar de uma questo analtica para outra o
usurio pode esquecer que algumas dimenses estavam filtradas e precisam ser
desfiltradas, antes de filtrar outras, chegando a concluses erradas sobre os dados.
Scapin: 1.Conduo/presteza e 13.Gesto de erros/proteo contra erros
32) A ferramenta deve conter recursos que permitam configurar o rtulo das dimenses
na representao visual, como alterar o tamanho da fonte, mudar sua posio ou
mostrar atravs de tooltips o nome completo das dimenses. Pois, o fato do usurio
no distinguir o nome de cada dimenso, inviabiliza qualquer anlise.
Scapin: 5. Conduo/Legibilidade
33) Considerando-se que, geralmente, a atividade de anlise envolve a colaborao de
outras pessoas. Pois, dificilmente, o usurio analisa informaes e toma decises
sozinho, sem mostrar, trocar idias e discutir com outras pessoas. Uma ferramenta
de anlise visual deve conter recursos que permitam gerenciar revises.
86

34) Qualquer informao decorrente de operaes realizadas sobre a representao
visual deve ser, imediatamente, atualizada. Por exemplo, indicao do nmero de
itens selecionado ou filtrado.
Scapin: 4. Conduo/resposta imediata
35) Qualquer opo selecionada cujo efeito incida sobre a representao visual deve
ter seu efeito, imediatamente, visvel sobre a representao visual. Por exemplo,
exibir ou no determinados elementos (curvas, labels, silhuetas, etc.), configurar
primitivas grficas (cor, tamanho, espessura, etc.), realizar filtragens,
normalizaes, classificaes, etc.
Scapin: 4. Conduo/resposta imediata
36) A ferramenta deve se manter consistente com relao aos mecanismos de interao
disponibilizados, sua localizao e comportamento, entre as diferentes tcnicas de
visualizao que a compem (desde que a estrutura da tcnica suporte a
implementao de um determinado recurso). Por exemplo, se numa tcnica
possvel configurar o rtulo das dimenses nas demais tambm deve ser possvel,
utilizando os mesmos recursos e de maneira idntica.
Scapin: 16. Coerncia
37) O acesso s opes mais importantes e utilizadas pelo usurio deve ser facilitado,
ou seja, os mecanismos de interao correspondentes a estas aes devem estar
dispostos de maneira adequada na ferramenta e facilmente acessveis e utilizveis,
tornando a atividade de anlise o foco principal. Pouco tempo e esforo devem ser
gastos nas tarefas operacionais que daro suporte as tarefas analticas.
Scapin: 1. Conduo/presteza e 18. Compatibilidade
38) Os mecanismos de interao ou opes de dilogo que necessitam relacionar todas
as dimenses constantes no conjunto de dados devem apresentar a listagem das
dimenses seguindo alguma ordem (crescente, decrescente, alfabtica ou a ordem
conforme que esto dispostas no conjunto de dados). Por exemplo, se possvel
filtrar todas as dimenses que compem o conjunto de dados, os campos de
filtragem devem aparecer seguindo uma certa ordem, que facilite a localizao das
dimenses de interesse.
Scapin: 7. Carga de trabalho/brevidade/aes mnimas e 18. Compatibilidade
39) Todas as aes (recursos de interao) disponveis a uma tcnica devem funcionar,
ou seja, uma vez que apaream como habilitadas e sejam utilizadas devem fornecer
o resultado esperado conforme a solicitao do usurio. Portanto, uma vez
requisitado um recurso, a ferramenta deve apresentar o resultado esperado ou uma
mensagem de erro informando seu uso inadequado.
Scapin: 4. Conduo/resposta imediata e 14. Gesto de erros/qualidade das
mensagens de erro
87
Portanto, na abordagem para realizao da avaliao heurstica prope-se o uso

do conjunto de heursticas estendidas alm dos critrios definidos por Bastien e Scapin
(1993), com o objetivo de auxiliar os avaliadores especialistas em IHC na identificao
de problemas de usabilidade potencialmente presentes em ferramentas de visualizao
de informaes multidimensionais.
Entre alguns trabalhos na literatura que propem o uso de critrios e heursticas
especficas, para auxiliar na avaliao de ferramentas de visualizao, esto: Freitas et
al. (2002), Luzzardi (2003) e (2004) para avaliao de visualizaes hierrquicas; Tory
e Mller (2005) para avaliao de visualizaes de volume; e Zuk et al. (2006) para
avaliao de visualizaes de dados de simulao baseadas em bar charts.
5.3.2 Ensaios de Interao
Na abordagem proposta, emprega-se o termo usurios experimentais para
designar usurios representativos e no usurios reais (especialistas no domnio). Redish
(2007) destaca que a realizao de ensaios de interao requer a participao de
usurios representativos das pessoas que usaro a interface, principalmente, no contexto
de sistemas de visualizao onde difcil garantir a participao de usurios
especialistas no domnio, para realizao deste tipo de teste de usabilidade.
Nesta tese, a adaptao dos ensaios de interao consiste em conduzi-los
seguindo as tarefas da taxonomia (descrita na seo 5.2), atravs da utilizao de
cenrios e um conjunto de questes analticas.
Segundo Preece et al. (2005), um cenrio consiste de uma descrio narrativa
informal, descrevendo as atividades ou tarefas humanas em uma histria que permite a
explorao e discusso de contextos, necessidades e requisitos. Normalmente, os
cenrios so gerados a fim de ajudar a explicar ou discutir objetivos do usurio e seu
nvel de detalhamento varia, no havendo parmetros no que diz respeito ao quanto
deve ser descrito. Eles podem ser empregados para imaginar usos em potencial, assim
como, explicar objetivos, comportamentos e situaes de trabalho existentes.
Winckler et al. (2004b) realizaram uma avaliao de usabilidade baseada em
cenrios e tarefas de duas ferramentas de visualizao hierrquica (Treemaps e
Hyperbolic Browser Magnifind). Eles modelaram tarefas visuais abstratas, com base na
taxonomia de Zhou e Feiner (1998), para gerar os cenrios de teste e concluram que o
uso de cenrios mais efetivo que avaliaes informais e no estruturadas.
Na abordagem, para os ensaios de interao, prope-se o uso de cenrios com o
objetivo de auxiliar os usurios representativos (experimentais) a imaginar usos
potenciais da ferramenta de visualizao e compreender objetivos, comportamentos e
situaes de trabalho dos usurios reais, contemplando, principalmente, as tarefas
operacionais da taxonomia. No APNDICE A, encontra-se um exemplo destes
cenrios, utilizados nos ensaios de interao descritos na seo 6.2.2.
Analisando as 192 questes analticas elaboradas pelos usurios (APNDICE B)
durante os estudos de caso longitudinais, buscou-se encontrar um conjunto de questes
que pudesse servir como diretrizes para o processo de avaliao. Atravs da anlise
dessas questes, detectou-se o seguinte:
1) que 31,81% das questes analisadas mapeiam diretamente para uma nica tarefa
analtica de baixo nvel, ou seja, uma questo analtica mais simples;
2) as demais, ou seja, a maioria correspondem a questes analticas mais abrangentes,
de nvel mais alto em complexidade e abstrao, fazendo parte dos 3 tipos de
88
questes descritos na seo 5.2 (omisses da taxonomia) do trabalho de Amar, Eagan

e Stasko (2005);
3) essas questes de nvel mais alto so compostas de vrias questes analticas mais
simples (ou podem ser decompostas em questes mais simples);
4) as questes analticas de baixo nvel (31,81%) fazem parte da categorizao proposta
por Amar, Eagan e Stasko (2005), detalhadamente, descritas no captulo 4, na seo
4.3.5;
5) as demais questes analticas de nvel mais alto (correspondentes aos 3 tipos de
questes citadas na seo 5.2 do mesmo artigo) so muito difceis de serem
modeladas e categorizadas e, conseqentemente, tornarem-se parte de um conjunto
de questes que pudesse servir como diretrizes para o processo de avaliao. Pois,
so fortemente dependentes do domnio dos dados sendo analisados e, portanto,
muito trabalhosas para serem empregadas num processo inicial de avaliao com
usurios experimentais;
6) assim, comparando as 192 questes analticas com a categorizao proposta por
Amar, Eagan e Stasko (2005), entre as questes de baixo nvel (ou mais simples) que
foram detectadas, as que apareceram:
em maior nmero estavam nas seguintes categorias: encontrar valor, filtrar,

computar valor derivado, encontrar extremo, correlacionar, agrupar;
em menor nmero estavam nas seguintes categorias: determinar variao,
determinar distribuio, encontrar anomalias;
que nunca apareceram estavam na categoria: ordenar;
e questes envolvendo a tarefa comparar num nvel mais simples (casos de
omisso na categorizao proposta por Amar, Eagan e Stasko (2005)), surgiram
vrias vezes entre as 192 questes analisadas.
Desta forma, foi possvel formar o seguinte conjunto de questes analticas para
compor a abordagem de avaliao, utilizando-se as questes de baixo nvel (ou mais
simples) categorizadas por Amar, Eagan e Stasko (2005), conforme descritas no
captulo 4 seo 4.3.5, excluindo a tarefa ordenar e incluindo uma questo analtica
envolvendo a tarefa comparar:
Encontrar valor
Quais so os valores dos atributos {X,Y,Z,...} nos casos de dados {A,B,C,...}?
Filtrar
Quais casos de dados satisfazem as condies {A,B,C...}?
Computar valor derivado
Qual o valor da funo de agregao F sobre um dado conjunto S de casos de dados?
Encontrar Extremo
Quais so os casos de dados N superior/inferior com respeito ao atributo A?
Determinar variao (abrangncia)
Qual a variao de valores do atributo A em um conjunto S de casos de dados?
Caracterizar distribuio
Qual a distribuio de valores do atributo A em um conjunto S de casos de dados?
89
Encontrar Anomalias
Quais casos de dados em um conjunto S de casos de dados tem valores
inesperados/excepcionais?
Agrupar
Quais casos de dados em um conjunto S de casos de dados so similares no valor dos
atributos {X,Y,Z,...}?
Correlacionar
Qual a correlao entre os atributos X e Y sobre um dado conjunto S de casos de
dados?
Comparar
Quais casos de dados em um conjunto S de casos de dados tem valor (ou valores) menor
do que, maior do que ou igual a outro valor ou valores?
Na abordagem, para os ensaios de interao, prope-se o uso deste conjunto de
questes juntamente com os cenrios, como forma de guiar os usurios representativos
(experimentais) durante a anlise e explorao dos dados atravs da ferramenta de
visualizao contemplando, assim, as tarefas analticas da taxonomia. No APNDICE
A, encontra-se um exemplo desse conjunto de questes analticas, utilizado nos ensaios
de interao descritos na seo 6.2.2.
Alm de Amar, Eagan e Stasko (2005), entre alguns trabalhos na literatura que
propem o uso de um conjunto de questes analticas especficas para guiar avaliao
com usurios, esto: Irani et al. (2006) para avaliao de visualizaes hierrquicas;
Kang et al. (2007) para avaliao de visualizaes de estruturas em rede; e Grg et al.
(2007) para avaliao de ambientes de anlise visual.
5.3.3 Estudos de Caso Longitudinais (MILCs)
Finalmente, para completar a abordagem de avaliao, na etapa 3, defende-se a
realizao de estudos de caso longitudinais aplicando o mtodo MILCs, porm, com
uma amostragem menor de usurios especialistas no domnio (de 1 a 3), pois, espera-se
que aps as etapas 1 e 2 grande parte dos problemas de usabilidade (no mnimo 50%
deles) j tenham sido identificados.
Atravs da reviso de trabalhos relacionados, descrita no captulo 4, verifica-se
nos ltimos anos uma forte tendncia de trabalhos que relatam e defendem a idia da
realizao de estudos de caso longitudinais, entre estes (GONZALEZ e KOBSA, 2003)
(HETZLER e TURNER, 2004) (SCHOLTZ e MORSE, 2005) (SEO e
SHNEIDERMAN, 2006) (SHNEIDERMAN e PLAISANT, 2006b) (NORTH, 2007)
(REDISH, 2007), considerando-o como um dos mtodos mais indicados para avaliao
de ferramentas de visualizao e anlise visual.
Conforme Redish (2007) absolutamente necessrio estudar como as pessoas
usam visualizaes no contexto de seu trabalho, ou seja, no devem ser avaliadas
apenas as ferramentas de visualizao, mas o ambiente em que as visualizaes so
usadas. Esta uma questo crtica, em sistemas complexos de informao onde
especialistas no domnio so os reais usurios finais, embora, reconhea-se que o
envolvimento de tais especialistas seja extremamente difcil.
90
Assim, os especialistas no domnio devem ser parceiros no processo de

avaliao, pois, embora experimentos controlados com usurios experimentais tragam
bons resultados jamais fornecero todos os resultados necessrios, devido: as restries
de tempo de estudos em laboratrio, a no realizao de todas as tarefas apropriadas, a
falta de motivao intrnseca dos participantes e a influncia de um ambiente em
laboratrio comparada a um ambiente real de trabalho (GERKEN et al., 2007) no
fornecendo um contexto rico onde cenrios longos, complexos e diferentes so tpicos
nas situaes reais de trabalho que estes sistemas devem satisfazer.
Portanto, para avaliar sistemas complexos de informao deve-se expandir a
avaliao de usabilidade para alm dos experimentos tpicos feitos em laboratrio
(REDISH, 2007). De fato, conforme experimentos relatados no capitulo 6, constata-se
que estudos de caso longitudinais se trata de um dos mtodos mais eficazes para
compreender os reais objetivos e necessidades de usurios potenciais de ferramentas de
visualizao. Embora a utilizao do mtodo MILCs tenha apresentado certas
limitaes, foi somente atravs deste mtodo que se obteve compreenses e resultados
significativos quanto ao uso das tcnicas de VisIM, principalmente, considerando-se as
tarefas e problemas de usabilidade identificados.
Na abordagem proposta, optou-se em manter na sistematizao do processo de
avaliao a aplicao do mtodo MILCs porque ele no somente sugere a realizao de
estudos de caso longitudinais, mas fornece uma metodologia de trabalho a ser seguida
durante os estudos (GERKEN et al. , 2007).
Assim, considerando que as principais limitaes encontradas na aplicao do
mtodo MILCs foram: (1) a dificuldade de encontrar usurios dispostos a participar dos
estudos de caso e (2) o tempo consumido para a realizao de mltiplos estudos de caso
longitudinais, sugere-se, na abordagem, seguir o fluxo de experimentos de avaliao
propostos nas etapas 1 e 2 de forma que ao chegar a etapa 3 grande parte dos problemas
de usabilidades j tenham sido filtrados, permitindo assim a realizao de estudos de
caso longitudinais com uma amostragem menor de usurios especialistas no domnio,
para a deteco dos demais problemas fortemente dependentes do contexto e do
domnio de aplicao.

De todas as taxonomias descritas no captulo 4, as que mais se relacionam a
taxonomia proposta so as taxonomias sugeridas por Shneiderman (1996) e Amar e
colegas (2004) (2005), pois essas so direcionadas, especificamente, a definio de
tarefas do usurio no seguindo, portanto, uma abordagem orientada as tarefas do
sistema (ao projeto de certas representaes) como ocorre nas demais taxonomias. Pois,
embora Yi et al. (2007) considere a taxonomia de Zhou e Feiner (1998) centrada nos
objetivos do usurio, Amar, Eagan e Stasko (2005) no as consideram como tarefas do
usurio e como de fato, conforme as definem os prprios autores, no so.
Muitas taxonomias tm sido propostas na literatura, contudo, nenhuma passou
por um processo de validao (com exceo da categorizao de Yi et al. (2007), que
foi brevemente avaliada pelos autores quanto sua real utilidade). Definir e realizar um
processo de validao da taxonomia , de fato, uma das significativas contribuies
desta tese.
91
Compreender as tarefas do usurio e, particularmente, desenvolver uma

taxonomia especfica que mapeie as principais tarefas que um usurio necessita realizar
enquanto trabalha com um sistema de VisIM teve como objetivo primordial apoiar e
viabilizar a utilizao de todas as tcnicas de avaliao de usabilidade, que seguem uma
abordagem orientada a tarefas, ao contexto das aplicaes que implementam tcnicas de
visualizao de dados multidimensionais.
Considerando-se que o conjunto de tarefas proposto na taxonomia possa ainda
estar incompleto e no cobrir todas as tarefas do usurio, espera-se que outras tarefas
possam ser incorporadas a verso atual da taxonomia como resultado de atividades
futuras. Pois, conforme Amar et al. (2005), difcil construir uma taxonomia que
perfeitamente caracterize um domnio to aberto interpretao, podendo assim nunca
ser considerada perfeita e acabada.
92
6 AVALIAO DA ABORDAGEM
Neste captulo so relatados os experimentos realizados para validao da

taxonomia e para avaliao das tcnicas de avaliao de usabilidade adaptadas na
abordagem. Inicialmente, para validar a taxonomia de tarefas e viabilizar a obteno de
solues ao problema em estudo foram realizados, em ordem cronolgica, dois
experimentos com ensaios de interao e sete estudos de caso longitudinais. Aps,
realizada a adaptao das tcnicas, com os resultados obtidos atravs dos estudos
longitudinais, foram conduzidos experimentos com verses adaptadas e no adaptadas
das tcnicas de avaliao de usabilidade.
6.1 Validao da Taxonomia de Tarefas

Conforme mencionado no captulo anterior, a taxonomia de tarefas foi
construda inicialmente atravs: da anlise de taxonomias existentes na literatura, do
estudo de outros trabalhos de avaliao de tcnicas multidimensionais envolvendo
tarefas e da explorao de algumas tcnicas de visualizao multidimensional.
Desta forma, foi possvel estabelecer sete tarefas: Identificar, Determinar,
Visualizar, Comparar, Inferir, Configurar e Localizar (conforme publicado em
(PILLAT et al., 2005) (VALIATI 2005) (VALIATI et al., 2006)). Essas tarefas foram
consideradas como objetivos e/ou necessidades, que um usurio poderia apresentar
quando utilizasse uma tcnica de VisIM para realizar anlise de dados.
Aps, obtida esta verso preliminar da taxonomia, foram conduzidos sucessivos
experimentos: dois ensaios de interao com usurios experimentais (estudantes) e sete
estudos de caso longitudinais com usurios reais (analistas de dados/especialistas no
domnio), com o objetivo de validar a taxonomia. Os resultados destes experimentos
(descritos a seguir) levaram, conseqentemente, a sucessivos refinamentos na
taxonomia possibilitando, assim, chegar a verso atual.
6.1.1 Ensaios de Interao com Infovis Toolkit
Este primeiro experimento teve como objetivo avaliar a taxonomia proposta
atravs de ensaios de interao com usurios, durante o uso de duas tcnicas de
visualizao de dados multidimensionais, coletando-se a seqncia de subtarefas (aes)
envolvidas na soluo de cada questo proposta e comparando os cenrios observados
(reais, desempenhados pelos sujeitos) com os cenrios estimados na soluo de cada
questo, verificando, assim, se as tarefas constantes na taxonomia de fato ocorriam
durante a atividade de anlise visual e explorao dos dados, ou se novas tarefas
poderiam ser detectadas.
93
6.1.1.1 Usurios
Nesta primeira etapa dos experimentos, participaram 15 usurios (10 homens e 5
mulheres), com idades entre 21 e 25 anos, 5 alunos da disciplina de Visualizao de
Informaes do Programa de Ps-Graduao em Computao, do Instituto de
Informtica da UFRGS e 10 alunos da disciplina de IHC, do Curso de Cincia da
Computao, da Universidade de Passo Fundo.
Conforme informaes obtidas atravs de um questionrio de avaliao de perfil
(APNDICE C), todos os estudantes possuam formao nos cursos de Cincia da
Computao, Informtica ou Engenharia Eltrica, com significativa experincia no
trabalho com computadores, mas pouca ou nenhuma experincia no uso de tcnicas de
visualizao de dados multidimensionais.
6.1.1.2 Conjunto de Dados
Neste experimento foi utilizado um conjunto de dados contendo informaes
sobre Carros4 americanos, japoneses e europeus, fabricados entre 1970 e 1982. Esse
conjunto de dados foi selecionado por sua familiaridade, pois includo em muitos
pacotes de software de minerao de dados e visualizao, no necessitando de
conhecimento especializado para anlise dos dados, bem como, por ter sido
anteriormente utilizado em outros trabalhos de avaliao de tcnicas de visualizao
multidimensional (KOBSA, 2001) (GRINSTEIN et al., 2003).
A verso utilizada deste conjunto de dados possui 392 itens de dados (registros)
e 7 dimenses (atributos), sendo 6 numricos e 1 categrico.
6.1.1.3 Tarefas e Cenrios
Nesta seo so descritas as tarefas/questes analticas utilizadas nos ensaios de
interao e os cenrios estimados, ou seja, as seqncias de possveis tarefas e
subtarefas (aes) previstas, para soluo de cada questo (no entregue aos usurios,
utilizadas apenas para controle do avaliador).
Questo 1: A maior produo de carros japoneses foi fabricada entre que anos?
Cenrio 1:
Determinar (anos, produo)
Visualizar (dimenso anos)
Identificar (agrupamentos de carros japoneses na dimenso anos)
Comparar (agrupamentos)
Localizar (anos com maior agrupamento)
Determinar (anos [amplitude])
Questo 2: Analise os dados e descreva as principais caractersticas dos carros
americanos.
Cenrio 2:
Identificar (caractersticas carros americanos)
Visualizar (dimenso MPG)
4
Conjunto de dados para Machine Learning da UC Irvine Machine Learning Repository disponvel em
http://www.ics.uci.edu/AI/ML/MLDBRepository.html ou http://ivprl.cs.uml.edu/shootout/vizdatasets/
94
Localizar (dados referentes aos carros americanos)

Identificar (distribuio desses dados)
Identificar (agrupamentos)
Identificar (padres/tendncias)
Comparar (dados)
Identificar (similaridades/diferenas)
Questo 3: Os carros japoneses com 4 cilindros geralmente so mais leves do
que os americanos com 6 cilindros?
Cenrio 3:
Inferir (tendncia com relao a tipo de carro, peso e n de cilindros)
Visualizar (dimenso cilindros)
Visualizar (dimenso peso)
Localizar (carros japoneses com 4 cilindros)
Localizar (carros americanos com 6 cilindros)
Identificar (a mdia de peso dos carros japoneses com 4 cilindros)
Identificar (a mdia de peso dos carros americanos com 6 cilindros)
Comparar (as mdias)
Identificar (correlao entre peso e n de cilindros)
Questo 4: Que tendncia os carros europeus apresentaram com o passar dos
anos em relao s suas caractersticas?
Cenrio 4:
Inferir (tendncia de caractersticas carros europeus com o passar dos anos)
Localizar (dados referentes aos carros europeus)
Identificar (distribuio desses dados com relao aos anos)
6.1.1.4 Tcnicas de Visualizao Avaliadas
Durante o experimento foi utilizada uma ferramenta construda com o Infovis
Toolkit (FEKETE, 2004), que possua implementadas trs tcnicas de projeo
geomtrica: Coordenadas Paralelas (INSELBERG, 1985) (INSELBERG, 1990), Matriz
de Scatterplots e Radviz (HOFFMAN, 1999). Contudo, neste experimento, foram
utilizadas apenas as tcnicas Coordenadas Paralelas e Radviz.
Na implementao da tcnica Coordenadas Paralelas os atributos (dimenses) do
conjunto de dados so representados por meio de linhas verticais dispostas de forma
regular (espaamentos iguais), sendo que a primeira linha coincide com o limite
esquerdo do grfico e a ltima com o limite direito do mesmo. A ordenao dos
atributos (da esquerda para a direita) segue a mesma ordem em que estes aparecem no
arquivo de dados.
Cada linha vertical possui, acima dela, a indicao do nome do atributo que a
mesma representa. Os valores mnimo e mximo que cada atributo assume em
95
determinado conjunto de dados so mapeados, respectivamente, para as extremidades

inferior e superior das linhas, e valores intermedirios tm suas posies calculadas com
base no intervalo mnimo-mximo.
Os itens de dados so representados por linhas horizontais, que aparecem,
inicialmente, todas com a mesma cor. A figura 6.1 mostra a tcnica Coordenadas
Paralelas no Infovis Toolkit, exibindo o conjunto de dados sobre carros, utilizado no
experimento de avaliao.
Figura 6.1: Tcnica Coordenadas Paralelas implementada no Infovis Toolkit

Na implementao da tcnica Radviz os atributos (dimenses) do conjunto de
dados so representados por meio de linhas dispostas, tambm, de forma regular, porm
formando um crculo. Nessa tcnica, n linhas correspondentes as n dimenses, emanam
radialmente do centro de um crculo e terminam no seu permetro, em pontos
igualmente espaados, denominados dimensional anchors (DAs). Cada item de dado
projetado est ligado por meio de molas imaginrias s DAs e a posio onde so
projetados aquela onde existe equilbrio das foras das molas associadas a cada
dimenso (HOFFMAN, 1999). Cada ponto de dado , ento, mostrado onde a soma das
foras das molas igual a zero.
A ordenao dos atributos no crculo (em sentido horrio) segue a mesma ordem
em que estes aparecem no arquivo de dados. No final de cada linha, no permetro do
crculo, o nome do atributo que a mesma representa permanece visvel. Alm disso, para
facilitar a compreenso do mapeamento dos pontos de dados realizado pela tcnica,
todos os seus valores so normalizados para o intervalo de 0 a 1.
Os itens de dados so representados por pequenas esferas, que aparecem,
inicialmente, tambm todas com a mesma cor. A figura 6.2 mostra a tcnica Radviz
implementada no Infovis Toolkit, exibindo o conjunto de dados sobre carros, utilizado
no experimento de avaliao.
96
Figura 6.2: Tcnica Radviz implementada no Infovis Toolkit

Na implementao da tcnica Matriz de Scatterplots n itens ou marcadores so
plotados em coordenadas (x, y) semelhante a outros grficos bidimensionais, ou seja,
so exibidas simultaneamente mltiplas projees bidimensionais dos diferentes pares
de atributos, por exemplo, para um conjunto de dados com 6 dimenses uma matriz de
6 x 6 usada para prover a visualizao de cada dimenso versus todas as outras
dimenses.
Os itens de dados so representados por pequenas esferas, que aparecem,
inicialmente, tambm todas com a mesma cor. A figura 6.3 mostra a tcnica Matriz de
Scatterplots implementada no Infovis Toolkit, exibindo um conjunto de dados sobre
carros.
Figura 6.3: Tcnica Matriz de Scatterplots implementada no Infovis Toolkit
97
Ao lado da representao visual de cada uma das tcnicas permanece visvel um

painel de controle, que oferece vrios mecanismos atravs dos quais o usurio pode
interagir. As opes de interao disponibilizadas so as mesmas para ambas as tcnicas
e encontram-se distribudas dentro de quatro abas que compem o painel de controle,
denominadas Filters, Visual, Excentric e Fisheyes (conforme figura 6.4).
Figura 6.4: As quatro abas do painel de controle: (a) Filters; (b) Visual; (c) Excentric; e
(d) Fisheyes
A aba Filters contm, basicamente, as barras de filtragem correspondentes aos
atributos do conjunto de dados, conforme pode ser observado na figura 6.4(a). As barras
de filtragem permitem que o usurio possa ocultar da representao visual itens de
dados dentro de uma faixa de valores. Quando uma barra movida da esquerda para a
direita, os itens so ocultados, progressivamente, daqueles que possuem o menor valor
para o atributo relativo barra at aqueles que apresentam o maior valor para o mesmo.
J quando o sentido de movimentao da barra invertido, o desaparecimento de itens
tambm se d em ordem reversa.
A aba Visual, cujos componentes podem ser observados na figura 6.4(b),
disponibiliza mecanismos de interao que alteram atributos visuais dos objetos
representando os itens de dados. Os mecanismos denominados Color by, Alpha by e
Size by utilizam variaes progressivas na intensidade da cor, nvel de transparncia e
tamanho dos objetos itens de dados, respectivamente, para representar quo alto o
valor que cada objeto apresenta para um determinado atributo (escolhido pelo usurio).
No recurso Color by, a menor intensidade de cor atribuda ao item de dado que possui
o menor valor para o atributo sendo mapeado e a maior intensidade aplicada ao item
que apresenta o maior valor para o mesmo. Os recursos Alpha by e Size by aplicam suas
variaes segundo este mesmo critrio. As visualizaes geradas pelos mecanismos de
interao Color by e Size by, com as tcnicas Coordenadas Paralelas e Radviz, podem
ser observadas na figura 6.5.
O mecanismo denominado Sort by trabalha de forma semelhante aos demais, no
entanto, ele utiliza o valor que cada objeto item de dado possui para um determinado
atributo (especificado pelo usurio) como critrio para a ordenao dos objetos em
profundidade. Ou seja, a ordem em que os objetos se sobrepem na representao visual
pode ser determinada pela escala de valores de um atributo do conjunto de dados. O
98
primeiro item a ser desenhado aquele que possui o menor valor para o atributo
determinante e o ltimo item desenhado aquele que apresenta o maior valor para o
mesmo.
Figura 6.5: Visualizaes geradas pela aplicao dos mecanismos de interao Color by
( esquerda) e Size by ( direita) sobre as tcnicas Radviz (acima) e Coordenadas
Paralelas (abaixo)
O usurio pode tambm especificar um atributo que determina os labels
exibidos para cada item de dado, atravs do mecanismo de interao Label by. Quando
o componente Label all items da aba Visual encontra-se habilitado, cada item aparece na
visualizao com um label associado e o contedo deste ltimo o valor que o objeto
possui para o atributo determinante.
Alm de todos os mecanismos de interao j citados, a aba Visual tambm
permite ao usurio modificar algumas configuraes padro dos itens de dados, como o
tamanho (componente Default size), o nvel de transparncia (componente Default
alpha) e a cor (componente Default color). O nmero de itens desenhados na
visualizao a cada momento pode tambm ser acompanhado habilitando o componente
Display stats.
Em muitos casos, os labels fixos gerados pelo componente Label all items no
podem ser visualizados adequadamente, principalmente quando o nmero de itens de
dados muito elevado. Diante disso, um meio alternativo para visualizar esses labels
oferecido pela aba Excentric (ver figura 6.4(c)), habilitando o componente Enable
excentric labels. Esse ltimo exibe labels em posies dinmicas (sempre indicando o
objeto ao qual cada um se refere) e apenas para os itens que ficam sob uma regio
quadrada (delimitada por linhas vermelhas) que acompanha o cursor do mouse,
conforme ilustrado na figura 6.6. O tamanho do quadrado, que representa a rea de
abrangncia desse mecanismo de interao, e o nmero mximo de labels exibidos
podem ser configurados atravs dos componentes Radius e Max Labels,
respectivamente.
99
Figura 6.6: Labels dinmicos na tcnica Coordenadas Paralelas

Finalmente, a ltima aba do painel de controle, denominada Fisheyes (ver figura
6.4 (d)), executa deformaes nos objetos de dados localizados sob o cursor do mouse.
Essa deformao funciona como uma lente de aumento, como pode ser observado na
figura 6.7, e facilita a identificao de objetos muito pequenos, prximos ou levemente
sobrepostos.
Figura 6.7: Lente Fisheye aplicada na tcnica Radviz

Acima do painel de controle existe ainda um espao reservado para a
visualizao dos valores que um item de dado, selecionado na representao visual,
possui para cada um dos atributos do conjunto de dados. A exibio desses valores
feita em forma de tabela, como pode ser observado na figura 6.8, na primeira coluna so
mostrados os nomes dos atributos e na segunda os valores que o item selecionado
apresenta para estas dimenses. Com a finalidade de facilitar a identificao do objeto
item de dado selecionado, este ltimo tem sua cor de contorno modificada para
vermelho na representao visual.
Figura 6.8: Visualizao dos valores de cada atributo de um item selecionado nas
tcnicas Coordenadas Paralelas e Radviz
100
6.1.1.5 Procedimentos na Conduo dos Ensaios

Uma semana antes do experimento, os estudantes em grupo receberam
treinamento de 1 hora com relao ao uso das tcnicas. No momento do experimento,
cada estudante recebeu um re-treinamento de 10 minutos. Aps este tempo, cada
usurio recebeu uma lista (APNDICE D) contendo as 4 tarefas/questes analticas a
serem resolvidas utilizando as duas tcnicas de visualizao (consecutivamente) e foi
instrudo a verbalizar todas as aes realizadas e os problemas encontrados (mtodo
think aloud).
Os ensaios de interao foram conduzidos individualmente, em laboratrio, na
presena de dois observadores, sendo que um dos observadores anotou os problemas de
usabilidade observados e/ou relatados pelo usurio (em cada tcnica de visualizao
avaliada) e o outro observou a interao do usurio, registrando (conforme formulrio
do APNDICE E): a seqncia de subtarefas (aes) envolvidas na soluo de cada
questo/tarefa nos diferentes cenrios observados (cenrios reais) e o tempo total
consumido para resolver cada questo/tarefa. As seqncias de interao de cada
usurio foram, tambm, registradas por um software de captura de tela, denominado
Heroscreen5.
Os estudantes foram randomicamente selecionados para utilizar as duas tcnicas
de visualizao de forma alternada, de modo que 7 usurios utilizaram Radviz e depois
Coordenadas Paralelas e 8 usurios utilizaram Coordenadas Paralelas e depois Radviz,
totalizando 30 observaes. Durante os ensaios de interao no foi estipulado um
tempo mximo ou mnimo para solucionar cada questo, portanto cada estudante
poderia consumir o tempo que julgasse necessrio para solucionar cada questo,
explorando os dados, em ambas as tcnicas. Cada ensaio de interao totalizou em
mdia 2 horas.
O tempo para completar cada questo/tarefa, assim como, a troca e conseqente
seqncia de subtarefas (cenrios reais identificados) foi controlado atravs da avaliao
dos eventos (observados ou verbalizados pelo usurio) que assinalam o incio e o fim de
cada tarefa (conforme descrio de cada tarefa no captulo 5, seo 5.2).
Finalizados os ensaios de interao foram comparados os cenrios observados
com os cenrios estimados. As imagens capturadas pelo software Heroscreen
permitiram rever se as seqncias de aes registradas pelo avaliador de fato estavam
completas e corretas. Os problemas de usabilidade registrados foram, tambm,
analisados e parcialmente relatados em (PILLAT et al., 2005).
6.1.1.6 Resultados
Com o objetivo de avaliar a taxonomia proposta, foram comparados os cenrios
observados (cenrios reais) com os cenrios estimados na soluo de cada
questo/tarefa proposta, atravs da anlise dos formulrios (conforme modelo
APNDICE E) onde foram registradas as interaes de cada usurio, ou seja, a
seqncia de tarefas e subtarefas (aes) realizadas na soluo de cada questo nos
diferentes cenrios observados (cenrios reais, desempenhados pelos usurios em cada
questo durante a utilizao de cada tcnica).
Heroscreen um software shareware que permite capturar todas as aes realizadas pelo usurio,
atravs do uso do mouse ou teclado, registrando-as numa seqncia de telas de forma dinmica.
101
Descartando-se 12 cenrios reais, onde os usurios desistiram de completar a

tarefa utilizando a tcnica Radviz, foram analisados 108 cenrios reais, atravs dos quais
foi possvel observar que independente das tcnicas utilizadas todos os usurios
executaram, durante a resoluo de cada questo, basicamente os mesmos cenrios
reais, com pouqussimas variaes. Portanto, comparando os cenrios reais com os
respectivos cenrios estimados, percebeu-se que todas as tarefas e subtarefas estimadas
ocorreram, porm numa ordem um pouco diferente, geralmente, com relao as
primeiras subtarefas estimadas em cada cenrio.
As Tabelas 6.1, 6.2, 6.3 e 6.4 apresentam, respectivamente, um consenso das
principais diferenas registradas entre os cenrios estimados e os cenrios reais.
Tabela 6.1: Experimento I Cenrios estimado e real referente questo 1: A maior
produo de carros japoneses foi fabricada entre que anos?
Cenrio Estimado
Cenrio Real

Identificar (agrupamentos de carros japoneses na dimenso anos)
Configurar (visualizao carros japoneses), utilizando [filtros,
cores, formas, tamanhos, etc.]
Identificar (agrupamentos
de carros japoneses na
dimenso anos)
Localizar (anos com maior

agrupamento)
Localizar (anos com maior agrupamento)
Determinar (anos
[amplitude])
Configurar (visualizao da dimenso anos), utilizando

[filtros, cores, formas, tamanhos, etc.]
Tabela 6.2: Experimento I Cenrios estimado e real referente questo 2: Analise os

dados e descreva as principais caractersticas dos carros americanos.
Cenrio Estimado
Cenrio Real
Identificar (caractersticas
carros americanos)
Identificar (caractersticas carros americanos)

Localizar (dados referentes aos carros americanos)
Configurar (visualizao carros americanos), utilizando
Localizar (dados referentes

aos carros americanos)
Identificar (distribuio
desses dados)
Identificar (distribuio desses dados)
Identificar
(padres/tendncias)
Comparar (dados)
Identificar
(similaridades/diferenas)
Comparar (dados)
Configurar (visualizao de cada dimenso a ser analisada),

utilizando [filtros, cores, formas, tamanhos, etc.]
102
Tabela 6.3: Experimento I Cenrios estimado e real referente questo 3: Os carros

japoneses com 4 cilindros geralmente so mais pesados do que os americanos com 6
cilindros?
Cenrio Estimado
Cenrio Real
Inferir (tendncia com relao
a tipo de carro, peso e n de
cilindros)
Inferir (tendncia com relao a tipo de carro, peso e n de

cilindros)
Visualizar (dimenso
cilindros)
Localizar (carros japoneses com 4 cilindros)

Configurar (visualizao carros japoneses), utilizando [filtros,
Localizar (carros americanos com 6 cilindros)

Configurar (visualizao carros americanos), utilizando
Localizar (carros japoneses

com 4 cilindros)

Configurar (visualizao dimenso cilindros), utilizando
Localizar (carros
americanos com 6 cilindros)
Identificar (a media de peso

dos carros japoneses com 4
cilindros)
Identificar (a mdia de peso dos carros japoneses com 4 cilindros)
Identificar (a media de peso

dos carros americanos com
6 cilindros)
Identificar (a mdia de peso dos carros americanos com 6 cilindros)
Comparar (as medias)
Comparar (as mdias)
Identificar (correlao entre

peso e n de cilindros)
Identificar (correlao entre peso e n de cilindros)
Tabela 6.4: Experimento I Cenrios estimado e real referente questo 4: Que

tendncia os carros europeus apresentaram com o passar dos anos em relao s suas
caractersticas?
Cenrio Estimado
Cenrio Real
Inferir (tendncia de
caractersticas dos carros
europeus com o passar dos
anos)
Inferir (tendncia de caractersticas dos carros europeus com o

passar dos anos)
Localizar (dados referentes aos carros europeus)

Configurar (visualizao carros europeus), utilizando [filtros,

Configurar (visualizao da dimenso anos), utilizando
Localizar (dados referentes

aos carros europeus)
Identificar (distribuio
desses dados com relao
aos anos)
Identificar (distribuio desses dados com relao aos anos)
Identificar
(padres/tendncias)
Nos cenrios reais nota-se, tambm, o surgimento de algumas subtarefas em um

terceiro nvel de detalhamento, assim como, uma tendncia dos usurios utilizarem
diferentes recursos para configurar a forma de apresentao dos dados conforme suas
103
preferncias. Como, por exemplo, ocorreu com a questo 3 no momento de Localizar

os carros americanos e japoneses com diferente nmero de cilindros, surgiu como
subtarefa da tarefa Localizar a tarefa Configurar (que no foi estimada), atravs da
qual foi possvel observar a preferncia da cada usurio no uso de diferentes recursos da
aplicao para configurar a forma de apresentao dos dados, indicada nos cenrios
reais por colchetes da seguinte forma: [filtros, cores, formas, tamanhos, etc.].
Outra importante questo a ser relatada, a qual no foi estimada e registrada nos
cenrios reais, trata-se da forma iterativa que a seqncia de aes (subtarefas) ocorre
durante o processo de anlise e explorao dos dados. Ou seja, durante o uso das
visualizaes e, conseqente, anlise dos dados, os usurios realizam repetidas vezes o
retorno a algumas tarefas como forma de visualizar e explorar os dados de diferentes
maneiras e perspectivas na busca de compreenso e solues as questes propostas.
Isto demonstra que, para o processo de anlise e explorao de dados atravs do
uso de tcnicas de visualizao, difcil criar uma seqncia de aes considerada como
nica e mais correta. Podem existir muitas seqncias possivelmente vlidas, que levem
um usurio a completar com sucesso uma tarefa (ALLENDOERFER et al., 2005).
6.1.1.7 Discusso dos Resultados
Como o objetivo deste experimento e dos prximos no foi examinar a validade
da seqncia de aes (subtarefas) estimadas e sim verificar a validade e existncia das
tarefas definidas na taxonomia, como tambm, detectar a existncia de outras tarefas
no previstas, optou-se em apresentar nos resultados um consenso das principais
diferenas registradas entre os cenrios estimados e os cenrios reais. Ou seja,
apresentar um cenrio real de consenso, para a soluo de cada questo/tarefa proposta
aos usurios, com base nas observaes feitas durante os ensaios de interao
realizados.
O surgimento de um terceiro nvel de detalhamento refora o fato que muitas
tarefas podem ser compostas de outras tarefas do mesmo nvel como subtarefas, visto
que cada tipo de tarefa pode gerar uma ou mais tarefas dos outros tipos como uma
subtarefa em qualquer nvel, no existindo uma hierarquia rgida a priori que possa ser
imposta na taxonomia.
Portanto, observando a interao dos usurios, verificou-se que todas as tarefas e
subtarefas estimadas ocorreram, como tambm, nenhuma tarefa nova pde ser
identificada alm das j definidas na taxonomia proposta.
Contudo, embora os resultados obtidos neste experimento tenham sido bastante
significativos, com relao avaliao da taxonomia, os resultados desse experimento
conduziram a realizao de novos ensaios de interao envolvendo um nmero maior de
usurios, utilizando-se desta vez os cenrios reais como cenrios estimados, os quais
resultaram no prximo experimento descrito.
Assim, o prximo passo foi alterar uma das variveis possivelmente relacionadas
ocorrncia ou no de algumas tarefas da taxonomia:
avaliando a taxonomia proposta, conduzindo outros experimentos de avaliao
de usabilidade utilizando diferentes tcnicas de visualizao de dados
multidimensionais;
realizando experimentos de avaliao, com outras questes que contemplem
diferentes tarefas da taxonomia empregando o mesmo conjunto de dados ou
dados em outro domnio;
104
analisando a taxonomia proposta, realizando ensaios de interao com as

mesmas tcnicas avaliadas porm envolvendo diferentes implementaes;
conduzindo experimentos de avaliao, com a participao de especialistas no
domnio dos dados.
6.1.2 Ensaios de Interao com Xmdvtool e aplicao de Hoffman

Este experimento teve como objetivo verificar se os cenrios reais de consenso
observados no experimento anterior eram dependentes e sofriam alguma influncia pelo
fato das tcnicas avaliadas terem sido implementadas com o Infovis Toolkit (e,
consequentemente, pelos recursos por ele disponibilizados), como tambm, examinar se
novas tarefas poderiam ser detectadas e includas na taxonomia. Portanto, optou-se em
utilizar o mesmo conjunto de dados, as mesmas questes analticas a serem resolvidas e
os cenrios reais de consenso do ltimo experimento, contudo, empregando-se
diferentes implementaes das tcnicas avaliadas.
6.1.2.1 Usurios
Para os ensaios de interao, participaram 11 usurios (9 homens e 2 mulheres),
com idades entre 22 e 25 anos, todos alunos da disciplina de IHC do Curso de Cincia
da Computao, da Universidade de Passo Fundo.
Conforme informaes obtidas atravs do questionrio de avaliao de perfil
(APNDICE C), todos os estudantes possuam conhecimentos na rea de Cincia da
Computao, com significativa experincia no trabalho com computadores e nenhuma
noo e experincia no uso de tcnicas de visualizao de dados multidimensionais.
6.1.2.2 Conjunto de Dados
Neste experimento foi utilizado, novamente, o mesmo conjunto de dados do
experimento anterior, o qual possui informaes sobre carros americanos, japoneses e
europeus, fabricados entre 1970 e 1982, contendo 392 itens de dados (registros) e 7
dimenses (atributos), sendo 6 numricos e 1 categrico.
6.1.2.3 Tarefas e Cenrios
Para realizao dos ensaios de interao foram utilizadas as mesmas questes
propostas aos usurios e os cenrios reais de consenso do experimento anterior, como
cenrios estimados (conforme Tabelas 6.1, 6.2, 6.3 e 6.4).
6.1.2.4 Tcnicas de Visualizao Avaliadas
Neste experimento foram utilizadas duas implementaes diferentes da tcnica
Coordenadas Paralelas, uma da tcnica Matriz de Scatterplots e outra da tcnica Radviz.
Uma das implementaes de Coordenadas Paralelas e a Matriz de Scatterplots fazem
parte do pacote XmdvTool6 (disponvel em http://davis.wpi.edu/~xmdv). A outra
implementao de Coordenadas Paralelas e a tcnica Radviz fazem parte de uma
aplicao desenvolvida em Java por Hoffman e seu grupo, disponvel em
(http://ivpr.cs.uml.edu/~hoffman/).
XmdvTool (Multivariate Data Visualization Tool), trata-se de um pacote de software de domnio pblico
desenvolvido para a explorao visual interativa de conjuntos de dados multivariantes.
105
Na aplicao desenvolvida por Hoffman e seu grupo, disponvel em

(http://ivpr.cs.uml.edu/~hoffman/), esto implementadas as tcnicas Radviz, Survey
Plot, Trend Plots, Coordenadas Paralelas, Coordenadas Paralelas Circulares, Matriz de
Scatterplots, Segmento de Crculos, Histograma com Coordenadas Paralelas, Andrew
Plots, Grfico de linhas e Gridviz. Algumas tcnicas possuem mais recursos de
interao que outras, para Coordenadas Paralelas os recursos disponveis so mover
dimenses, alterar tema de cores e normalizaes e para a Tcnica Radviz as interaes
possveis incluem normalizaes, jittering, mostrar ou no linhas radiais e labels,
controlar tamanho dos pontos e fator de zoom, alterar tema de cores e reordenar
dimenses.
A figura 6.9 apresenta a tcnica Radviz na aplicao de Hoffman, exibindo o
conjunto de dados sobre carros, utilizado no experimento de avaliao.
Figura 6.9: A tcnica Radviz disponvel na aplicao de Hoffman

O pacote XmdvTool suporta quatro mtodos para mostrar dados no formato
horizontal e dados hierarquicamente agrupados: Matriz de Scatterplots, Star Glyphs,
Coordenadas Paralelas e Dimensional Stacking. Entre alguns recursos de interao
disponveis inclui: selecionar, salvar a representao ou os dados selecionados, zoom,
mover a representao na horizontal e vertical, realizar distoro, configurar a
representao visual com diferentes temas de cores, esconder e reordenar dimenses.
106
A figura 6.10 mostra as tcnicas Coordenadas Paralelas e Matriz de

Scatterplots no pacote XmdvTool, exibindo o conjunto de dados sobre carros, utilizado
no experimento de avaliao.
Figura 6.10: Coordenadas Paralelas e Matriz de Scatterplots na ferramenta XmdvTool
107
6.1.2.5 Procedimentos na Conduo dos Ensaios

Antes dos ensaios de interao, os usurios receberam individualmente
treinamento de 30 minutos em cada tcnica a ser utilizada. No incio do ensaio de
interao, cada usurio recebeu uma lista (APNDICE D) contendo as 4
questes/tarefas a serem resolvidas e foi instrudo a verbalizar todas as aes realizadas
e os problemas encontrados (mtodo think aloud).
Os experimentos foram conduzidos individualmente, em laboratrio, na
presena de um avaliador, o qual observou a interao do usurio, anotando em
formulrios (conforme modelo do APNDICE E): a seqncia de tarefas e subtarefas
(aes) envolvidas na soluo de cada questo analtica nos diferentes cenrios
observados (cenrios reais) e o tempo total consumido para resolver cada tarefa/questo.
Os usurios foram randomicamente selecionados para utilizar duas tcnicas em
ordem alternada, de forma que 5 usurios utilizaram Radviz e depois Coordenadas
Paralelas (da aplicao disponvel em Java) e 6 usurios utilizaram Coordenadas
Paralelas e depois Matriz de Scatterplots (do pacote Xmdvtool), totalizando 22
observaes. Durante os ensaios de interao no foi estipulado um tempo mximo ou
mnimo para solucionar cada questo, cada usurio poderia consumir o tempo que
julgasse necessrio para solucionar cada questo, explorando os dados, em ambas as
tcnicas. Cada ensaio de interao totalizou em mdia 2 horas.
O tempo para completar cada tarefa/questo, assim como a troca e conseqente
seqncia de tarefas e subtarefas (cenrios reais identificados), foi controlado atravs da
avaliao dos eventos (observados ou verbalizados pelo usurio) que assinalam o incio
e o fim de cada tarefa (conforme descrio de cada tarefa no captulo 5, seo 5.2).
Aps conduzidos todos os ensaios de interao, os cenrios observados (reais,
desempenhados pelos usurios em cada questo durante a utilizao de cada tcnica)
foram comparados aos cenrios estimados (cenrios reais de consenso obtidos no
primeiro experimento).
6.1.2.6 Resultados
Analisando-se os 88 cenrios reais observados durante este experimento e
comparando-os aos cenrios estimados foi possvel constatar que os cenrios reais de
consenso ainda permanecem os mesmos do primeiro experimento, sendo que as nicas
diferenas observadas referem-se a forma iterativa que a seqncia de aes (subtarefas)
ocorreu durante o processo de anlise e explorao dos dados entre os diferentes
usurios.
Isto indica, novamente, que todas as tarefas e subtarefas estimadas foram
previstas, embora no fosse vivel presumir todas as possveis formas iterativas em que
elas poderiam ocorrer.
6.1.2.7 Discusso dos Resultados
Neste experimento, embora tenham sido utilizadas a tcnica Matriz de
Scatterplots e implementaes diferentes das tcnicas Coordenadas Paralelas e Radviz,
no foi possvel detectar nenhuma tarefa a ser includa na taxonomia. Isto pode estar
diretamente relacionado s questes analticas propostas nos ensaios de interao, ao
perfil de usurio envolvido nos experimentos e/ou ao domnio do conhecimento, no qual
est inserido o conjunto de dados.
108
Assim, a prxima etapa desenvolvida a fim de avaliar a taxonomia foi realizar

estudos de caso longitudinais, onde fosse possvel observar a atuao de usurios reais
(especialistas no domnio) utilizando uma tcnica de visualizao multidimensional para
analisar seus prprios conjuntos de dados.
6.1.3 Estudos de Caso Longitudinais
Esta seo relata a experincia de utilizao do mtodo Multi-dimensional Indepth Long-term Case Studies MILCs (SHNEIDERMAN e PLAISANT, 2006b) na
avaliao de tcnicas de visualizaes de informaes multidimensionais.
Conforme Shneiderman e Plaisant (2006b), no termo Multi-dimensional Indepth Long-term Case Studies, multi-dimensional refere-se ao uso de diferentes
mtodos (por exemplo, entrevistas, observaes, etc.) para avaliar a performance do
usurio, a eficcia e utilidade da interface. In-depth diz respeito ao intenso engajamento
do pesquisador com os usurios especialistas ao ponto de se tornar um parceiro ou
assistente. Long-term consiste na realizao de estudos longitudinais (de longa durao)
com usurios especialistas no domnio. Case studies refere-se ao relato detalhado sobre
um pequeno nmero de usurios (3 a 5 especialistas no domnio) trabalhando em seus
ambientes normais de trabalho, utilizando visualizaes para analisar seus prprios
dados.
O objetivo principal na realizao do primeiro estudo de caso longitudinal era
identificar as tarefas interativas realizadas pelos usurios durante o processo de anlise e
explorao de dados. Como os resultados obtidos no primeiro estudo foram bastante
significativos, optou-se em aplicar o mtodo MILCs mantendo o mesmo objetivo
inicial, contudo, buscando identificar tambm problemas de usabilidade e questes
analticas de alto nvel (VALIATI et al., 2008).
Com a aplicao do mtodo MILCs, foram realizados ao todo 7 estudos de caso
longitudinais envolvendo: 7 usurios especialistas no domnio, 5 reas diferentes de
conhecimento (domnios), 13 conjuntos de dados e 5 ferramentas de visualizao.
Os usurios envolvidos nos estudos de caso longitudinais no possuam qualquer
familiaridade com o experimentador, alm de um contato indireto. Todos os estudos de
caso foram realizados no ambiente de trabalho dos usurios, os quais: 1) estavam
motivados para anlise de seus prprios dados; 2) eram experientes no uso de
computadores, mas inexperientes no uso de visualizaes; 3) possuam suas prprias
prticas e ferramentas de anlise; e 4) estavam em diferentes fases no processo de
anlise dos dados (j haviam analisado parcialmente seus dados atravs de outros
recursos, estavam na fase de pr-processamento dos dados ou iniciariam a anlise
propriamente dita).
O primeiro estudo de caso (na rea de biologia) foi realizado no final de 2005 e
parcialmente publicado em (VALIATI et al., 2006). Os demais estudos feitos com 1
gegrafo, 1 corretor de seguros, 1 especialista em educao e 3 especialistas em terceira
idade foram realizados no perodo de um ano (iniciaram em setembro de 2006 e foram
concludos no mesmo perodo em 2007). Cada estudo de caso durou de 6 a mais
semanas, com durao de 2 a 4 meses. Alguns foram realizados de forma consecutiva
ou parcialmente paralela, dependendo da disponibilidade de cada usurio.
109
Metodologia e Atividades Desenvolvidas

Em todos os estudos de caso longitudinais foi utilizada a mesma metodologia,
conforme guidelines para MILCs descritas em (SHNEIDERMAN e PLAISANT,
2006b), concentrando-se na realizao de observao participativa e entrevistas,
conforme adotado por (SEO e SHNEIDERMAN, 2006). Todavia, para um melhor
entendimento segue uma descrio dos procedimentos realizados em cada estudo.
Durante os estudos de caso longitudinais as atividades aconteceram de uma
maneira bastante natural e espontnea, todos os usurios foram convidados e
participaram voluntariamente dos estudos. No primeiro encontro, realizou-se uma
entrevista com o objetivo de conhecer a experincia e as prticas de trabalho do usurio.
Antes de iniciar a anlise dos dados, cada usurio recebeu um treinamento sobre
as tcnicas de visualizao a serem utilizadas, no que se refere a forma como os dados
so representados e os recursos de interao disponibilizados. Entretanto, foi permitido
ao usurio solicitar auxlio quanto ao uso das tcnicas sempre que julgasse necessrio.
Antecipadamente, no foi estipulado nenhum protocolo rgido de como os
usurios deveriam proceder, quantos encontros seriam realizados com o experimentador
e o tempo de realizao de cada encontro, que conjunto de dados seriam utilizados, to
pouco havia qualquer conhecimento de quais seriam as questes analticas de alto nvel
que os usurios buscavam responder durante a anlise e explorao de seus dados.
Assim, solicitou-se a cada usurio que utilizasse as tcnicas de visualizao o
tempo que julgasse necessrio (com relao ao nmero de encontros e tempo de durao
de cada encontro) at que sentisse no obter mais nenhum conhecimento novo ou
compreenso sobre os dados em anlise.
Nos encontros semanais com o experimentador, cada usurio era observado,
instrudo e incentivado a pensar em voz alta (mtodo think aloud) enquanto analisava e
explorava seus dados utilizando as tcnicas de visualizao, relatando: questes que
buscava responder atravs da anlise, aes realizadas ou que desejava realizar (tarefas
e subtarefas), dificuldades ou problemas encontrados durante o uso da tcnica e
quaisquer outras observaes, inferncias e concluses acerca da atividade sendo
realizada.
Durante cada encontro todas as observaes realizadas eram registradas em
formulrios em papel, em formato livre, os quais horas depois eram revisados para
melhor descrever as anotaes realizadas e todos os fatos ocorridos, para uma posterior
anlise de todos os registros. No ltimo encontro, os usurios eram entrevistados e
solicitados a avaliar sua experincia com o uso da tcnica, relatando quaisquer
dificuldades e benefcios.
Os problemas de usabilidade identificados foram classificados, utilizando a
seguinte tabela de severidades, adaptada de Nielsen (1994a).
Tabela 6.5: Tabela de severidades adaptada de Nielsen (1994a)
SEVERIDADE
SIGNIFICADO
1
2
Problema que no exerce influncia ou prejudica a execuo de uma tarefa

Problema que exerce pouqussima influncia, mas no impede ou prejudica
o usurio na execuo de uma tarefa
Problema que afeta levemente a execuo de uma tarefa
Problema que atrapalha e dificulta sensivelmente o usurio na execuo de
uma tarefa
Problema que severamente prejudica ou impede a execuo de uma tarefa
3
4
5
110
A seguir apresenta-se uma descrio mais detalhada de cada estudo de caso

longitudinal realizado, incluindo: perfil do usurio, contexto de uso, conjunto de dados,
ferramentas e tcnicas de visualizao utilizadas, tempo de durao do estudo e
resultados obtidos.
6.1.3.1 Estudo de Caso: Embrapa
6.1.3.1.1
Perfil do Usurio
O usurio envolvido no estudo um pesquisador do Centro Nacional de

Pesquisa de Trigo (CNPT-EMBRAPA), Unidade de Passo Fundo, que trabalha com
dados sobre anlise de solos. Caracteriza-se por ser um usurio especialista no domnio
dos dados sendo analisados, experiente tanto na atividade de anlise de dados quanto no
uso de computadores e ferramentas de anlise estatstica, porm, inexperiente no uso de
visualizaes.
6.1.3.1.2
Contexto de Uso
Os dados analisados referem-se a um projeto desenvolvido por trs

pesquisadores da EMBRAPA, que tem por objetivo melhorar cultivares de trigo.
Cultivar uma planta que apresenta caractersticas genticas agronmicas superiores a
outras plantas. Na verdade, representa uma populao de plantas de caractersticas
genticas uniformes. Cultivar uma variedade e por este motivo novas cultivares
somente so lanadas para cultivo quando apresentam caractersticas melhores que
outras cultivares.
O principal objetivo do usurio envolvido no estudo era verificar a relao entre
rendimento de gros e doses de nitrognio (N) ou qualquer outra relao importante
entre pares de valores (fatores) no desenvolvimento de seis diferentes cultivares de trigo
denominadas como: buriti, camboat, camboim, canela, guabiju e louro.
Sendo o rendimento de gros o fator mais importante agronmica e
economicamente, busca-se saber quais outros fatores podem ou no ser determinantes
do rendimento final do gro. Entre alguns fatores, usualmente, mensurados e analisados
quando uma cultivar caracterizada ou descrita esto: nmero de plantas emergidas por
m2, leitura de clorofila, ndice de acamamento1, nmero de espigas por m2, estatura da
planta, ndice de acamamento2, PH, rendimento PH>70 e PMS, ndice de colheita, teor
de N, P, K,Ca e Mg no tecido foliar, teor de N, P, K, Ca e Mg na palha do trigo e teor de
N, P, K no gro de trigo.
6.1.3.1.3
Conjunto de Dados
Durante o uso das tcnicas de visualizao foram utilizados dois conjuntos de

dados do prprio pesquisador: o primeiro contendo dados de campo e o segundo
contendo dados da anlise de qualidade industrial dos gros de trigo.
Na primeira fase do estudo, foi realizado um pr-processamento juntamente com
o pesquisador. O conjunto de dados referente aos dados de campo possua 24 itens e 12
dimenses e o conjunto de dados relacionado anlise de qualidade continha 24 itens
e 14 dimenses.
Na segunda fase do estudo, por deciso do pesquisador para uma melhor anlise
dos dados, os dados de campo e anlise de qualidade foram agrupados gerando dois
111
novos conjuntos de dados: dados relacionados ao efeito N contendo 4 itens e 34

dimenses e dados relacionados ao efeito cultivares contendo 6 itens e 34 dimenses.
6.1.3.1.4
Tcnica de Visualizao Utilizada
Neste estudo de caso foram propostas para utilizao as mesmas tcnicas de

visualizao empregadas no experimento I, Coordenadas Paralelas, Matriz de
Scatterplots e Radviz, implementadas com o Infovis Toolkit, conforme descrio
constante na seo 6.1.1.4. Entretanto, no decorrer dos encontros, o usurio optou em
utilizar somente a tcnica Coordenadas Paralelas.
6.1.3.1.5
Tempo de Durao
Este estudo de caso longitudinal teve a durao de 6 encontros com o usurio,

foi realizado no perodo de outubro a dezembro de 2005, totalizando 15 horas de
observao. A mdia de tempo de cada encontro foi de 2 horas e 30 minutos.
6.1.3.1.6
Resultados
Atravs da anlise dos registros feitos em cada encontro, as informaes

coletadas foram categorizadas em: 39 questes analticas de alto nvel, diferentes
ocorrncias de tarefas e subtarefas e 19 problemas de usabilidade.
Questes analticas
No decorrer dos encontros, o usurio, buscando verificar a relao entre
rendimento de gros e doses de Nitrognio (N) ou qualquer outra relao importante
entre pares de valores (fatores) no desenvolvimento de seis diferentes cultivares de
trigo, formulou 39 questes analticas (conforme APNDICE B).
Tarefas e subtarefas
A Tabela 6.6 sumariza as tarefas observadas e realizadas pelo usurio no uso
da ferramenta de visualizao, durante o processo de anlise visual e explorao de seus
prprios dados na busca de respostas a questes analticas (acima descritas), incluindo o
nmero de ocorrncias (considerando-se tambm o nmero de vezes que a tarefa
ocorreu como subtarefa de outras tarefas) e os tipos de ocorrncia de cada tarefa. As
tarefas e tipos de ocorrncias destacadas em itlico significam tarefas novas, no
constantes na taxonomia inicial (conforme publicado em (PILLAT et al., 2005)
(VALIATI 2005) (VALIATI et al., 2006)).
Tabela 6.6: Tarefas observadas atravs do Estudo de Caso: Embrapa
Tarefas
Interagir c/
representao
visual
Nmero de Tipos de ocorrncias

ocorrncias
181
selecionar dimenses, trocar a ordem das dimenses,
inserir comentrios sobre pontos especficos na
representao (para que outros analistas possam
examinar e trocar informaes), rotular valores
numricos sobre a representao (associ-los aos
valores categricos de origem), movimentar eixo das
dimenses, realar (destacar) dimenses
112
Usar uma
situao
visualizada
88
Ir para
situao
visualizada
55
Integrar
Identificar
20
82
Determinar
20
Exibir
105
57
Comparar
77
Inferir
25
Configurar
101
153
Localizar
69
salvar representaes da visualizao, mostrar para

outros, discutir com outros, relatar (registrar,
documentar) concluses, vincular anotaes com
representaes, vincular comentrios com
representaes
carregar uma representao da visualizao (para
continuar o trabalho do ponto onde foi interrompido e
mostrar situaes visualizadas a outras pessoas), refazer
histrico de aes, refazer e desfazer aes
exportar dados em diferentes formatos
agrupamentos, dados, itens, valores, correlaes,
propriedades, caractersticas similaridades, diferenas,
dependncias, independncias, variaes nos dados
mdias, varincia, amplitude, somas, propores,
diferenas, probabilidade
n dimenses, n itens, dados, sinalizar (informar) o nvel
de sobreposio dos marcadores, mostrar resultado de
clculos sobre a representao
dimenses, itens, dados, valores, agrupamentos,
propriedades, propores, posies, distncias,
primitivas grficas (cores, espessura, formatos,
tamanhos)
hipteses, regras, tendncias, probabilidades,
causas/efeitos
classificao, filtragem, zoom, trocar a ordem das
dimenses (aproximando ou distanciando de outras),
atributos derivados, primitivas grficas, excluir, incluir
dimenses, atribuir cores a diferentes agrupamentos de
itens, filtrar itens em intervalos no consecutivos de
valores, ordenar as dimenses de forma automtica (por
exemplo, com base em medidas de similaridade), alterar
cor de fundo da representao
itens, dados, valores, agrupamentos, propriedades,
posies, distncias, primitivas grficas
Problemas de usabilidade
Embora no fosse o objetivo principal deste estudo de caso, diversos problemas
de usabilidade foram observados e muitos deles relatados pelo prprio usurio durante
as interaes realizadas.
Conforme APNDICE B, neste estudo, foram encontrados 19 problemas de
usabilidade, mais de 50% deles com elevada freqncia (nmero de vezes que o
problema ocorreu), 47% dos problemas identificados atrapalharam e dificultaram
sensivelmente a execuo de uma tarefa (apresentando severidade 4) e 42% dos
problemas, severamente, prejudicaram ou impediram a execuo de uma tarefa
(apresentando severidades 5).
113
6.1.3.2 Estudo de Caso: Geografia

6.1.3.2.1
Perfil do Usurio
O usurio envolvido no estudo um gegrafo, da Universidade de Passo Fundo,

que trabalha no projeto de pesquisa Diagnstico Socioespacial do Urbano do Municpio
de Passo Fundo. Caracteriza-se por ser um usurio especialista no domnio dos dados
sendo analisados, experiente tanto na atividade de anlise de dados quanto no uso de
computadores, porm, inexperiente no uso de visualizaes.
6.1.3.2.2
Contexto de Uso
Os dados analisados referem-se a um projeto de pesquisa, que tem por objetivo

investigar dados socioeconmicos de diferentes bairros e loteamentos que compem o
municpio. O principal objetivo do usurio envolvido no estudo era verificar a relao
entre os dados socioeconmicos referentes a moradia, emprego, grau de instruo e
renda dos bairros So Jos e Dona Eliza e os loteamentos Coronel Massot e Dom
Rodolfo do municpio de Passo Fundo.
6.1.3.2.3
Conjunto de Dados
Durante o uso das tcnicas de visualizao foi utilizado um conjunto de dados do

prprio usurio, contendo dados socioeconmicos. Na primeira fase do estudo,
juntamente com o usurio, foi realizado um pr-processamento deste conjunto de dados.
O conjunto de dados analisado possua 241 itens e 12 dimenses.
6.1.3.2.4
Neste estudo de caso foram utilizadas as mesmas tcnicas de visualizao

empregadas no experimento II, disponveis no pacote Xmdvtool e na aplicao de
Hoffman, conforme descrio constante na seo 6.1.2.4. Nos primeiros encontros o
usurio utilizou as tcnicas Coordenadas Paralelas e depois Matriz de Scatterplots (do
pacote Xmdvtool), nos demais encontros utilizou as tcnicas disponveis na aplicao de
Hoffman.
6.1.3.2.5
Tempo de Durao

foi realizado no perodo de novembro de 2006 a janeiro de 2007, totalizando 12 horas
de observao. A mdia de tempo de cada encontro foi de 2 horas e 40 minutos.
6.1.3.2.6
Resultados

Questes analticas
No decorrer dos encontros, o usurio, buscando verificar a relao entre dados
socioeconmicos referentes aos fatores moradia, emprego, grau de instruo e renda de
bairros e loteamentos, formulou 23 questes analticas (conforme APNDICE B).
114
das ferramentas de visualizao, durante o processo de anlise visual e explorao de
seus prprios dados na busca de respostas a questes analticas (acima descritas),
incluindo o nmero de ocorrncias (considerando-se tambm o nmero de vezes que a
tarefa ocorreu como subtarefa de outras tarefas) e os tipos de ocorrncia de cada tarefa.
As tarefas e tipos de ocorrncias destacadas em itlico significam tarefas novas, no
Tabela 6.7: Tarefas observadas atravs do Estudo de Caso: Geografia
Tarefas

ocorrncias
Interagir c/
representao
visual
Usar uma
situao
visualizada
39
selecionar dimenses, trocar a ordem das dimenses,

selecionar itens
59
salvar representaes da visualizao, mostrar para

outros, discutir com outros, relatar (registrar,
documentar) concluses, vincular anotaes com
representaes
Ir para
situao
visualizada
43

continuar o trabalho do ponto onde foi interrompido),
refazer histrico de aes, refazer e desfazer aes,
carregar conjunto de dados
Integrar
importar dados em diferentes formatos
Gerenciar
dados
incluir, excluir itens, renomear dimenses
Identificar
59

propriedades, caractersticas, similaridades, diferenas,
Determinar

diferenas, probabilidade, porcentagem
Exibir
81
n dimenses, n itens, dados, mostrar rtulos indicando

as dimenses, sinalizar (informar) o nvel de
sobreposio dos marcadores
38
Comparar
55

tamanhos)
Inferir
17
hipteses, regras, tendncias, probabilidades,

causas/efeitos
Configurar
85
classificao, normalizao, filtragem, zoom, ordem das

dimenses, atributos derivados, primitivas grficas,
115
Localizar
18
fonte dos rtulos na representao visual, incluir e

excluir dimenses, ordenar as dimenses de forma
automtica, distorcer, rotacionar
47
itens, dados, valores, agrupamentos, propriedades,

posies, distncias, primitivas grficas
Conforme APNDICE B, neste estudo de caso, foram encontrados 19 problemas
de usabilidade (8 problemas no uso da ferramenta XmdvTool e 11 problemas na
aplicao de Hoffman), 84% apresentaram baixa a mdia freqncia (nmero de vezes
que o problema ocorreu), 47% dos problemas identificados atrapalharam e dificultaram
sensivelmente a execuo de uma tarefa (apresentando severidade 4) e outros 47% dos
6.1.3.3 Estudo de Caso: Corretora de Seguros
6.1.3.3.1
Perfil do Usurio
O usurio envolvido no estudo um corretor de seguros e proprietrio de uma

empresa de seguros. Caracteriza-se por ser um usurio especialista no domnio dos
dados sendo analisados, experiente nas atividades de anlise de dados, tomada de
decises e uso de computadores, porm, inexperiente no uso de visualizaes.
6.1.3.3.2
Contexto de Uso
Os dados analisados referem-se a informaes relacionadas aos clientes

segurados, tipos de seguros realizados e corretores (denominados produtores) que
trabalham na corretora. O principal objetivo do usurio envolvido no estudo era analisar
dados gerenciais na busca de informaes (como, por exemplo, perfil dos clientes
segurados por tipo de seguro, atuao dos produtores e nichos de mercado) que auxiliem
na tomada de decises para o controle e aumento de produtividade.
6.1.3.3.3
Conjunto de Dados

prprio usurio, contendo dados gerenciais referentes a seguros de automvel,
residncia, empresa e vida. O conjunto de dados analisado possua 873 itens e 33
dimenses.
6.1.3.3.4

utilizar somente as tcnicas Coordenadas Paralelas e Matriz de Scatterplots.
116
6.1.3.3.5
Tempo de Durao

foi realizado no perodo de novembro de 2006 a fevereiro de 2007, totalizando 18 horas
de observao. A mdia de tempo de cada encontro foi de 2 horas e 25 minutos.
6.1.3.3.6
Resultados

Questes analticas
No decorrer dos encontros, o usurio, buscando analisar dados gerenciais na
busca de informaes que auxiliem na tomada de decises para o controle e aumento de
produtividade, formulou 31 questes analticas (conforme APNDICE B).
Tabela 6.8: Tarefas observadas atravs do Estudo de Caso: Corretora de Seguros
Tarefas

ocorrncias
Interagir c/
representao
visual
195
Usar uma
situao
visualizada
101
Ir para
situao
visualizada
62
Integrar
Gerenciar
dados
20
8
selecionar itens, selecionar dimenses, inserir

comentrios sobre pontos especficos na representao
(para que outros possam examinar e trocar
informaes), rotular valores numricos sobre a
representao (associ-los aos valores categricos de
origem), aumentar ou diminuir o espao entre os eixos
das dimenses
salvar representaes da visualizao (para mostrar e
discutir com outros), relatar (registrar, documentar)
concluses, vincular anotaes com representaes,
imprimir, vincular comentrios com representaes
histrico de aes, refazer e desfazer aes, carregar
conjunto de dados
importar , exportar dados em diferentes formatos
incluir, excluir itens, renomear dimenses, alterar dados
117
Identificar
89

propriedades, caractersticas similaridades, diferenas,
Determinar
18

diferenas, probabilidade
Exibir
104

clculos sobre a representao, apresentar informaes
estatsticas sobre uma dimenso ou grupo de itens
69
Comparar
81

tamanhos)
Inferir
18
regras, tendncias, probabilidades, causas/efeitos
Configurar
115
filtragem, trocar a ordem das dimenses (aproximando

ou distanciando de outras), primitivas grficas, excluir,
incluir dimenses, filtrar itens em intervalos no
consecutivos de valores, alterar cor de fundo da
representao, fonte dos rtulos na representao
visual, distorcer
72
Localizar
58
itens, dados, valores, agrupamentos, posies, distncias,

primitivas grficas
de usabilidade, 55% deles com baixa a mdia freqncia (nmero de vezes que o
6.1.3.4 Estudo de Caso: Secretaria da Educao (Etapa I)
6.1.3.4.1
Perfil do Usurio
O usurio envolvido no estudo uma coordenadora pedaggica da Secretaria

Municipal de Educao do Municpio de Passo Fundo. Caracteriza-se por ser um
usurio especialista no domnio dos dados sendo analisados, experiente nas atividades
de anlise de dados, coordenao, tomada de decises e uso de computadores, porm,
inexperiente no uso de visualizaes.
6.1.3.4.2
Contexto de Uso
Os dados analisados referem-se aos ndices de rendimento anual das escolas da

rede municipal de ensino, compreendendo os anos de 2000 a 2005. O principal objetivo
do usurio envolvido no estudo era analisar os ndices de rendimento (nmero de
118
matrculas, aprovao, reprovao, evaso e transferncia), independentes e

dependentes das sries que compem o ensino fundamental, das 35 escolas que fazem
parte da rede municipal de ensino, bem como, verificar a existncia de relao entre
estes ndices.
Atravs deste processo de anlise, o usurio busca descobrir que intervenes
pedaggicas precisam ser realizadas e seriam mais adequadas a realidade de cada
escola.
6.1.3.4.3
Conjunto de Dados
Durante o uso das tcnicas de visualizao foram utilizados dois conjuntos de

dados do prprio usurio: um conjunto de dados referente aos ndices de cada escola
por sries contendo 1483 itens e 9 dimenses e um conjunto de dados referente aos
ndices gerais de cada escola independentes de srie contendo 203 itens e 8
dimenses.
6.1.3.4.4
Tcnicas de Visualizao Utilizadas

6.1.3.4.5
Tempo de Durao

foi realizado no perodo de outubro de 2006 a janeiro de 2007, totalizando 21 horas de
6.1.3.4.6
Resultados

Questes analticas
No decorrer dos encontros o usurio, buscando analisar os ndices de
rendimento, independentes e dependentes de sries, das 35 escolas que fazem parte da
rede municipal de ensino e verificar a existncia de relao entre estes ndices, formulou
29 questes analticas (conforme APNDICE B).
119

(Etapa I)
Tarefas

ocorrncias
Interagir c/
representao
visual
179

informaes), rotular valores numricos sobre a
representao (associ-los aos valores categricos de
origem), gerenciar revises, destacar itens
Usar uma
situao
visualizada
89

vincular comentrios com representaes
Ir para
situao
visualizada
73

conjunto de dados
Integrar
15
importar, exportar dados em diferentes formatos
Gerenciar
dados
Identificar
91

propriedades, padres, caractersticas, similaridades,
diferenas, dependncias, independncias, variaes nos
dados
Determinar
25
mdias, amplitude, somas, propores, diferenas,

probabilidade
Exibir
95

estatsticas sobre uma dimenso ou grupo de itens
81
Comparar
87

tamanhos)
Inferir
24
regras, tendncias, probabilidades, causas/efeitos,

hipteses
Configurar
105
filtragem, classificao, zoom, trocar a ordem das

primitivas grficas, excluir, incluir dimenses, filtrar
itens em intervalos no consecutivos de valores
84
Localizar
65

primitivas grficas, propriedades
120
de usabilidade, 50% deles com elevada freqncia (nmero de vezes que o problema
ocorreu), 33% dos problemas identificados atrapalharam e dificultaram sensivelmente a
execuo de uma tarefa (apresentando severidade 4) e 62% dos problemas, severamente,
prejudicaram ou impediram a execuo de uma tarefa (apresentando severidades 5).
6.1.3.5 Estudo de Caso: Secretaria da Educao (Etapa II)
6.1.3.5.1
Perfil do Usurio
O usurio envolvido neste estudo de caso longitudinal o mesmo do estudo de

caso anterior.
6.1.3.5.2
Contexto de Uso
Os dados analisados referem-se aos ndices de rendimento anual das escolas da

rede municipal de ensino, compreendendo os anos de 2000 a 2006. O principal objetivo
do usurio envolvido no estudo continuava sendo analisar os ndices de rendimento
(nmero de matrculas, aprovao, reprovao, evaso e transferncia), independentes e
dependentes das sries que compem o ensino fundamental, das 35 escolas que fazem
parte da rede municipal de ensino, bem como, verificar a existncia de relao entre
estes ndices.
Atravs deste processo de anlise, o usurio busca descobrir que intervenes
pedaggicas precisam ser realizadas e seriam mais adequadas a realidade de cada
escola.
6.1.3.5.3
Conjunto de Dados
Durante o uso da ferramenta de visualizao foram utilizados dois conjuntos de

dados do prprio usurio: um conjunto de dados referente aos ndices de cada escola
por sries contendo 1741 itens e 9 dimenses e um conjunto de dados referente aos
ndices gerais de cada escola independentes de srie contendo 238 itens e 8
dimenses.
6.1.3.5.4
Neste estudo de caso foi utilizada a ferramenta Hierarchical Clustering Explorer

HCE 3.5 (disponvel em http://www.cs.umd.edu/hcil/hce/), mesma ferramenta
empregada nas avaliaes feitas por Saraiya, North e Duca (2005) e Seo e Shneiderman
(2006) descritas no captulo 4, na seo 4.2.
A ferramenta HCE foi projetada para anlise de dados multivariantes,
especialmente, para conjunto de dados de microarray, mas tem sido muito utilizada para
anlise de informaes em outros domnios (SEO e SHNEIDERMAN, 2006). A
ferramenta possibilita a representao dos dados atravs de mosaico de cores,
dendrograma, histograma 1D, scatterplots 2D, Coordenadas Paralelas, viso tabular e
um Gene Ontology viewer, oferecendo para cada tipo de representao, diversos
recursos de interao. A figura 6.11 apresenta a ferramenta HCE, exibindo um dos
conjuntos de dados utilizado neste estudo de caso longitudinal.
121
Figura 6.11: Ferramenta HCE utilizada no Estudo de Caso: Secretaria da Educao

(Etapa II)
6.1.3.5.5
Tempo de Durao

foi realizado no perodo de maro de 2007 a maio de 2007, totalizando 19 horas de
6.1.3.5.6
Resultados

Questes analticas
No decorrer dos encontros, o usurio, buscando analisar os ndices de
rendimento, independentes e dependentes de sries, das 35 escolas que fazem parte da
rede municipal de ensino e verificar a existncia de relao entre estes ndices, formulou
21 questes analticas (conforme APNDICE B).
122

(Etapa II)
Tarefas
ocorrncias
Interagir c/
representao
visual
123

informaes), gerenciar revises
Usar uma
situao
visualizada
74

Ir para
situao
visualizada
77

conjunto de dados
Integrar
Gerenciar
dados
incluir, excluir itens, alterar dados
Identificar
88

diferenas, dependncias, independncias, variaes nos
dados
Determinar
17
mdias, amplitude, somas, propores, diferenas
Exibir
140
n dimenses, n itens, dados
Comparar
85

tamanhos)
Inferir
17

hipteses
Configurar
101
28
filtragem, normalizao, classificao, zoom, primitivas

grficas, atributos derivados, elementos (por exemplo
curvas, linhas, silhuetas, etc.)
Localizar
60

de usabilidade, 67% deles com baixa a mdia freqncia (nmero de vezes que o
123
6.1.3.6 Estudo de Caso: Creati

6.1.3.6.1
Perfil do Usurio
O usurio envolvido no estudo uma coordenadora responsvel por projetos e

atividades do CREATI (Centro Regional de Estudos e Atividades para Terceira Idade
vinculado a Universidade de Passo Fundo). Caracteriza-se por ser um usurio
especialista no domnio dos dados sendo analisados (com 10 anos de trabalho com
terceira idade), experiente nas atividades de anlise de dados, coordenao, tomada de
decises e uso de computadores, porm, inexperiente no uso de visualizaes.
6.1.3.6.2
Contexto de Uso
Os dados analisados referem-se as seguintes informaes cadastrais dos alunos

pertencentes ao CREATI: dados socioeconmicos, a ocorrncia de 12 atendimentos
clnicos e a participao em 19 oficinas. O principal objetivo do usurio envolvido no
estudo era descobrir qual o perfil dos alunos pertencentes ao CREATI e que variveis
esto direta ou indiretamente relacionadas a participao ou no dos alunos em cada
oficina.
6.1.3.6.3
Conjunto de Dados

prprio usurio, contendo dados cadastrais referentes a informaes socioeconmicas,
atendimentos clnicos e oficinas. O conjunto de dados analisado possua 860 itens e 40
dimenses.
6.1.3.6.4

6.1.3.6.5
Tempo de Durao

foi realizado no perodo de maio de 2007 a agosto de 2007, totalizando 20 horas e 30
minutos de observao. A mdia de tempo de cada encontro foi de 2 horas e 34 minutos.
6.1.3.6.6
Resultados

Questes analticas
No decorrer dos encontros, o usurio, buscando descobrir qual o perfil dos
alunos pertencentes ao CREATI e que variveis esto direta ou indiretamente
relacionadas a participao ou no dos alunos em cada oficina, formulou 22 questes
analticas (conforme APNDICE B).
124
Tabela 6.11: Tarefas observadas atravs do Estudo de Caso: Creati
Tarefas

ocorrncias
Interagir c/
representao
visual
211

informaes), gerenciar revises, destacar itens e
dimenses
Usar uma
situao
visualizada
99

Ir para
situao
visualizada
61

histrico de aes, refazer e desfazer aes
Integrar
19
exportar dados em diferentes formatos
Gerenciar
dados
Identificar
95

diferenas, variaes nos dados
Determinar
29

probabilidade, porcentagem
Exibir
87

estatsticas sobre uma dimenso ou grupo de itens,
mostrar rtulos indicando as dimenses, informar que
itens esto sobrepostos
104
Comparar
90

tamanhos)
125
Inferir
22

hipteses
Configurar
101
filtragem, classificao, zoom, trocar a ordem das

primitivas grficas, excluir, incluir dimenses, filtrar
itens em intervalos no consecutivos de valores, fonte
dos rtulos na representao visual, posio dos rtulos
das dimenses, contedo de rtulos das dimenses
122
Localizar
64

de usabilidade, 65% deles com elevada freqncia (nmero de vezes que o problema
ocorreu), 30% dos problemas identificados atrapalharam e dificultaram sensivelmente a
execuo de uma tarefa (apresentando severidade 4) e 61% dos problemas, severamente,
prejudicaram ou impediram a execuo de uma tarefa (apresentando severidades 5).
6.1.3.7 Estudo de Caso: Dati
6.1.3.7.1
Perfil do Usurio
Durante todo este estudo de caso longitudinal, dois usurios trabalharam juntos
durante a anlise dos dados. Um dos usurios era uma agente gerontolgica e o outro
era uma das coordenadoras do DATI (Departamento de Atendimento ao Idoso da
Secretaria Municipal de Assistncia Social do municpio de Passo Fundo).
Caracterizam-se por ser usurios especialistas no domnio dos dados sendo analisados
(com 14 anos de trabalho com terceira idade), experientes nas atividades de anlise de
dados, coordenao, tomada de decises e uso de computadores, porm, inexperientes
no uso de visualizaes.
6.1.3.7.2
Contexto de Uso
Os dados analisados referem-se as seguintes informaes cadastrais dos alunos

pertencentes ao DATI: dados de identificao individual e do grupo, a ocorrncia de 9
patologias e a participao em 11 oficinas. O principal objetivo dos usurios envolvidos
no estudo era descobrir qual o perfil geral dos alunos e dos 35 grupos que compem o
DATI (por exemplo, o que caracteriza cada grupo e os alunos como um todo, existncia
de diferenas e semelhanas entre os grupos analisados) e que variveis esto direta ou
indiretamente relacionadas a participao ou no dos alunos em cada oficina.
6.1.3.7.3
Conjunto de Dados
Durante o uso das ferramentas de visualizao foi utilizado um conjunto de

dados dos prprios usurios, contendo dados cadastrais referentes a informaes de
identificao individual e do grupo, patologias e oficinas. O conjunto de dados
analisado possu 1748 itens e 27 dimenses.
126
6.1.3.7.4
Neste estudo de caso foram utilizadas as mesmas tcnicas de visualizao

empregadas no experimento II, disponveis no pacote XmdvTool e na aplicao de
Hoffman, conforme descrio constante na seo 6.1.2.4, alm da ferramenta Parvis
(disponvel em http://home.subnet.at/flo/mv/parvis/). No primeiro e segundo encontros
os usurios utilizaram as tcnicas Coordenadas Paralelas e Matriz de Scatterplots (do
pacote XmdvTool), no terceiro e quarto encontro utilizaram as tcnicas disponveis na
aplicao de Hoffman e nos demais encontros utilizaram Parvis.
Parvis uma ferramenta de visualizao que implementa a tcnica Coordenadas
Paralelas combinada com o uso de histograma, oferecendo alguns recursos de interao
incluindo menus de contexto, ordenamento de dimenses, sistema de brushing e
translao. A figura 6.12 apresenta a ferramenta Parvis, exibindo o conjunto de dados
utilizado neste estudo de caso longitudinal.
Figura 6.12: Ferramenta Parvis utilizada no Estudo de Caso: Dati

6.1.3.7.5
Tempo de Durao

foi realizado no perodo de julho de 2007 a setembro de 2007, totalizando 15 horas de
6.1.3.7.6
Resultados

Questes analticas
No decorrer dos encontros, os usurios, buscando descobrir qual o perfil geral
dos alunos e dos 35 grupos que compem o DATI e que variveis esto direta ou
127
indiretamente relacionadas a participao ou no dos alunos em cada oficina,

formularam 27 questes analticas (conforme APNDICE B).
A Tabela 6.12 sumariza as tarefas observadas e realizadas pelos usurios no
uso das ferramentas de visualizao, durante o processo de anlise visual e explorao
de seus prprios dados na busca de respostas a questes analticas (acima descritas),
incluindo o nmero de ocorrncias (considerando-se tambm o nmero de vezes que a
tarefa ocorreu como subtarefa de outras tarefas) e os tipos de ocorrncia de cada tarefa.
As tarefas e tipos de ocorrncias destacadas em itlico significam tarefas novas, no
Tabela 6.12: Tarefas observadas atravs do Estudo de Caso: Dati
Tarefas

ocorrncias
Interagir c/
representao
visual
Usar uma
situao
visualizada
85
selecionar itens, selecionar dimenses, movimentar eixo

das dimenses
80

imprimir
Ir para
situao
visualizada
88

continuar o trabalho do ponto onde foi interrompido),
refazer e desfazer aes, carregar conjunto de dados
Integrar
Gerenciar
dados
incluir, excluir itens, alterar dados, renomear dimenses
Identificar
86

diferenas, variaes nos dados
Determinar
33

porcentagens
Exibir
55

de sobreposio dos marcadores, mostrar rtulos
indicando as dimenses, itens que esto sobrepostos
106
Comparar
81

propriedades,
propores,
posies,
distncias,
tamanhos)
Inferir
11
regras, tendncias,
hipteses
probabilidades,
causas/efeitos,
128
Configurar
40
207
Localizar
62
filtragem, normalizao, classificao, zoom, primitivas

grficas, elementos da representao visual (por
exemplo linhas, silhuetas, etc.), fonte dos rtulos na
representao visual, incluir e excluir dimenses,
distoro, rotao, brush, atribuir cores a diferentes
agrupamentos de itens, filtrar itens em intervalos no
consecutivos de valores
de usabilidade (10 problemas no uso da ferramenta XmdvTool, 11 problemas na
aplicao de Hoffman e 16 problemas na ferramenta Parvis), 66% deles com baixa a
mdia freqncia (nmero de vezes que o problema ocorreu), 37% dos problemas
identificados atrapalharam e dificultaram sensivelmente a execuo de uma tarefa
(apresentando severidade 4) e 60% dos problemas, severamente, prejudicaram ou
impediram a execuo de uma tarefa (apresentando severidades 5).
6.1.3.8 Discusso dos Resultados dos Estudos de Caso Longitudinais
Finalizados os estudos de caso longitudinais, esta seo sumariza e discute as
principais atividades realizadas e os resultados obtidos na aplicao do mtodo MILCs.
Com o mtodo MILCs, foram realizados 7 estudos de caso longitudinais
envolvendo: 7 usurios especialistas no domnio, 5 reas diferentes de conhecimento
(domnios), 13 conjuntos de dados e 5 ferramentas de visualizao. A aplicao
completa do MILCs teve a durao de 1 ano e 3 meses, durante este perodo foram
realizados 48 encontros com usurios reais, com tempo mdio de 2 horas e 30 minutos,
totalizando 121 horas de observao.
O primeiro estudo de caso foi realizado entre os meses de outubro e dezembro
de 2005 e os demais foram realizados no perodo de um ano (iniciaram em setembro de
2006 e foram concludos em setembro de 2007). Cada estudo de caso durou de 6 a mais
semanas, com durao de 2 a 4 meses. Alguns foram realizados de forma consecutiva
ou parcialmente paralela, dependendo da disponibilidade de cada usurio.
Como resultado de cada estudo longitudinal as informaes coletadas puderam
ser categorizadas em: questes analticas de alto nvel, descobertas e compreenses
resultantes da anlise dos dados, problemas de usabilidade e diferentes ocorrncias de
tarefas e subtarefas. As descobertas e compreenses resultantes da anlise dos dados
foram registradas pelos prprios usurios, durante o uso das ferramentas de
visualizao, e no apresentadas neste trabalho.
Durante o processo de anlise visual e explorao dos dados, os usurios
formularam diversas questes analticas relacionadas aos diferentes fatores observados
em seus conjuntos de dados. Entre todos os estudos de caso foram registradas 192
questes analticas de alto nvel, uma mdia de 28,3 questes por estudo, distribudas
conforme grfico da figura 6.13.
129
nmero de questes
Estudos de caso longitudinais- Questes

analticas de alto nvel
40
35
30
25
20
15
10
5
0
39
Embrapa
31
23
Geografia
29
27
21
22
Corretora
Educao I
Educao II
Creati
Dati
Figura 6.13: Aplicao do mtodo MILCs - Questes analticas de alto nvel

Analisando-se estas questes analticas, nota-se que cada usurio buscou realizar
diversas e diferentes descobertas (compreenses) resultantes da anlise de seus
respectivos conjuntos de dados. Algumas questes levaram diretamente a uma nica
resposta, a nenhuma resposta ou a mais de uma resposta, como tambm, a formulao
de outras questes.
Diferentes tipos de questes (para apoiar a realizao de ensaios de interao
com usurios experimentais) puderam ser identificadas e categorizadas, com base nas
questes analticas de alto nvel formuladas pelos usurios, sendo que: 1) 31,81% das
questes analisadas mapeiam diretamente para uma nica tarefa analtica de nvel mais
baixo, ou seja, uma questo analtica mais simples e 2) 68,19 % correspondem a
questes analticas mais abrangentes, de nvel mais alto em complexidade e abstrao,
fazendo parte dos 3 tipos de questes descritos na seo 5.2 do artigo de Amar, Eagan e
Stasko (2005). No captulo anterior, apresentou-se uma descrio detalhada desta
anlise e categorizao, como tambm, a forma como as questes analticas foram
utilizadas na abordagem de avaliao.
Problemas de usabilidade tambm puderam ser identificados em todos os
estudos de caso longitudinais. Alguns destes problemas de usabilidade foram apenas
observados, mas a maioria deles relatados pelos prprios usurios durante as interaes
realizadas. Ao todo foram registrados 154 problemas de usabilidade, conforme
distribuio apresentada no grfico da figura 6.14.
Nesta distribuio, observa-se que entre os estudos de caso onde foram
utilizadas as tcnicas de visualizao implementadas com o Infovis toolkit (Embrapa,
Corretora, Educao I e Creati) foi identificada uma mdia de 20,7 problemas; no
estudo de caso (Geografia) onde foram utilizadas as ferramentas XmdvTool e aplicao
de Hoffman foram identificados respectivamente 8 e 11 problemas; no estudo de caso
(Educao II) envolvendo a ferramenta HCE foram identificados 15 problemas e no
estudo de caso (Dati) onde foram utilizadas as ferramentas XmdvTool, aplicao de
Hoffman e Parvis foram identificados, seguindo esta ordem, 10, 11 e 16 problemas de
usabilidade.
130
Estudos de caso longitudinais - Quantidade de

problemas de usabilidade por estudo
35
35
quantidade de problemas
30
25
23
20
19
20
19
21
15
15
10
Dati
Creati
Educao II
Educao I
Corretora
Geografia
Embrapa
Figura 6.14: Aplicao do mtodo MILCs - Quantidade de problemas de usabilidade

Os problemas de usabilidade foram analisados com relao freqncia
(nmero de vezes que o problema foi detectado em cada estudo de caso e entre os
estudos de caso) e graus de severidade (conforme tabela 6.5 na seo 6.1.3). A maioria
dos problemas apresentou elevada freqncia e altos graus de severidade.
Quanto a freqncia, dos 154 problemas de usabilidade identificados, retirandose as sobreposies, ou seja, o nmero de vezes que o mesmo problema foi observado
ou verbalizado em cada estudo de caso e entre os estudos de caso, foram encontrados 54
problemas. Conforme grfico da figura 6.15, 93% destes problemas identificados
apresentaram severidades 4 e 5 isto significa que so problemas que atrapalharam e
dificultaram sensivelmente os usurios na execuo de uma tarefa (35%) ou que
severamente prejudicaram ou impediram a execuo de uma tarefa (58%).
Estudos de caso longitudinais - Quantidade de
problemas por graus de severidade
7%
35%
58%
severidade 3
severidade 4
severidade 5
Figura 6.15: Aplicao do mtodo MILCs - Severidade dos problemas de usabilidade
131
O grfico da figura 6.16 mostra que, embora alguns problemas sejam pontuais
com relao a certas tcnicas de visualizao e recursos presentes nas ferramentas de
visualizao, uma quantidade considervel deles diz respeito a recursos que deveriam
existir independentes de tcnicas e ferramentas.
Estudos de caso longitudinais - Problemas de

usabilidades por tcnicas e ferramentas
42
45
40
35
30
25
20
15
10
5
0
29
25
dependentes
independentes
12
tcnicas
ferramentas
Figura 6.16: Aplicao do mtodo MILCs - Problemas de usabilidade por tcnicas e

ferramentas
Portanto, os problemas de usabilidade identificados atravs dos estudos de caso
longitudinais so problemas que se sobrepem entre os estudos (com diferentes
usurios, tcnicas e ferramentas). Tais problemas esto associados tanto com os
mecanismos de interao quanto com a prpria representao visual, dificultando e
muitas vezes impossibilitando a realizao de algumas tarefas.
Durante a anlise, procurou-se verificar tambm se os problemas de usabilidade
estavam relacionados mais aos mecanismos de interao ou a representao visual
(conforme grfico da figura 6.17). Contudo, como argumenta Yi et al. (2007), embora
os sistemas de visualizao paream ter como componentes fundamentais: recursos de
interao e representao visual, muitas vezes no fcil separar os dois, dificilmente
uma interao no conduza a uma mudana de estado na representao visual,
mantendo assim uma relao simbitica.
Estudos de caso longitudinais - Problemas de
usabilidade por recursos de interao e
representao visual
29
ambos
representao
visual
recursos de
interao
22
0
10
15
20
25
30
Figura 6.17: Aplicao do mtodo MILCs - Problemas de usabilidade por recursos de

interao e representao visual
132
Durante os estudos longitudinais, atravs das questes analticas e dos problemas

de usabilidade, foi possvel identificar tambm diferentes ocorrncias de tarefas e
subtarefas, que os usurios realizaram durante suas interaes ou desejavam realizar e
no conseguiram por deficincias apresentadas pelas ferramentas de visualizao.
Conforme grfico da figura 6.18, verifica-se que as tarefas analticas de maior
incidncia foram identificar, comparar e localizar, assim como, as tarefas operacionais
de maior ocorrncia foram, respectivamente, configurar, exibir e interagir com
representao visual visto que na resoluo de quase todas as questes analticas de
alto nvel elas aparecem muitas vezes como subtarefas em diferentes nveis.
Interagir c/ representao visual
Estudos de caso longitudinais - Tarefas
Usar uma situao visualizada

Ir p/ uma situao visualizada
Integrar
9%
2%
20%
Gerenciar dados
7%
Identificar
Determinar
17%
Exibir
16%
2%
Comparar
Inferir
9%
1% 1%
7%
9%
Configurar
Localizar
Figura 6.18: Aplicao do mtodo MILCs - Tarefas

Comparando as tarefas observadas com as propostas em nossa classificao
inicial (publicada em (PILLAT et al., 2005) (VALIATI 2005) (VALIATI et al., 2006)),
constata-se que as novas tarefas identificadas so essencialmente de natureza
operacional: interagir com representao visual, usar uma situao visualizada,
integrar, ir para uma situao visualizada e gerenciar dados (conforme tarefas e tipos
de ocorrncias destacadas em itlico nas tabelas 6.6 a 6.12). Elas esto associadas a
problemas de usabilidade, que dificultaram e muitas vezes impossibilitaram a realizao
de algumas tarefas. Em geral, so tarefas que os usurios desejavam realizar e no
conseguiram por falta de recursos nas ferramentas de visualizao.
Analisando-se a descrio dos problemas de usabilidade, encontram-se exemplos
dessas tarefas e evidencia-se que:
1) os usurios quando analisam dados precisam relatar, registrar, documentar
seus encontros (compreenses, concluses, descobertas) para eles prprios ou
para mostrar, discutir com outras pessoas (colegas, supervisores, etc.);
2) para isto, necessitam de recursos que permitam comentar ou mesmo destacar,
realar partes da representao visual; a possibilidade de destacar itens e
dimenses tambm til quando conjuntos de dados maiores precisam ser
analisados;
3) os usurio em alguns estgios do seu processo de anlise desejam integrar as
funcionalidades da ferramenta de visualizao a outras ferramentas que,
rotineiramente, utilizam;
133
4) um nvel simples de integrao, passa pela possibilidade de poderem importar e

exportar dados em diferentes formatos;
5) aparncias visuais as vezes no so suficientes, os usurios precisam apoiar
seus encontros com certo nvel de significncia estatstica, ou seja, as
ferramentas de visualizao deveriam conter recursos bsicos para auxiliar a
anlise estatstica;
6) seria muito til, se as ferramentas permitissem salvar e carregar certas
visualizaes obtidas do conjunto de dados para posterior anlise (continuar o
trabalho do ponto onde foi interrompido) ou mesmo para mostrar a outras
pessoas certas descobertas, sem ter que relembrar e reconfigurar a representao
tentando reproduzir uma situao visualizada;
7) outro recurso importante, neste sentido, seria manter histricos de aes, de
forma que uma seqncia de aes pudesse ser refeita sem ter que recordar como
foi feita;
8) os usurios necessitam, facilmente, alterar o conjunto de dados, adicionando,
modificando ou excluindo alguns itens de dados sem ter que recarregar a
visualizao;
9) faz muita falta aos usurios os recursos de refazer e principalmente desfazer
aes, considerando-se ser um ambiente altamente exploratrio, como tambm,
recursos que permitam configurar a representao visual fornecendo
alternativas para exibir, ou seja, ter acesso as informaes de interesse.
Parte destas colocaes, tambm, foi constatada em estudos conduzidos por
(GONZLES e KOBSA, 2003) e (HETZLER e TURNER, 2004).
Portanto, com base nas observaes realizadas durante os estudos longitudinais,
defende-se que as ferramentas de visualizao precisam ser flexveis e geis quando
aplicadas a dados reais (HETZLER e TURNER, 2004) e situaes reais de uso.
Precisam ser adequadas e compatveis com as rotinas de trabalho de seus usurios,
dando suporte as diferentes fases do processo de anlise, para que possam ser adotadas
de forma complementar s prticas de anlise existentes e integrada as demais
ferramentas (GONZLES e KOBSA, 2003) e (HETZLER e TURNER, 2004).
6.2
Avaliao das Tcnicas Adaptadas
Com o objetivo de avaliar a sistematizao do processo de avaliao, proposta

atravs da abordagem, relata-se nesta seo os experimentos realizados aplicando os
recursos fornecidos para a conduo das etapas 1 e 2 da abordagem de avaliao
proposta.
Aps a realizao de todas as adaptaes previstas nas tcnicas, para avaliar as
solues propostas foram conduzidos experimentos de avaliao (avaliao heurstica e
ensaios de interao) empregando-se verses adaptadas e no adaptadas das tcnicas de
avaliao de usabilidade e comparados os resultados obtidos.
Alm de comparar os resultados obtidos pela adaptao das tcnicas, buscou-se
verificar tambm o quanto os problemas de usabilidades poderiam, de fato, ser filtrados
pelas etapas 1 e 2 da abordagem comparados aos problemas identificados na etapa 3
(desconsiderando-se aqui uma metodologia de projeto onde os resultados de uma etapa
de avaliao levassem a sucessivos refinamentos e melhorias na interface, para
execuo das etapas seguintes).
134
Como forma de viabilizar tambm esta anlise, optou-se em selecionar um dos

estudos de caso longitudinais realizados para validao da taxonomia, para servir de
base a realizao de todos os experimentos de avaliao das tcnicas adaptadas, em
termos de conjunto de dados e ferramenta de visualizao utilizados. Isto, permitiu que
os problemas de usabilidade identificados nos experimentos realizados com as tcnicas
adaptadas (etapas 1 e 2 da abordagem) pudessem ser comparados aos problemas
identificados atravs de um estudo de caso longitudinal (etapa 3 da abordagem).
Entre os 7 estudos de caso longitudinais conduzidos durante o trabalho, decidiuse tomar como base para os experimentos o 6 estudo (realizado no CREATI) pelos
seguintes motivos:
a ferramenta de visualizao implementa com o InfoVis Toolkit foi a mais utilizada
durante os estudos de caso longitudinais (dos 7 estudos realizados foi usada em 4);
o conjunto de dados analisado durante este estudo de caso era o mais acessvel, com
relao a possibilidade de compreenso por parte dos especialistas em IHC e dos
usurios experimentais.
A seguir, descreve-se os experimentos realizados envolvendo a tcnica avaliao
heurstica e ensaios de interao.
6.2.1 Experimento I: Avaliao Heurstica
6.2.1.1 Perfil dos avaliadores
Participaram da avaliao heurstica dois especialistas em IHC, com: nvel
mdio de conhecimento na rea de visualizao, experincia de 10 anos na rea de IHC
e nenhuma experincia na avaliao de ferramentas de visualizao.
6.2.1.2 Metodologia
O experimento empregando a tcnica de avaliao heurstica foi realizado em
duas fases, nas quais cada especialista em IHC trabalhou de forma independente
conduzindo a avaliao da ferramenta de visualizao utilizando apenas:
- fase 1: os critrios definidos por Bastien e Scapin (1993);
- fase 2: as heursticas estendidas.
Como o intervalo de tempo durante as duas avaliaes foi reduzido e a
ferramenta de visualizao a ser avaliada era a mesma, com o objetivo de minimizar
possveis interferncias quanto a aprendizagem, os especialistas avaliaram duas tcnicas
de visualizao de forma alternada (ambas possuam basicamente os mesmos recursos
de interao):
- fase 1: especialista 1 utilizou Matriz de Scatterplots e especialista 2 utilizou
Coordenadas Paralelas;
- fase 2: especialista 1 utilizou Coordenadas Paralelas e especialista 2 utilizou Matriz
de Scatterplots.
Para realizao da primeira fase da avaliao heurstica, os avaliadores
receberam: um treinamento quanto o uso da ferramenta a ser avaliada; uma descrio
detalhada das tcnicas e ferramenta (conforme consta no captulo 6, seo 6.1.1.4) e do
conjunto de dados (ver APNDICE F); uma listagem dos critrios ergonmicos
definidos por Bastien e Scapin e da escala de severidades (APNDICE G); e um
formulrio para o registro das avaliaes realizadas.
135
Aps a entrega dos formulrios contendo o registro das avaliaes feitas na fase
1, os avaliadores receberam a listagem das heursticas estendidas (conforme descritas na
seo 5.3.1) para realizar, novamente, a avaliao heurstica na fase 2.
6.2.1.3 Resultados
Atravs dos formulrios de avaliao preenchidos pelos avaliadores
(APENDICE H e I), buscou-se verificar os problemas de usabilidade detectados
utilizando somente os critrios definidos por Bastien e Scapin (na fase 1) com os
problemas identificados empregando as heursticas estendidas (na fase 2), analisandose: a quantidade de problemas identificados, a freqncia e grau de severidade.
Com relao a quantidade, ambos avaliadores identificaram um nmero maior
de problemas de usabilidade empregando as heursticas estendidas, apresentando uma
mdia de 82% a mais de problemas identificados no experimento feito na fase 2
comparado ao experimento realizado na fase 1 (conforme grfico da figura 6.19).
Avaliao Heurstica - Quantidade de
problemas de usabilidade
25
23
20
18
15
10
13
12
avaliador 1
avaliador 2
Fase 1
Fase 2
5
0
Figura 6.19: Avaliao da abordagem Avaliao Heurstica Quantidade de

problemas de usabilidade identificados com critrios ergonmicos e heursticas
estendidas
Os avaliadores atriburam elevada freqncia a todos os problemas identificados
e conforme grficos da figura 6.20, na fase 2, utilizando as heursticas estendidas
apresentaram um acrscimo na quantidade de problemas de usabilidade identificados,
que afetam em diferentes nveis a execuo das tarefas (com severidades 3, 4 e 5).
136
Avaliao Heurstica - Graus de

severidade - Avaliador 1
10
8
6
4
2
0
severidade 1 severidade 2 severidade 3 severidade 4 severidade 5
Fase 1
Fase 2
Avaliao Heurstica - Graus de

severidade - Avaliador 2
10
8
6
4
2
0
Fase 1
Fase 2
Figura 6.20: Avaliao da abordagem - Avaliao Heurstica - Severidade dos

problemas de usabilidade identificados com critrios ergonmicos e heursticas
estendidas
Como as heursticas estendidas foram associadas aos critrios de Bastien e
Scapin (1993) foi possvel examinar, tambm, a quantidade de problemas de usabilidade
identificados por estes critrios nas fases 1 e 2 da avaliao heurstica.
Nos grficos da figura 6.21, verifica-se que as heursticas estendidas
contriburam para que ambos avaliadores conseguissem identificar uma quantidade
maior de problemas de usabilidade por critrios ergonmicos. Embora, o avaliador 2
tenha apresentado uma diferena com relao a quantidade de problemas identificada
em cada critrio, os avaliadores apresentaram um desempenho um pouco mais
homogneo durante a fase 2 com relao ao tipo de problema identificado por critrio.
137
Avaliao Heurstica - Problemas por

critrios - Avaliador 1
12
quantidade
10
8
Fase 2
Fase 1
4
2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
critrios
Avaliao Heurstica - Problemas por

critrio - Avaliador 2
12
quantidade
10
8
Fase 2
Fase 1
4
2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
critrios
Figura 6.21: Avaliao da abordagem Avaliao Heurstica Problemas de

usabilidade distribudos por critrios ergonmicos
Analisando-se os dados apresentados acima, no geral, constata-se que a
utilizao das heursticas estendidas ajudou para que resultados um pouco mais
expressivos e homogneos fossem obtidos atravs da avaliao heurstica.
6.2.2 Experimento II: Ensaios de Interao
6.2.2.1 Perfil dos usurios
Trs pessoas participaram dos ensaios de interao, como usurios
representativos (experimentais). Todas tinham conhecimento no uso de computadores,
pertenciam a diferentes reas de atuao e no possuam qualquer experincia na
utilizao de visualizaes.
6.2.2.2 Metodologia
O experimento envolvendo ensaios de interao, tambm, foi realizado em duas
fases, com intervalo de um ms entre a primeira e a segunda, de modo que na:
138
- fase 1: os usurios exploraram de forma livre o conjunto de dados atravs da

ferramenta de visualizao;
- fase 2: os usurios foram guiados por cenrios e questes analticas, para explorar o
conjunto de dados atravs da ferramenta de visualizao.
Antes de iniciar os ensaios de interao, na fase 1, cada usurio recebeu um
rpido treinamento de trinta minutos quanto ao uso da ferramenta a ser avaliada. Foi
explicado, tambm, a eles o objetivo principal do usurio real (especialista no domnio
dos dados) assim como, que tipo de informaes fazia parte do conjunto de dados.
Aps este tempo, foi solicitado ao usurio que, tendo em mente o objetivo
principal do usurio real, explorasse livremente o conjunto de dados atravs da
ferramenta de visualizao, buscando encontrar conhecimentos sobre ele. Durante a
explorao foi instrudo a verbalizar todas as aes realizadas e os problemas
encontrados (mtodo think aloud).
Os ensaios de interao foram conduzidos individualmente na presena de um
observador, que anotou questes analticas de alto nvel (formuladas pelo usurio
durante a anlise e explorao dos dados) e os problemas de usabilidade observados
e/ou relatados pelo usurio. Foi informado ao usurio que o ensaio de interao teria a
durao de 2 horas e 30 minutos.
Para fase 2 foi realizado um re-treinamento de 10 minutos. Aps este tempo, o
usurio recebeu um formulrio contendo cenrios e questes analticas (conforme
APNDICE A) a serem resolvidas em seqncia, durante a explorao do conjunto de
dados atravs da ferramenta de visualizao, e foi novamente instrudo a verbalizar
todas as aes realizadas e os problemas encontrados (mtodo think aloud).
Os ensaios de interao foram conduzidos individualmente na presena de um
observador, que anotou os problemas de usabilidade observados e/ou relatados pelo
usurio. Foi informado ao usurio que o ensaio de interao no teria um tempo
mximo de durao, ou seja, duraria o tempo necessrio para a realizao de todos os
cenrios e questes analticas a ele solicitadas.
Finalizados os ensaios de interao, aps cada fase, foi pedido aos usurios que
avaliassem sua experincia. Os problemas de usabilidade registrados (APNDICES J e
L) foram, tambm, analisados.
6.2.2.3 Resultados
Analisando os formulrios de avaliao (APNDICES J e L), buscou-se
verificar os problemas de usabilidade detectados atravs da explorao livre do conjunto
de dados (na fase 1) com os problemas identificados utilizando os cenrios e questes
analticas para guiar os usurios durante os ensaios de interao (na fase 2). Desta
forma, os resultados so apresentados com relao: a quantidade de problemas
identificados, a freqncia e grau de severidade.
Com relao a quantidade, os trs usurios identificaram um nmero maior de
problemas de usabilidade guiados pelos cenrios e as questes analticas, com uma
mdia de acrscimo de mais 100% na quantidade de problemas identificados no
experimento feito na fase 2 comparado ao experimento realizado na fase 1, conforme
grfico da figura 6.22.
139
Ensaios de Interao - Quantidade de

problemas de usabilidade
30
25
26
20
24
21
15
Fase 1
Fase 2
10
13
11
0
usurio 1
usurio 2
usurio 3
Figura 6.22: Avaliao da abordagem Ensaios de Interao Quantidade de

problemas de usabilidade identificados com e sem a utilizao de cenrios e questes
analticas
A freqncia (o nmero de vezes que cada problema foi detectado) classificouse nas seguintes categorias: poucas vezes, vrias vezes ou sempre. Atravs do grfico da
figura 6.23 possvel observar que, utilizando nos ensaios de interao os cenrios e as
questes analticas, houve um acrscimo na freqncia em que os problemas ocorreram,
porm, de forma mais acentuada nas categorias poucas vezes e vrias vezes.
Ensaios de interao - Freqncia
dos problemas de usabilidade
Fase 2
sempre
vrias vezes
poucas vezes
Fase 1
10
20
30
Figura 6.23: Avaliao da abordagem Ensaios de Interao Freqncia dos

analticas
Estes resultados esto, diretamente, relacionados aos cenrios propostos para o
experimento (por exemplo, o cenrio Na representao visual, durante a anlise das
questes 8, 9 e 10, destaque os pontos mais importantes e insira comentrios de
aspectos observados para posterior reviso resultou no problema A ferramenta no
permite inserir comentrios na representao visual, para posterior reviso o qual
ocorreu trs vezes em cada ensaio, sendo classificado na freqncia vrias vezes), assim
como, as tarefas de anlise solicitadas aos usurios (por exemplo, a questo 3. Qual a
media de renda familiar dos alunos do sexo feminino?, resultou no problema A
ferramenta no permite calcular a mdia dos valores de uma dimenso de interesse o
qual ocorreu uma vez em cada ensaio, sendo classificado na freqncia poucas vezes).
Conforme grficos da figura 6.24, na fase 2, os usurios utilizando cenrios e
questes analticas enfrentaram uma quantidade maior de problemas de usabilidade, que
140
atrapalharam e dificultaram sensivelmente a execuo de uma tarefa ou, severamente,

prejudicaram ou impediram a execuo de uma tarefa (com severidades 4 e 5).
Ensaios de Interao - Graus de

severidade - usurio 1
16
14
12
10
8
6
4
2
0
Fase 1
Fase 2

16
14
12
10
8
6
4
2
0
Fase 1
Fase 2

16
14
12
10
8
6
4
2
0
Fase 1
Fase 2
Figura 6.24: Avaliao da abordagem Ensaios de Interao Severidade dos

analticas
Analisando o APNDICE L, constata-se que os usurios guiados pelos cenrios
e questes analticas enfrentaram, basicamente, a mesma seqncia de problemas de
usabilidade durante cada ensaio de interao. Isto se confirma, considerando a
quantidade e o grau de severidade dos problemas identificados.
141
Observou-se, durante os ensaios de interao realizados na fase 1, que os

usurios aps uma hora de explorao livre do conjunto de dados, atravs da ferramenta
de visualizao, j haviam esgotado todas as possibilidades de anlise dos dados
perdendo logo o interesse inicial em participar da avaliao. Contudo, na fase 2 do
experimento, permaneceram envolvidos e motivados a realizar todos os cenrios e
completar a anlise de todas as questes propostas, melhorando assim seu desempenho
e, conseqentemente, os resultados obtidos atravs da avaliao.
Na prxima seo analisa-se os resultados obtidos atravs da adaptao das
tcnicas em comparao aos problemas de usabilidade identificados atravs do estudo
de caso longitudinal.
6.2.3 Discusso dos Resultados
Conforme descrito, anteriormente, alm de comparar os resultados obtidos pela
adaptao das tcnicas, buscou-se verificar tambm o quanto os problemas de
usabilidade poderiam, de fato, ser filtrados pelas etapas 1 e 2 da abordagem comparados
aos problemas identificados na etapa 3 (desconsiderando-se aqui uma metodologia de
projeto onde os resultados de uma etapa de avaliao conduzissem a sucessivos
refinamentos e melhorias na interface, para execuo das etapas seguintes).
Como forma de viabilizar esta anlise, optou-se em selecionar um dos estudos de
caso longitudinais realizados durante este trabalho, para servir de base a realizao de
todos os experimentos de avaliao da abordagem, em termos de conjunto de dados e
ferramenta de visualizao utilizados. Isto permitiria que os problemas de usabilidade
identificados nos experimentos realizados com as tcnicas adaptadas (etapas 1 e 2)
pudessem ser comparados aos problemas identificados atravs de um estudo de caso
longitudinal (etapa 3).
Entre os 7 estudos de caso longitudinais (descritos no captulo 6) decidiu-se
tomar como base, para todos os experimentos de avaliao da abordagem, o 6 estudo
(realizado no CREATI). Desta forma, a seguir, compara-se os resultados obtidos atravs
da avaliao heurstica utilizando as heursticas estendidas e dos ensaios de interao
guiados por cenrios e questes analticas (conforme APNDICES I e L), com os
problemas de usabilidade identificados atravs do 6 estudo de caso longitudinal
(conforme APNDICE B).
Analisando-se a quantidade de problemas de usabilidade identificados, as
tcnicas adaptadas encontraram uma quantidade maior de problemas do que o estudo de
caso longitudinal. Atravs do estudo de caso foram identificados 23 problemas de
usabilidade, na avaliao heurstica retirando-se as sobreposies entre os avaliadores
(ou seja, se o mesmo problema foi relatado por ambos avaliadores contado uma nica
vez) foram encontrados 26 problemas, da mesma forma, nos ensaios de interao
retirando-se as sobreposies foram identificados 29 problemas.
Embora, atravs do estudo de caso longitudinal tenha sido identificado um
nmero menor de problemas, dos 26 problemas de usabilidade identificados atravs da
avaliao heurstica 50% deles no apareceram durante o estudo de caso longitudinal.
Nos ensaios de interao dos 29 problemas identificados 41% deles, tambm, no foram
observados durante o estudo de caso. Esta diferena de resultados entre as tcnicas e o
estudo de caso longitudinal, provavelmente, correspondam aos resultados falso
positivos alertados por Redish (2007), quando avaliaes so realizadas sem a
participao dos usurios especialistas.
142
Conforme se observa na figura 6.25, dos 23 problemas de usabilidade

identificados no estudo de caso longitudinal: 4 foram detectados somente pela avaliao
heurstica empregando as heursticas estendidas; 8 foram identificados somente pelos
ensaios de interao utilizando os cenrios e questes analticas; 9 foram encontrados
atravs das trs tcnicas e somente 2 problemas de usabilidade foram observados
somente pelo estudo longitudinal.

etapa da avaliao, utilizando as tcnicas adaptadas nas etapas 1 e 2
Realizando-se a mesma anlise, porm, com os problemas de usabilidade
identificados atravs da avaliao heurstica no empregando as heursticas estendidas e
os ensaios de interao sem os cenrios e questes analticas, percebe-se que os
resultados so bastante diferentes (ver figura 6.26). Menos de 50% dos problemas de
usabilidade identificados no estudo de caso longitudinal foram descobertos pelas demais
tcnicas.

etapa da avaliao, no utilizando as tcnicas adaptadas nas etapas 1 e 2
Observando as duas figuras acima, constata-se o quanto a adaptao da
avaliao heurstica e dos ensaios de interao foi importante e contribuiu para que
melhores resultados fossem obtidos na avaliao de usabilidade atravs destas tcnicas.
Nota-se, tambm, que atravs da avaliao heurstica (com e sem as heursticas
estendidas) foi detectado um nmero significativamente menor de problemas de
143
usabilidade comparado aos ensaios de interao. Embora, a adaptao da avaliao

heurstica tenha produzido melhores resultados, provavelmente, se fossem utilizados,
alm das heursticas estendidas, cenrios e/ou questes analticas para guiar os
especialistas de IHC durante a inspeo da interface resultados ainda melhores
poderiam ter sido obtidos.
A figura 6.27 demonstra a capacidade de filtragem dos problemas de usabilidade
entre as etapas de avaliao propostas pela abordagem. Ao todo eram 23 problemas de
usabilidade a serem identificados (conforme resultados do estudo de caso longitudinal),
atravs da avaliao heurstica 13 destes problemas foram filtrados (detectados),
restando apenas 10 problemas a serem identificados pelos os ensaios de interao, os
quais conseguiram filtrar 8 destes problemas restando apenas 2 problemas de
usabilidade que foram identificados somente pelo estudo de caso longitudinal.
Figura 6.27: Avaliao da abordagem Problemas de usabilidade filtrados entre as

etapas de avaliao propostas
144

A experincia de utilizao do mtodo MILCs foi indiscutivelmente positiva,
para a validao da taxonomia de tarefas. Embora apresente algumas limitaes, foi
somente atravs deste mtodo que se obteve compreenses e resultados significativos
quanto ao uso das tcnicas de VisIM, principalmente, considerando-se as tarefas e
problemas de usabilidade identificados.
Comparando os experimentos iniciais (com ensaios de interao) e os estudos de
caso longitudinais comprova-se que resultados diferentes podem ser obtidos tanto com
relao ao tipo e ocorrncia das tarefas quanto ao nmero e tipo de problemas de
usabilidade identificveis, quando usurios reais (especialistas no domnio dos dados)
so envolvidos na avaliao em comparao a usurios experimentais (no
especialistas).
O uso de diferentes mtodos, mas em especial a realizao de horas de
observaes e registros contribuiu para avaliar a eficcia e utilidade da interface em
situaes reais de uso, conhecer as prticas de anlise existentes como a rotina de
trabalho dos usurios. Verificamos que alguns usurios entre os encontros de
observao no utilizavam extensivamente as ferramentas de visualizao em suas
prticas dirias, como em (GONZLES e KOBSA, 2003), sendo tambm relutantes em
registrar comentrios, problemas e sucessos quanto sua experincia de uso. Por isto,
realizamos um acompanhamento mais efetivo, com maior nmero de visitas e horas de
observao.
O intenso engajamento do pesquisador com os usurios especialistas (ao ponto
de se tornar um parceiro ou assistente) foi extremamente importante para adquirir a
confiana e a espontaneidade dos relatos e situaes vivenciadas. O acompanhamento
mais efetivo do usurio, com maior nmero de horas de observao, ajudou neste
sentido. Contudo, embora no tenha sido conduzido de forma iterativa um reprojeto das
ferramentas, como em (SEO e SHNEIDERMAN, 2006), o pesquisador sempre que
possvel foi flexvel em auxiliar os usurios (por exemplo, no pr-processamento do
conjunto de dados, na converso manual do formato de arquivos), pois, o objetivo era
avaliar o uso das ferramentas de visualizao mantendo a total independncia do
experimentador como avaliador.
A realizao de mltiplos estudos de caso com usurios especialistas no
domnio, por um perodo considervel de tempo, permitiu observar vrias situaes
semelhantes, fornecendo um nvel maior de confiana e credibilidade nas informaes
obtidas, possibilitando uma generalizao de resultados.
Como as principais limitaes do mtodo MILCs, destacamos: (1) a dificuldade
de encontrar usurios dispostos a participar dos estudos de caso, visto que alguns
contactados no aceitaram participar por desconhecerem os benefcios de realizar
anlise de dados atravs de visualizaes e (2) o tempo consumido para a realizao de
mltiplos estudos de caso longitudinais. No contando o primeiro estudo de caso que foi
conduzido no final de 2005, estimou-se realizar os demais em seis meses, porm,
somente foi possvel conclu-los no perodo de um ano.
Na prtica, a realizao de mltiplos estudos em paralelo muito difcil, devido
a dificuldade de encontrar usurios dispostos a participar e a disponibilidade de tempo
dos usurios durante o estudo. Estimou-se realizar cada estudo de caso no perodo de
dois meses, mas muitos se estenderam por 3 ou 4 meses at serem concludos. Pois, os
145
usurios possuem inmeras atividades e compromissos em sua rotina normal de

trabalho, isto fez com que muitos encontros de observao no ocorressem, fossem
interrompidos ou na ltima hora desmarcados.
Todavia, do ponto de vista dos usurios a experincia de realizao de estudos
de caso tambm foi bastante produtiva, contribuiu para melhor compreenso de seus
conjuntos de dados, gerando informaes que auxiliaram na tomada de decises. No
mudou substancialmente suas prticas de anlise existentes, mas representou uma forma
diferenciada e complementar de explorar e analisar seus dados.
Ainda que se tenha relatado que uma das limitaes do mtodo seja a dificuldade
de encontrar usurios dispostos a participar dos estudos de caso, um exemplo do quanto
a experincia foi positiva com os usurio que aceitaram participar foi o fato de que o 4
estudo de caso resultou na realizao do 5 estudo com o mesmo usurio especialista
(utilizando outro conjunto de dados e ferramenta de visualizao), assim como, a
realizao do 6 estudo de caso, por indicao do prprio usurio, levou a realizao do
7 estudo com outro usurio especialista no mesmo domnio.
Os resultados da avaliao da abordagem foram muito significativos, tanto com
relao adaptao das tcnicas de avaliao de usabilidade (avaliao heurstica
empregando as heursticas estendidas e os ensaios de interao utilizando os cenrios e
questes analticas) quanto com a capacidade de filtragem dos problemas de usabilidade
entre as etapas de avaliao propostas na abordagem. Inicialmente, estimava-se que
50% dos problemas de usabilidade seriam identificados pelas etapas 1 e 2 da abordagem
e atravs das avaliaes realizadas 91% dos problemas de usabilidades foram
descobertos pelas etapas 1 e 2 propostas na abordagem de avaliao.
Contudo, embora a abordagem tenha apresentado resultados relevantes,
reconhece-se que foi realizada apenas uma avaliao de usa aplicabilidade e novas
avaliaes devem ser conduzidas com base em outros estudos de caso longitudinais,
como forma de fortalecer os resultados obtidos.
146
7 CONCLUSES
A quantidade e diversidade de informaes geradas e disponibilizadas por

diferentes reas de conhecimento tm crescido substancialmente nos ltimos anos.
Conseqentemente, formas eficientes de representar, manipular e explorar essas
informaes precisam ser desenvolvidas para que os usurios possam analisar ao menos
uma pequena parte de seus repositrios de dados.
A visualizao como alternativa para a explorao dos dados uma proposta
que tem merecido ateno, sendo utilizada de vrias formas para apoiar os processos de
anlise de dados e descoberta de conhecimento (FAYYAD et al., 2002), principalmente,
para dados multidimensionais.
Neste contexto, diversas tcnicas de visualizao de dados multidimensionais
tm sido desenvolvidas com o objetivo de permitir a explorao e anlise visual de
diferentes conjuntos de dados. Contudo, conforme reviso de trabalhos relacionados
descrita no captulo 4, pouco foi encontrado com relao a iniciativas direcionadas ao
desenvolvimento de uma abordagem sistemtica para avaliao de usabilidade de
ferramentas de visualizao de informaes multidimensionais. Existe uma carncia de
mtodos e tcnicas de avaliao de usabilidade, que explorem e considerem as
caractersticas deste tipo de interface de maneira adequada.
Como forma de viabilizar o desenvolvimento desta abordagem sistemtica de
avaliao de usabilidade, o primeiro passo foi compreender as tarefas desempenhadas
pelos usurios durante o uso de ferramentas de visualizao de informaes
multidimensionais, desenvolvendo uma taxonomia de tarefas do usurio. O objetivo
primordial na definio desta taxonomia foi apoiar e viabilizar a utilizao de todas as
tcnicas de avaliao de usabilidade, que seguem uma abordagem orientada a tarefas, ao
contexto das aplicaes que implementam tcnicas de visualizao de dados
multidimensionais.
A definio inicial da taxonomia foi baseada na anlise de taxonomias existentes
na literatura, do estudo de outros trabalhos de avaliao de tcnicas multidimensionais
envolvendo tarefas e da explorao de algumas tcnicas de visualizao
multidimensional. Aps, obtida esta verso preliminar, foram conduzidos experimentos
com o objetivo de validar a taxonomia: dois ensaios de interao com usurios
experimentais e sete estudos de caso longitudinais com usurios reais (analistas de
dados/especialistas no domnio), atravs da aplicao do mtodo MILCs (conforme
captulo 6). Os resultados dos experimentos levaram, conseqentemente, a sucessivos
refinamentos na taxonomia possibilitando, assim, chegar a verso atual.
A realizao de mltiplos estudos de caso longitudinais com usurios
especialistas no domnio, por um perodo considervel de tempo, permitiu observar
147
vrias situaes semelhantes, fornecendo um nvel maior de confiana e credibilidade

nas informaes coletadas, possibilitando uma generalizao de resultados: tarefas,
questes analticas e problemas de usabilidade. A utilizao do mtodo MILCs foi
decisiva tanto na validao da taxonomia quanto na obteno das demais informaes,
que possibilitaram a adaptao de algumas tcnicas de avaliao de usabilidade.
Com base nos resultados obtidos atravs dos experimentos (descritos no captulo
6, seo 6.1), buscando sistematizar o processo de avaliao, foi proposta uma
abordagem para avaliao de usabilidade em ferramentas de visualizao de
informaes multidimensionais. A abordagem integra, em trs etapas, a utilizao de
um conjunto complementar de tcnicas de avaliao de usabilidade: avaliao
heurstica, ensaios de interao e estudos de caso longitudinais.
Conforme captulo 5, a primeira etapa contempla um mtodo de inspeo
empregando heursticas estendidas, com base nos problemas de usabilidade
identificados nos experimentos realizados. A segunda etapa sugere a conduo de
experimentos controlados em laboratrio (ensaios de interao), utilizando cenrios com
tarefas operacionais da taxonomia e um conjunto de tarefas (questes analticas), e a
ltima etapa defende a realizao de estudos de caso longitudinais, aplicando o mtodo
MILCs com uma amostragem menor de usurios especialistas no domnio.
Com o objetivo de avaliar a sistematizao do processo de avaliao, proposta
atravs da abordagem, foram conduzidos experimentos de avaliao de usabilidade
(avaliao heurstica e ensaios de interao) empregando-se verses adaptadas e no
adaptadas das tcnicas e comparados os resultados obtidos. Alm de comparar os
resultados obtidos pela adaptao das tcnicas, buscou-se verificar tambm o quanto os
problemas de usabilidades poderiam, de fato, ser filtrados pelas etapas 1 e 2 da
abordagem comparados aos problemas identificados na etapa 3.
Os resultados da avaliao da abordagem foram muito significativos, tanto com
relao adaptao das tcnicas de avaliao de usabilidade (avaliao heurstica
empregando as heursticas estendidas e os ensaios de interao utilizando os cenrios e
questes analticas) quanto com a capacidade de filtragem dos problemas de usabilidade
entre as etapas de avaliao propostas na abordagem.
7.1 Limitaes
Uma das principais dificuldades no desenvolvimento deste trabalho foi, sem
dvida, a necessidade do envolvimento de usurios reais (especialistas na anlise e no
domnio dos dados), como tambm, a participao de usurios experimentais fato que
demandou maior de tempo para a realizao das atividades previstas.
Outra limitao foi a necessidade de delimitar certos domnios de dados a serem
trabalhados, como tambm, uma subcategoria de tcnicas de visualizao de dados
multidimensionais a ser considerada.
7.2 Contribuies
A definio de uma taxonomia de tarefas do usurio que integra, em diferentes
nveis, tarefas analticas e operacionais previstas no uso de tcnicas de visualizao de
informaes multidimensionais e, principalmente, a comprovao da abrangncia e
validade desta taxonomia em apoiar o processo de avaliao de usabilidade dessas
148
tcnicas, so duas contribuies inditas desta tese em relao aos demais trabalhos que
tratam da definio de outras taxonomias.
A realizao de todas as adaptaes propostas nas tcnicas de avaliao de
usabilidade, a fim de torn-las mais especializadas e adequadas avaliao de uso das
visualizaes em estudo, constituem, tambm, contribuies nicas desta tese em
relao aos demais trabalhos envolvendo avaliao de tcnicas de visualizao de
informaes multidimensionais.
Enfim, a sistematizao do processo de avaliao de usabilidade atravs da
abordagem proposta e a avaliao de sua aplicao consolidam e complementam as
contribuies deste trabalho.
7.3 Trabalhos Futuros

Considerando-se que o conjunto de tarefas proposto na taxonomia possa ainda
estar incompleto e no cobrir todas as tarefas do usurio, principalmente tarefas
operacionais, espera-se que outras tarefas possam ser incorporadas verso atual da
taxonomia como resultado de atividades futuras. Considerando-se, tambm, a
possibilidade de extenso da taxonomia ao contexto de ambientes de anlise visual.
A realizao de novos estudos de caso longitudinais deve servir para que:
novas tarefas sejam incorporadas a taxonomia;
outros problemas de usabilidade sejam identificados, estendendo o conjunto

inicial de heursticas.
As tarefas definidas na taxonomia devem permitir a adaptao de outras tcnicas

de avaliao de usabilidade que seguem uma abordagem orientada a tarefas, estas
possibilidades devem ser investigadas. Deve-se, tambm, buscar meios mais adequados
de descrever as heursticas estendidas como forma de aumentar sua eficincia
(quantidade de problemas srios identificados frente quantidade de problemas reais) e
seu poder de persuaso (capacidade de convencer da gravidade dos problemas de
usabilidade identificados) quando especialistas em IHC com pouco conhecimento na
rea de visualizao so envolvidos na avaliao.
Novas aplicaes da abordagem de avaliao, proposta neste trabalho, precisam
certamente ser conduzidas para garantir a sua ampla aplicabilidade.
149
REFERNCIAS
AHLBERG, C.; WISTRAND, E. IVEE: An Information Visualization and Exploration

Environment. In: IEEE SYMPOSIUM ON INFORMATION VISUALIZATION,
INFOVIS, 1995. Proceedings [S.l.]: IEEE,1995. p. 66-73.
ALLENDOERFER, K. et al. Adapting the cognitive walkthrough method to assess the
usability of a knowledge domain visualization. In: IEEE SYMPOSIUM ON
INFORMATION VISUALIZATION, INFOVIS, 2005. Proceedings Piscataway:
IEEE, 2005. p.195-202.
ALPERN, B.; CARTER, L. Hyperbox. In: IEEE SYMPOSIUM ON INFORMATION
VISUALIZATION, INFOVIS, 1991. Proceedings [S.l.]: IEEE, 1991. p.133-139.
AMAR, R.; STASKO, J. Knowledge Task-Based Framework for Design and
Evaluation of Information Visualizations. In: IEEE SYMPOSIUM ON
INFORMATION VISUALIZATION, INFOVIS, 2004. Proceedings [S.l.]: IEEE,
2004. p.143-149.
AMAR, R.; EAGAN, J.; STASKO, J. Low-Level Components of Analytic Activity in
Information Visualization. In: IEEE SYMPOSIUM ON INFORMATION
VISUALIZATION, INFOVIS, 2005. Proceedings [S.l.]: IEEE, 2005. p. 111-147.
APPLE COMPUTER. Macintosh Human Interface Guidelines. New York: AddisonWesley, 1992.
BAECKER, R. M. et al. Readings in human-computer interaction: toward the year
2000. San Mateo, CA: Morgan Kaufmann, 1995.
BARTHET, M.-F. Logiciels interactifs et ergonomie: modeles et mthodes de
conception. Paris: Dunod, 1988.
BASTIEN, C.; SCAPIN , D. Human factors criteria, principles, and
recommandations for HCI: methodological and standatdisation issues. [S.l.]: INRIA,
1993.
BECKER, R. A.; CHAMBERS, J. M.; WILKS, A. R. The New S Language. [S.l.]:
University of Wisconsin Press, 1983.
BENYON, D. Task Analysis and System Design: the Discipline of Data. Interacting
with Computers, Guildford, Surrey, v.4, n.2, p. 246-259, 1992.
BERTIN, J. Semiology of graphics. Madison, WI: The University of Wisconsin Press,
1983.
BIAS, R.G. The Pluralistic usability walkthrough: coordinated empathies. In:
NIELSEN, J.; MACK, R. L. (Ed.). Usability Inspection Methods. New York: John
Wiley & Sons, 1994. p. 63-76.
150
BLACKMON, M. H. et al. Cognitive Walkthrough for the Web. Letters CHI, New
York, v.4, n.1, p 463-470, 2002. Trabalho apresentado na SIGCHI Conference on
Human Factors in Computing Systems, 2002.
BODART, F. et al. A Model-Based Approach to Presentation: A Continuum from task
Analysis to Prototype. In: INTERNATIONAL EUROGRAPHICS WORKSHOP ON
DESIGN, SPECIFICATION AND VERIFICATION OF INTERACTIVE SYSTEMS,
1994. Proceedings [S.l.:s.n], 1994. p. 8-10.
CARD, S. K.; MORAN, T. P.; NEWELL, A. The psychology of human-computer
interaction. Hillsdale, NJ: Lawrence Erlbaum Associates, 1983.
CARD, S. K.; MACKINLAY, J. D. The Structure of the Information Visualization
Design Space. In: IEEE SYMPOSIUM ON INFORMATION VISUALIZATION,
INFOVIS, 1997. Proceedings [S.l.]: IEEE, 1997. p. 92-99.
CARD, S. K.; MACKINLAY, J.D.; SHNEIDERMAN, B. Readings in Information
Visualization: Using Vision to Think. San Francisco, California: Morgan Kaufmann,
1999. p. 307-309.
CASNER, S. A task-analytic approach to the automated design of graphic presentations.
ACM Trans. On Graphics, New York, v.10, n. 2, p. 111-151, 1991.
CHEN, C.; CZERWINSKI, M. Empirical evaluation of information visualizations: an
introduction. International Journal of Human-Computer Studies, London, v. 53, n.
5, p. 631-635, 2000.
CHERNOFF, H. The Use of Faces to Represent Points in k-Dimensional Space
Graphically. Journal Amer. Statistical Association, New York, v. 68, p. 361-368,
1973.
CHI, E. H.; RIEDL, J. T. An Operator Interaction Framework for Visualization
Systems. In: IEEE SYMPOSIUM ON INFORMATION VISUALIZATION, INFOVIS,
1998. Proceedings [S.l.]: IEEE, 1998. p. 63-70.
CHI, E. H. A Taxonomy of Visualization Techniques using the Data State Reference
Model. In: IEEE SYMPOSIUM ON INFORMATION VISUALIZATION, INFOVIS,
2000. Proceedings [S.l.]: IEEE, 2000. p. 69-75.
CRAINE, K. Designing a Document Strategy. Hurst, Texas: MC2 Books, 2000.
CYBIS, W.A. Engenharia de Usabilidade: uma abordagem ergonmica.
Florianpolis: Laboratrio de Utilizabilidade de Informtica, 2003. Apostila.
DIX, A. et al. Human-computer interaction. Cambridge: University Press, 1998.
DRAPER, S.W.; NORMAN, D. Software Engineering for User Interfaces. IEEE
Transactions on Software Engineering, Los Alamitos, v. SE-11, n. 3, p. 252-258,
Mar. 1985.
FAYYAD, U.; GRINSTEIN, G.G.; WIERSE, A. Information Visualization in Data
Mininig and Knowledge Discovery. San Francisco: Academic Press, 2002
FEKETE, J. D. The InfoVis Toolkit. In: IEEE SYMPOSIUM ON INFORMATION
FOLEY, J.D. et al. Computer Graphics: Principles and Practice. Reading: AddisonWesley, 1993.
151
FREITAS, C. M. D. S.; CHUBACHI, O. M.;LUZZARDI, P. R. G.; CAVA, R. A.

Introduo Visualizao de Informaes. Revista de Informtica Terica e
Aplicada, Porto Alegre, v. 8, n. 2, p. 143-158, out. 2001.
FREITAS, C. M. D. S.; LUZZARDI, P. R. G.; CAVA, R.A.; WINCKLER, M. A.;
PIMENTA, M.; NEDEL, L.P. On Evaluating Information Visualization Techniques. In:
WORKING CONFERENCE ON ADVANCED VISUAL INTERFACE, 2002, Trento.
Proceedings [New York]: ACM, 2002. p. 373-374.
GERKEN, J.; BAK, P.; REITERER, H. Longitudinal Evaluation Methods in HumanComputer Studies and Visual Analytics. In: IEEE SYMPOSIUM ON VISUAL
ANALYTICS SCIENCE AND TECHNOLOGY, VAST, 2007. Proceedings [S.l.]:
IEEE, 2007.
GONZALES, V.; KOBSA, A. A Workplace Study of the Adoption of Information
Visualization Systems. In: INTERNATIONAL CONFERENCE KNOWLEDGE
MANAGEMENT, I-KNOW, 2003. Proceedings [S.l.]: IEEE, 2003. p. 92-102.
GRG, C.; WILLIAMS, S.; STASKO, J. Issues and Methodologies for Evaluating the
Jigsaw Visual Analytic System. In: IEEE SYMPOSIUM ON VISUAL ANALYTICS,
VAST, 2007. Proceedings [S.l.]: IEEE, 2007.
GRINSTEIN, G.G. et al. Benchmark Development for the Evaluation of Visualization
for Data Mining. In: FAYYAD, U.; GRINSTEIN, G.G.; WIERSE, A. Information
Visualization in Data Mininig and Knowledge Discovery. San Francisco: Academic
Press, 2003.
HERBERT, J.S. Mtodos para avaliao da qualidade de software. Porto Alegre:
Instituto de Informtica da UFRGS, 1995. Curso ministrado no XV Congresso da SBC,
1995.
HETZLER, E.; TURNER, A. Analysis Experiences Using Information Visualization.
IEEE Computer Graphics and Applications, Los Alamitos, v. 24, n. 5, p. 22-26,
Sept./Oct. 2004.
HIX, D.; HARTSON, H. R. Developing user interfaces: ensuring usability through
product and process. New York: John Wiley, 1993.
HOFFMAN, P. E.; GRINSTEIN, G. G.; MARX K.; GROSSE I.; STANLEY E. DNA
Visual and Analytic Data Mining. In: IEEE SYMPOSIUM ON INFORMATION
HOFFMAN, P. E. Table Visualization: A formal Model and Its Aplications. 1999.
Doctoral dissertation, Computer Science Dept., University of Massachusetts at Lowell.
HOFFMAN, P.; GRINSTEIN, G.; PINKNEY, D. Dimensional Anchors: A Graphic
Primitive for Multidimensional Multivariate Information Visualizations. New York:
ACM Press, 2000.
HUFF, R. et al. Erasing, Digging and Clipping in Volumetric Datasets with One or Two
Hands. In: ACM INTERNATIONAL CONFERENCE ON VIRTUAL REALITY
CONTINUUM AND ITS APPLICATIONS, VRCIA, 2006. Proceedings [New
York]: ACM SIGGRAPH, 2006. p. 271-278.
IGNATIUS, E.; SENAY, H.; FAVRE J. An intelligent system for task-specific
visualization assistance. Journal of Visual Language and Computing, London, v. 5,
n. 4, p. 321-338, 1994.
152
INSELBERG, A. The Plane with Parallel Coordinates. The Visual Computer, New
York, v. 1, p. 69-91, 1985.
INSELBERG, A.; DIMSDALE, B. Parallel Coordinates: A Tool for Visualizing
Multidimensional Geometry. In: IEEE SYMPOSIUM ON INFORMATION
IRANI, P.; SLONOWSKY, D.; SHAJAHAN, P. Human perception of structure in
shaded space-filling visualizations. Information Visualization, Basingstoke,
Hampshire, v. 5, n. 1, p. 47-61, 2006.
JEFFRIES, R. et al. User interface evaluation in the real world: a comparison of four
techniques. In: CONFERENCE ON HUMAN FACTORS IN COMPUTING
SYSTEMS, CHI, 1991. Proceedings New York: ACM, 1991. p. 119-124.
KANG, H. et al. NetLens: iterative exploration of content-actor network data.
Information Visualization, Basingstoke, Hampshire, v. 6, p. 18-31, 2007.
KARAT, C. Cost-benefit analysis of usability engineering techniques. In:
CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS, 1990.
Proceedings New York: ACM, 1990. p. 839-843.
KEIM, D.A.; BERGERON, R. D.; PICKETT, R.M. Test Data Sets for Evaluating Data
Visualization Techniques. In: GRINSTEIN, G.G.; LEVKOWITZ, H. Perceptual Issues
in Visualization. Berlin: Springer, 1994.
KEIM, D.A. Visualization Techniques for Mining Large Database: A Comparation.
IEEE Transactions on Knowledge and Data Engineering, New York, v. 8, n. 6, p.
923-936, Dec. 1996.
KEIM, D.A. Visual Database Exploration Techniques. In: INTERNATIONAL
CONFERENCE IN KNOWLEDGE DISCOVERY AND DATA MINING, KDD,
1997.
Proceedings
Disponvel
em:
<http://www.informatik.unihalle.de/~keim/pS/Kdd97.pdf>. Acesso em: 07 fev. 2008.
KOBSA, A. An Empirical Comparison of Three Commercial Information Visualization
Systems. In: IEEE SYMPOSIUM ON INFORMATION VISUALIZATION, INFOVIS,
2001. Proceedings [S.l.]: IEEE, 2001.
LANZENBERGER, M.; MIKSCH, S.; POHL. M. The stardinates visualizing highly
structured data. In: IEEE INTERNATIONAL CONFERENCE ON INFORMATION
VISUALIZATION, 2003. Proceedings [S.l.]: IEEE, 2003. p. 47-52.
LANZENBERGER, M.; MIKSCH, S.; POHL. M. Exploring highly structured data
A Comparative study of Stardinates and Parallel Coordinates. In: IEEE
INTERNATIONAL CONFERENCE ON INFORMATION VISUALIZATION, 2005.
Proceedings [S.l.]: IEEE, 2005. p. 312-320.
LEE, M. D.; REILLY, R. E.; BUTAVICIUS, M. A. An Empirical Evaluation of
Chernoff Faces, Star Glyphs, and Spatial Visualizations for Binary Data. In:
AUSTRALASIAN SYMPOSIUM ON INFORMATION VISUALIZATION, 2003.
Proceedings [S.l.:s.n], 2003.
LUZZARDI, P. R. G. Critrios de Avaliao de Tcnicas de Visualizao de
Informaes Hierrquicas. 2003. 248 f. Tese (Doutorado em Cincia da Computao)
Instituto de Informtica, UFRGS, Porto Alegre.
LUZZARDI, P. R. G.; CAVA, R.A.; FREITAS, C. M. D. S. An Extendend Set of
Egonomic Criteria for Information Visualization Techniques. In: IASTED
153
CONFERENCE ON COMPUTER GRAPHICS AND IMAGING, CGIM, 7., 2004,

Kauai, Hawai, 2004. Proceedings [S.l.: s.n.], 2004. p. 236-241.
McNEE, S.M.; ARNETTE, B. Process and Productivity in Visual Analytics:
Reflections on E-Discovery. In: WORKSHOP METRICS FOR THE EVALUATION
OF VISUAL ANALYTICS; IEEE SYMPOSIUM ON VISUAL ANALYTICS
SCIENCE AND TECHNOLOGY, VAST, 2007. Proceedings [S.l.: s.n.], 2007.
MARK, G.; KOBSA, A.; GONZALEZ, V. Do Four Eyes See Better Than Two?
Collaborative versus Individual Discovery in Data Visualization Systems. In:
INTERNATIONAL CONFERENCE ON INFORMATION VISUALIZATION, 6.,
2002. Proceedings Los Alamitos: IEEE Computer Society Press, 2002.
MAZZA, R. Evaluating Information Visualization Applications with Focus Groups: the
CourseVis experience. In: WORKSHOP BEYOND TIME AND ERRORS: NOVEL
EVALUATION METHODS FOR INFORMATION VISUALIZATION; ACM
CONFERENCE ON ADVANCED VISUAL INTERFACE, 2006, Venice.
Proceedings [New York]: ACM, 2006. p. 26 - 31.
MOLICH, R.; JEFFRIES, R.; DUMAS, J.S. Making Usability Recommendations
Useful and Usable. Journal of Usability Studies, Bloomingdale, IL, v. 2, n. 4, p. 162
179, Aug. 2007.
NIELSEN, J. Finding usability problems through heuristic evaluation. In:
CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS, CHI, 1992.
Proceedings New York: ACM, 1992. p. 373-380.
NIELSEN, J. Usability Enginnering. Boston: Academic Press, 1993.
NIELSEN, J.; MACK, R. L. Usability Inspection Methods. New York: John Wiley &
Sons, 1994a.
NIELSEN, J. Guerilla HCI: Using discount usability enginnering to penetrate the
intimadation barrier. In: BIAS, R. G.; MAYHEW, D. J. (Ed.). Cost-Justifying
Usability. Boston: Academic Press, 1994b. p. 245-272.
NORMAN, D. Cognitive Engineering. In: User Centred System Design: New
Perspectives on Human-Computer Interaction. [S.l.]: Lawrence Erlbaum Associates,
1986. p. 31-61.
NORTH, C. A. Taxonomy of Information Visualization User Interfaces. 1998.
Disponvel em: <http://www.cs.umd.edu/~north/infoviz.html>. Acesso em: 2004.
OLIVE: On-line Library of Information Visualization Environments. 1999. Disponvel
em: <http://www.otal.umd.edu/Olive/>. Acesso em: 2007.
OLIVEIRA, M. C. F.; LEVKOWITZ, H. From Visual Data Exploration to Visual Data
Mininig: A survey. IEEE Transactions on Visualization and Computer Graphics,
Los Alamitos, v. 9, n. 3, July-Sept. 2003.
PLAISANT, C. The Challenge of Information Visualization Evaluation. In:
CONFERENCE ON ADVANCED VISUAL INTERFACES, AVI, 2004.
Proceedings [New York]: ACM, 2004.
PICKETT, R. M.; GRINSTEIN, G.G. Evaluation of Visualization Systems. In:
FAYYAD, U.; GRINSTEIN, G.G.; WIERSE, A. (Ed.). Information Visualization in
Data Mininig and Knowledge Discovery. San Francisco: Academic Press, 2002.
PILLAT, R.M.; VALIATI, E.R.de A.; FREITAS, C.M.D.S. Experimental Study on
Evaluation of Multidimensional Information Visualization Techniques. In: LATIN
154
AMERICAN CONFERENCE ON HUMAN-COMPUTER INTERACTION, 2005,

Cuernavaca, Mxico. Proceedings [New York]: ACM, 2006. p. 20-30.
PIROLLI, P.; RAO, R. Table Lens as a Toll for Making Sense of Data. In:
CONFERENCE ON ADVANCED VISUAL INTERFACES AVI, 1996.
Proceedings [New York]: ACM, 1996.
POLLIER, A. Evaluation d'une interface par des ergonomes: diagnostiques et
stratgies. [S.l.]: INRIA, 1991.
PREECE, J. et al. Human-computer interaction. New York: Addison-Wesley, 1995.
PREECE, J. et al. Design de interao: alm da interao homem-computador. Porto
Alegre: Bookman, 2005.
RAO, R.; CARD, S.K. The Table Lens: Merging Graphical and Symbolic
Representations in an Interactive Focus + Context Visualization for Tabular
Information. In: CONFERENCE ON HUMAN FACTORS IN COMPUTING
RAVDEN, S.; JOHNSON, G. Evaluating usability of human-computer interfaces: a
pratical method. Chichester: Ellis Horwood, 1989.
REDISH, J. Expanding Usability Testing to Evaluate Complex Systems. Journal of
Usability Studies, Bloomingdale, IL, v. 2, n. 3, p. 102-111, May 2007.
RESTER, M. et al. Methods for the Evaluation of an Interactive InfoVis Tool
Supporting Exploratory Reasoning Processes. In: WORKSHOP BEYOND TIME AND
ERRORS:
NOVEL
EVALUATION
METHODS
FOR
INFORMATION
VISUALIZATION; ACM CONFERENCE ON ADVANCED VISUAL INTERFACE,
2006, Venice. Proceedings [New York]: ACM, 2006. p. 32 - 37.
RUBIN, J. Handbook of Usability Testing: how to plan, design, and conduct effective
tests. New York: John Wiley & Sons, 1994.
SARAIYA, P.; NORTH, C.; DUCA, K. An Evaluation of Microarray Visualization
Tools for Biological Insight. In: IEEE SYMPOSIUM ON INFORMATION
SARAIYA, P.; NORTH, C.; DUCA, K. An Insight-Based Methodology for Evaluating
Bioinformatics Visualization. IEEE Transactions on Visualization and Computer
Graphics, Los Alamitos, v. 11, n. 4, p. 443-456. July/Aug. 2005.
SCHOLTZ, J.; MORSE, E.; HEWETT, T. In depth observational studies of professional
intelligence analysts. In: INTERNATIONAL CONFERENCE ON INTELLIGENCE
ANALYSIS, 2005. Proceedings [S.l.:s.n.], 2005.
SCHOLTZ, J. Metrics for evaluating human information interaction systems.
Interacting with Computers, Guildford, Surrey, v. 18, n. 4, p. 507-527, 2006a.
SCHOLTZ, J. Beyond Usability: Evaluation Aspects of Visual Analytics Environments.
In: IEEE SYMPOSIUM ON VISUAL ANALYTICS SCIENCE AND TECHNOLOGY,
VAST, 2006. Proceedings [S.l.]: IEEE, 2006b. p. 145-150.
SEO, J.; SHNEIDERMAN, B. Knowledge discovery in high dimensional data: Case
studies and a user survey for the rank-by-feature framework. IEEE Transactions on
Visualization and Computer Graphics, Los Alamitos, v. 12, n. 4, p. 311-322, May/
June 2006.
SHNEIDERMAN, B. Designing the User Interface: Strategies for Effective HumanComputer Interaction. [S.l.]: Addison-Wesley, 1987.
155
SHNEIDERMAN, B. The Eyes Have It: A Task by Data Type Taxonomy for
Information Visualization. In: IEEE SYMPOSIUM ON VISUAL LANGUAGES, 1996.
Proceedings [S.l.]: IEEE, 1996. p. 326-343.
SHNEIDERMAN, B. et al. Creativity Support Tools: Report from a U.S. National
Science Foundation Sponsored Workshop. International Journal of HumanComputer Studies, London, v. 20, n. 2, p. 6177, 2006a.
SHNEIDERMAN, B.; PLAISANT, C. Strategies for Evaluating Information
Visualization Tools: Multi-dimensional In-depth Long-term Case Studies. In:
WORKSHOP BEYOND TIME AND ERRORS: NOVEL EVALUATION METHODS
FOR INFORMATION VISUALIZATION; ACM CONFERENCE ON ADVANCED
VISUAL INTERFACE, 2006, Venice. Proceedings [New York]: ACM, 2006b. p.
38 - 43.
SPENCE, R. Information Visualization. Harlow: Addison-Wesley, 2001.
SPENKE. M.; BEILKEN, C. Discovery Challenge: Visual, Interactive Data Mining
with InfoZoom the Financial Data Set, Workshop Notes on Discovery Challenge. In:
EUROPEAN CONFERENCE ON PRINCIPLES AND PRACTICE OF KNOWLEDGE
DISCOVERY IN DATABASES, PKDD, 1999. Proceedings [S.l.:s.n.], 1999. p. 3338.
STORRS, G. The Notion of Task in Human-Computer Interaction. In: ANNUAL
CONFERENCE OF THE BRITISH HUMAN-COMPUTER INTERACTION GROUP,
HCI, 1995. Proceedings [S.l.:s.n.], 1995.
THOMAS, J.J.; COOK, K.A. Illuminating the Path: the Research and Development
Agenda for Visual Analytics. Los Alamitos: IEEE Computer Society Press, 2005.
TORY, M.; MLLER, T. Evaluating Visualizations: Do Expert Reviews Work? IEEE
Computer Graphics and Applications, Los Alamitos, v. 25, n. 5, p. 8-11, 2005.
UGHINI, C. S. et al. EyeScope: A 3D Interaction Technique for Accurate Object
Selection in Immersive Environments. In: SBC SYMPOSIUM ON VIRTUAL
REALITY, SVR, 2006. Proceedings [Belm]: CESUPA, 2006. p. 77-88.
VALIATI, E. R. A. Elaborao e Avaliao de um Guia de Recomendaes para
auxlio no desenvolvimento de Interfaces com Usabilidade em Softwares
Educacionais do tipo Hipertexto/Hipermdia Informativo. 2000a. 129 f. Dissertao
(Mestrado em Cincia da Computao) Instituto de Informtica, UFRGS, Porto
Alegre.
VALIATI, E. R. A.; LEVACOV, M.; LIMA, J. V.; PIMENTA, M. S. Utilizando
professores como avaliadores heursticos de interfaces de softwares educacionais. In:
SIMPSIO INTERNACIONAL DE INFORMTICA EDUCATIVA, SIIE, 2., 2000,
Ciudad Real (Spain). Anais... [S. l. : s. n.], 2000b.
VALIATI, E. R. A. Estado-da-Arte em Avaliao de Tcnicas de Visualizao de
Informaes Multidimensionais. 2004. Trabalho Individual (Mestrado em Cincia da
Computao) Instituto de Informtica, UFRGS, Porto Alegre.
VALIATI, E. R. A. Taxonomia de Tarefas para Tcnicas de Visualizao de
Informaes Multidimensionais. 2005. Trabalho Individual (Mestrado em Cincia da
Computao) Instituto de Informtica, UFRGS, Porto Alegre.
VALIATI, E. R. A.; PIMENTA, M.S.; FREITAS, C.M.D.S. A Taxonomy of Tasks for
Guiding the Evaluation of Multidimensional Visualizations. In: WORKSHOP
BEYOND TIME AND ERRORS: NOVEL EVALUATION METHODS FOR
156
INFORMATION VISUALIZATION; ACM CONFERENCE ON ADVANCED

VISUAL INTERFACE, 2006, Venice. Proceedings [New York]: ACM, 2006. p. 86
- 91.
VALIATI, E. R. A.; PIMENTA, M.S.; FREITAS, C.M.D.S. Using Multi-dimensional
In-depth Long-term Case Studies for Information Visualization Evaluation. In:
WORKSHOP BEYOND TIME AND ERRORS: NOVEL EVALUATION METHODS
FOR INFORMATION VISUALIZATION; ACM CONFERENCE ON ADVANCED
VISUAL INTERFACE, 2008, Florence. Proceedings [New York]: ACM, 2008.
VAN WIJK, J.J.; VAN LIERE, R. HyperSlice. In: IEEE SYMPOSIUM ON
INFORMATION VISUALIZATION, INFOVIS, 1993. Proceedings [S.l.]: IEEE,
1993. p. 119-125.
WHARTON, C. et al. The cognitive walkthrough method: A Practitioners guide. In:
NIELSEN, J.; MACK, R. L. (Ed.). Usability Inspection Methods. New York: John
Wiley & Sons, 1994. p. 105-140.
WEHREND, S.; LEWIS, C. A problem-oriented classification of visualization
techniques. In: IEEE SYMPOSIUM ON INFORMATION VISUALIZATION,
WINCKLER, M.A.A.; NEMETZ, F.; LIMA, J.V. de. Estudo de Caso da Aplicao do
Mtodo de Avaliao Heurstica em um Projeto Multidisciplinar. In: WORKSHOP
SOBRE FATORES HUMANOS EM SISTEMAS COMPUTACIONAIS:
COMPREENDENDO USURIOS, CONSTRUINDO INTERFACES, IHC, 1., 1998,
Maring, PR. Atas... [Rio de Janeiro: PUC-RJ], 1998. p. 66-74.
WINCKLER, M.A.A.; PIMENTA, M.S. Tutorial Anlise e Modelagem de Tarefas. In:
SIMPSIO SOBRE FATORES HUMANOS EM SISTEMAS COMPUTACIONAIS,
IHC, 6., 2004, Curitiba, PR. Mediando e Transformando o Cotidiano: anais. Curitiba:
UFPR, 2004a. p. 252.
WINCKLER,M.A.; PALANQUE, P.; FREITAS, C.M.D.S. Tasks and Scenario-based
Evaluation of Information Visualization Techniques. In: INTERNATIONAL
WORKSHOP ON TASK MODELS AND DIAGRAMS FOR USER INTERFACE
DESIGN, 3., 2004, Praga, Repblica Tcheca. Proceedings New York: ACM, 2004b.
p. 165-172.
WONG, P.C.; BERGERON, R.D. 30 Years of Multidimensional Multivariate
Visualization. In: NIELSON, G.M. et al. (Ed.). Scientific Visualization Overviews,
Methodologies and Techniques. Los Alamitos: IEEE Computer Society Press, 1997.
p. 3-33.
YI, J.S. et al. Toward a Deeper Understanding of the Role of Interaction in Information
Visualization. In: IEEE SYMPOSIUM ON INFORMATION VISUALIZATION,
ZHOU, M. X.; FEINER, S. K. Visual task characterization for automated visual
discourse synthesis. In: CONFERENCE ON HUMAN FACTORS IN COMPUTING
ZUK, T. et al. Heuristics for Information Visualization Evaluation. In: WORKSHOP
BEYOND TIME AND ERRORS: NOVEL EVALUATION METHODS FOR
INFORMATION VISUALIZATION; ACM CONFERENCE ON ADVANCED
VISUAL INTERFACE, 2006, Venice. Proceedings[New York]: ACM, 2006. p. 55 60.
157
APNDICE A CENRIOS E QUESTES ANALTICAS
Cenrios:
Imagine que voc trabalha no CREATI e foi encarregada de analisar o conjunto de
dados referente aos alunos que freqentam o centro de atividades, com o objetivo de
traar seu perfil. O resultado desta anlise levar a tomada de decises com respeito
ao melhor direcionamento das atividades oferecidas (oficinas) aos alunos. Com este
propsito foi lhe disponibilizada uma ferramenta para explorao e anlise visual dos
dados. As atividades a serem realizadas encontram-se listadas abaixo. Bom trabalho!
Questes a serem analisadas:
Antes de iniciar a anlise, lembre-se que as concluses ou descobertas referentes as
questes de 1 a 7 devem ser relatadas uma a uma. Ou seja, finalizada a anlise de cada
questo deve ser impresso um pequeno relatrio contendo o registro das respostas
obtidas, juntamente, com a representao visual da situao que gerou tais resultados,
para posteriormente ser apresentado a outras pessoas.
1. Quais so os antecedentes clnicos da aluna Y?
Ao analisar esta questo, voc deve ter percebido que um dado referente a esta
aluna est incorreto, ou seja, ela foi cadastrada como pertencente ao sexo masculino.
Corrija est inconsistncia.
2. Que alunos fazem as oficinas de alongamento e biodana e possuem o
antecedente clnico de osteoporose?
3. Qual a media de renda familiar dos alunos do sexo feminino?
4. Que alunos possuem a maior e a menor renda familiar?
5. Considerando o conjunto de dados, que situao civil os alunos podem
apresentar?
Considere que neste momento voc foi solicitada a parar o trabalho que estava
realizando, para fazer outra atividade. Tente salvar o estado atual do trabalho, de
forma que possa recomear no dia seguinte do ponto onde parou.
-------------------------------------Retornando a anlise do conjunto de dados, recarregue a visualizao do ponto
onde parou para continuar o trabalho.
6. Qual a distribuio de renda entre os alunos que recebem aposentadoria?
158
7. H excees no relacionamento entre a oficina dana para casais e estado civil

casado?
Na representao visual, durante a anlise das questes 8, 9 e 10, destaque os
pontos mais importantes e insira comentrios de aspectos observados para posterior
reviso.
Pois, com relao a estas questes voc no deve registrar uma concluso definitiva
e imprimir o relatrio, mas comunicar suas observaes aos coordenadores do
CREATI solicitando que revisem os pontos destacados e comentados, de modo que
troquem idias e emitam seus pareceres.
8. H grupos de alunos com valores similares de nvel de instruo e renda familiar?
9. Existe uma correlao entre grau de instruo e oficinas?
10. Que alunos tem maior nmero de antecedentes clnicos, brancos ou negros?
Parabns! Finalizada esta etapa do trabalho, obrigado por sua participao.
159
APNDICE B ESTUDOS DE CASO LONGITUDINAIS

LISTAGEM DAS QUESTES ANALTICAS E DOS
PROBLEMAS DE USABILIDADE
Estudo de Caso: Embrapa

Questes analticas
Entre as questes analticas de alto nvel que puderam ser observadas e
registradas, durante a explorao dos 4 conjuntos de dados analisados, esto:
1) Qual foi o rendimento mdio do cultivar X (buriti, camboat, camboim, canela,
guabiju ou louro) nas diferentes doses de N aplicadas?
2) Qual foi o nmero de plantas emergidas por m2 aplicando-se a dose Y de N?
3) Que diferena teve os diferentes ndices de acamamento com relao ao rendimento
do gro?
4) Que implicaes teve os ndices de acamamento com o nmero de plantas emergidas
por m2?
5) Que cultivar apresentou o maior rendimento? Qual foi a dose de N aplicada neste
cultivar? Que outras caractersticas importantes ele apresenta? Qual foi o nmero
de espigas por m2?
6) Se o nmero de espigas por m2 no foi alto embora o rendimento tenha sido, ser
que um fator a ser investigado e mensurado nos prximos experimentos seria o
nmero de gros por espiga? Ou seja, o tamanho das espigas ou a caracterstica das
espigas?
7) Quando o nmero de plantas emergidas por m2 apresentou valores mais altos, que
implicaes isto teve com relao a estatura da planta e o ndice de colheita?
8) Que cultivares apresentaram maior rendimento aplicando-se a dose Y de N?
9)Que cultivar (ou cultivares) permaneceu com o rendimento crescente conforme foram
aumentadas as doses de N?
10) Aplicando-se a dose 120 de N a tendncia cair o rendimento, que cultivares fogem
a esta regra?
11) Quais as principais diferenas ou semelhanas entre o cultivar X e o cultivar Y?
12) Que cultivares tiveram maiores ou menores ndices de colheita?
160
13) Nas diferentes doses de N aplicadas, como se comportou a clorofila e o teor de N,

P, K, Ca e Mg no tecido foliar?
14) Quando o rendimento apresentou valores maiores que o valor Y, que fatores
contriburam para isto?Por exemplo, quais foram as doses de N aplicadas? Como
estavam os ndices de acamamento? Quais eram os teores de N, P, K, Ca e Mg na
palha do trigo e os teores de N, P, K no gro de trigo?
15) Que cultivares apresentaram maior fora de glten?
16) Que cultivares apresentam maior rendimento e fora de glten?
17) Que cultivares apresentaram maior rendimento? Que caractersticas eles possuem?
18) Qual a mdia do nmero de espigas por m2 do cultivar buriti?
19) Geralmente, quanto menor o P maior o L, que casos fogem a esta regra?
20) Quantos cultivares apresentaram baixo ndice de colheita?
21) Que tendncia apresentou o cultivar X conforme foi aumentando a dose de N?
22) Qual o cultivar com o menor ndice de colheita e rendimento?
23) Porque em muitos casos o ndice de colheita no acompanha o rendimento? H
excees a esta tendncia?
24) Que valores podem ser constantemente observados com relao ao PH?
25) Como se apresenta a distribuio de valores com respeito ao MS-SDS? Porque o
cultivar Louro apresenta os menores valores de MS-SDS?
26) Que ndice de acamamento apresentou melhores rendimentos?
27) Que fatores so responsveis pelos casos de maiores e menores rendimentos?
28) H grupos de cultivares com valores similares de ndice de colheita?
29) Quantas vezes o rendimento permaneceu estvel aumentando-se a dose de N de 80
para 120?
30) Que cultivar apresenta menos PH, louro ou canela?
31) Que cultivares apresentam melhor desempenho com relao a fatores importantes
de qualidade industrial dos gros de trigo (CorA, CorB, W, PL, EXT, etc.)?
32) Qual a mdia de teor de N, P, K, Ca e Mg na palha do trigo do cultivar X?
33) Qual a mdia de teor de N, P, K no gro de trigo do cultivar X?
34) H cultivares que so melhores do que outros?Que fatores determinam esta
tendncia?Que caractersticas eles apresentam?
35) Se certos fatores no so determinantes do rendimento, que outros fatores deveriam
se considerados nos prximos experimentos?
36) Embora o PMS no seja determinante do rendimento, ele pode estar associado com
outros fatores geneticamente importantes?
37) Que fatores (dimenses) poderiam ser excludos da anlise sem causar perda de
informaes importantes (verificao de tendncias, padres, etc.)?
161
38) Que proporo de cultivares apresentam valores altos de rendimento (acima da

mdia)?
39) Qual e a probabilidade de aumentar a dose de N aumentar tambm a
produtividade?
A seguir, lista-se os problemas de usabilidade com o nmero de ocorrncias e
grau de severidade:
1) No possvel remover ou incluir mais de uma dimenso ao mesmo tempo.
Nmero de ocorrncias: 25
Grau de severidade: 4
2) A ao de mover uma dimenso de lugar (por exemplo, aproxim-la de outra de
interesse) exige que o usurio tenha que selecion-la novamente a cada click nos
botes up ou down, ou seja, a seleo deveria ser mantida at que uma nova
dimenso fosse selecionada.
3) A ferramenta no permite selecionar dimenses.
4) A ferramenta no permite manipular as dimenses diretamente com o mouse sobre a
representao visual, principalmente, na hora de selecion-las e troc-las de lugar na
representao.
5) As dimenses de interesse no podem ser destacadas, para facilitar o trabalho
quando n dimenses precisam ser analisadas (por exemplo, ao descobrir quais
fatores so determinantes do rendimento do gro, estes fatores poderiam ficar
destacados, isto evitaria que aps analisar todo o conjunto de dados o usurio no
precisasse ter que lembrar que fatores mostraram ser determinantes ou no, para
emitir uma concluso geral com relao a esta anlise).
6) A ferramenta no contm recursos bsicos para auxiliar a anlise estatstica (por
exemplo, deveria ser vivel o usurio selecionar dados na representao e poder
solicitar o clculo da mdia destes valores, invs de ter que recorrer a recursos
externos como o uso de uma calculadora).
7) A ferramenta no permite salvar certas visualizaes obtidas do conjunto de dados
para posterior anlise (continuar o trabalho do ponto onde foi interrompido) ou
mesmo para mostrar a outras pessoas certas descobertas. A falta deste recurso exigiu
162
considervel tempo do pesquisador, pois a cada novo encontro muito trabalho de

reconfigurao da tcnica precisou ser refeito para continuar a anlise do ponto
onde havia parado no encontro anterior. Em alguns casos a visualizao de certas
situaes foram perdidas, pois o usurio no conseguiu lembrar como conseguiu
visualizar certas descobertas (por exemplo, que dimenses moveu e para que locais,
que primitivas grficas foram utilizadas que foi possvel revelar certas descobertas).
8) No possvel salvar histricos de aes, de forma que uma seqncia de aes
pudesse ser refeita sem ter que recordar como foi feita.
9) Faz muita falta na ferramenta os recursos de refazer e principalmente desfazer
aes, considerando-se ser um ambiente altamente exploratrio.
10) A ferramenta no possui recursos onde o analista possa fazer anotaes de suas
descobertas, se possvel com vnculo com as informaes que foram analisadas e
11) O usurio no pode inserir comentrios sobre pontos especficos na representao,
para que outros analistas pudessem examin-la e trocar informaes.
12) Alm de utilizar um gradiente de cores para indicar a ordem dos valores com
relao a uma determinada dimenso, o usurio no pde atribuir cores diferentes
aos agrupamentos existentes numa dimenso de interesse (por exemplo, na
dimenso cultivares poder atribuir a cada cultivar uma cor diferente), pois isto
facilitaria consideravelmente a anlise.
13) Em dimenses onde os dados eram originalmente categricos e foram
transformados (categorizados) em numricos para viabilizar a representao, o
usurio no pde rotular esses valores numricos sobre a representao, para poder
indicar e no precisar recordar a cada anlise o que significam (por exemplo, na
dimenso cultivares cada cultivar foi associado a um nmero de 1 a 6, o usurio
teve bastante dificuldade em lembrar a cada encontro que 1 significava buriti, 2
estava associado a camboat, etc. muitas vezes trocava o significado do dado
numrico e chegava a concluses e inferncias errneas).
163
14) No permitido filtrar intervalos no contnuos de valores, pois em muitos casos

necessrio analisar, comparar intervalos no consecutivos de valores (por exemplo,
no foi possvel deixar visvel na representao somente os itens relacionados aos
cultivares buriti, canela e louro para anlise, porque estes intervalos estavam
associados, respectivamente, aos valores 1, 3 e 6, este tipo de filtragem com
intervalos separados no permitida embora seja necessria em muitos casos, pois a
falta deste recurso dificulta consideravelmente o processo de anlise,
principalmente, de certos agrupamentos distantes ou valores de extremo). Assim,
deveria haver uma filtragem interativa, atravs da qual fosse permitido selecionar
diferentes intervalos de valores, simultaneamente, e no necessariamente de forma
continua.
15) Na representao visual onde ocorre uma alta sobreposio dos marcadores, no
existe um recurso que sinalize e informe o usurio o nvel de sobreposio desses
marcadores.
16) Alm da realizao de clculos estatsticos bsicos (como mdias, somas, varincia,
etc.) a ferramenta, tambm, no permite quando necessrio representar o resultado
destes clculos sobre a representao visual (como, por exemplo, mostrar os valores
mdios de cada atributo).
17) Quando o conjunto de dados possui um nmero excessivo de dimenses a
proximidade dos eixos compromete a visualizao e anlise entre os atributos (como
ocorreu com os dois ltimos conjuntos analisados pelo pesquisador, que possuam
34 dimenses cada um). Um recurso para minimizar este problema, sugerido pelo
usurio, remover algumas dimenses da representao, contudo nem sempre
vivel remover algumas dimenses para abrir espao entre os eixos. Assim outras
formas de resolver este problema devem ser pensadas, por exemplo, utilizando
recursos como o uso de congelamento de painis, como disponvel no Microsoft
Excel, atravs do qual o usurio pudesse congelar certos eixos de interesse e
movimentar outros (para esquerda ou direita) ocultando ou descortinando,
temporariamente, algumas dimenses de forma rpida e dinmica sem diminuir o
espao entre os eixos e causar grande impacto na visualizao.
18) Quanto seqncia de exibio dos atributos, alm das possibilidades de ser
aleatria (como ocorre originalmente no conjunto de dados) ou manualmente
arranjada pelo usurio, no existe tambm um recurso que possibilite orden-la de
forma automtica, por exemplo, baseada em medidas de similaridade, isto pode em
certas situaes facilitar a anlise.
164
19) A cor de fundo da representao visual no pode ser alterada pelo usurio, pois
quando o recurso de gradiente de cores utilizado a cor fixa de fundo da
representao compromete significativamente a visualizao das linhas mais claras.
Estudo de Caso: Geografia

registradas, durante a explorao do conjunto de dados analisado, esto:
1) Em que bairros as pessoas residem mais tempo no mesmo domiclio?
2) Existe alguma relao entre tempo de domiclio e tipo de domiclio?
3) Quantas casas de alvenaria h no bairro X?
4) Nos loteamentos predomina a existncia de casas de madeira ou mistas?
5) As pessoas com maior grau de instruo residem em bairros mais prximos do
centro da cidade?
6) H algum fator socioeconmico que diferencie as pessoas que residem em casas e
apartamentos?
7) Qual o perfil do bairro X?
8) Que bairros possuem um perfil semelhante?
9) Quais as principais diferenas ou semelhanas entre o bairro X e Y?
10) Existem diferenas socioeconmicas significativas entre os bairros e loteamentos
analisados?
11) Que bairros e loteamentos sofreram influncia direta de sua localizao, nos
fatores socioeconmicos analisados?
12) Que bairros as pessoas apresentam maiores nveis de instruo e renda?
13) Nos loteamentos que tipo de moradia predomina?
14) Por que no loteamento X e no bairro Y os moradores apresentam menor grau de
instruo? Por que no h escolas? Ou o transporte deficitrio?
15) Que bairros possuem o maior nmero de pessoas que trabalham e aposentados
ativos?
16) Qual o grau de instruo das pessoas que morram nas residncias que apresentam
maior nmero de desempregados?
17) Quanto menor o grau de instruo maior o nmero de desempregados? H uma
relao direta entre estas duas variveis nos bairros e loteamentos analisados?
18) Em que bairros esta tendncia no se confirma, ou seja, o baixo nvel de
escolaridade no contribui para elevar o nmero de desempregados?Por qu?
19) As residncias onde morram aposentados ativos possuem pessoas desempregadas?
165
20) H domiclios com aposentados ativos se nestes domiclios h pessoas

desempregadas e/ou o nvel de renda baixo. Assim, existe alguma relao entre
aposentados ativos, nmero de desempregados e nvel de renda?
21) Qual a proporo de desempregados em cada bairro?
22) Quanto maior o grau de instruo maior a renda. Esta tendncia se confirma?
23) Quantas pessoas analfabetas h em cada bairro e loteamento?
Segue a listagem dos problemas de usabilidade, observados ou relatados pelo
usurio durante as interaes com as tcnicas de visualizao, incluindo o nmero de
ocorrncias e grau de severidade:
Ferramenta XmdvTool
1) A falta dos recursos de refazer e desfazer aes dificultou muito o trabalho do
usurio, muito tempo foi perdido tentando desfazer e refazer certas situaes na
visualizao.
2) A ferramenta no mantm um histrico de aes, de forma que uma seqncia de
aes possa ser refeita pelo usurio sem ter que recordar como as aes foram feitas.
3) Vrias vezes ao passar de um tipo de tcnica de visualizao para outra, deu erro de
execuo e surgiu uma mensagem pedindo para finalizar o programa.
4) Em conjunto de dados com mais de 9 dimenses na tcnica Coordenadas Paralelas o
rtulo das dimenses e os valores mximo e mnino de cada dimenso ficaram atrs
da representao visual (mesmo usando a barra de rolagem vertical o rtulo no foi
exibido, na verdade, as barras de rolagem no possuem nenhuma utilidade prtica) e
na tcnica Matriz de Scatterplots no apareceu os rtulos nem na vertical nem na
horizontal.
5) No menu View, as opes referente a fonte no alteram o tamanho e tipo de fonte
dos rtulos constantes na representao visual, estas opes tem efeito somente
sobre os menus da ferramenta, isto frustrou o usurio que buscava diminuir a fonte
do rtulo das dimenses para poder talvez visualiz-los melhor. Principalmente,
considerando-se que outras opes do mesmo menu, como o uso de cores, tem
efeito sobre a representao visual.
166
6) Nos menus, as opes no disponveis no aparecem com o status de indisponveis,

s quando o usurio clica na opo e v que nada acontece percebe que devia estar
indisponvel. Muitas vezes quando o usurio clicava e nada acontecia perguntava:
O que fiz de errado? Ser que interagi de forma incorreta? No sei usar?. Assim,
ficava se perguntando o que houve (por exemplo, na visualizao atravs da tcnica
Star Glyphs a funo de distoro no est disponvel, mas esta opo no aparece
desativada no menu).
7) A ferramenta permite selecionar, incluir, excluir e trocar as dimenses de lugar, mas
no manipulando direto com o mouse sobre a representao, ou seja, clicando e
arrastando nada acontece, preciso usar uma opo dos menus.
8) No foi possvel, atravs da ferramenta, calcular a mdia e a porcentagem de alguns
valores de interesse, o usurio teve que recorrer a recursos externos como o uso de
papel e caneta e calculadora.
Aplicao de Hoffman
1) No foi possvel, atravs da ferramenta, calcular a mdia e a porcentagem de alguns
valores de interesse, o usurio teve que recorrer a recursos externos como o uso de
papel e caneta e calculadora.
2) A ferramenta permite excluir e incluir dimenses, mas uma de cada vez, o usurio
no pde selecionar mais de uma e fazer a operao uma nica vez. Isto causou
perda de tempo ao usurio.
3) O usurio no conseguiu carregar seu prprio conjunto de dados, sem ajuda do
observador, pois a ferramenta de visualizao no permitiu a importao de
diferentes formatos de arquivos.
4) No foi possvel alterar o conjunto de dados atravs da ferramenta de visualizao,
para incluir e excluir itens, abreviar o rtulo das dimenses.
167
5) A ferramenta permite randomicamente alterar a ordem das dimenses de forma

automtica, mas por falta de um help no foi possvel entender que critrios usa para
as ordenaes.
6) Na tcnica Coordenadas Paralelas as barras de rolagem para aumentar e diminuir o
tamanho dos itens no funcionaram, ou seja, este recurso no est disponvel para
esta tcnica mas para outras est. Quando o usurio trocou a tcnica de visualizao
a ferramenta no mostrou que opes estavam ou no disponveis (no mostra como
desabilitada).
7) No foi possvel manipular diretamente com o mouse a representao visual,
nenhuma interao foi possvel, nem interaes bsicas como selecionar itens e
dimenses.
8) O usurio reclamou no poder na prpria ferramenta fazer anotaes sobre suas
concluses e descobertas, relacionadas a certas situaes visualizadas na
representao visual.
9) A ferramenta no permite salvar e recarregar certas visualizaes obtidas do
conjunto de dados para posterior anlise (continuar o trabalho do ponto onde foi
interrompido) ou mesmo para mostrar a outras pessoas certas descobertas. A falta
deste recurso exigiu considervel tempo do usurio, pois a cada novo encontro
muito trabalho de reconfigurao da tcnica precisou ser refeito para continuar a
anlise do ponto onde havia parado no encontro anterior.
10) No uso de todas as tcnicas de visualizao, disponveis na ferramenta, houve uma
considervel sobreposio de itens. Como a ferramenta no possua recurso de zoom
nem informava o nvel de sobreposio dos marcadores, isto dificultou bastante e
muitas vezes impossibilitou a anlise correta dos dados.
11) Como no h recurso de zoom e o conjunto de dados possua 12 dimenses foi
impossvel realizar a anlise atravs de algumas tcnicas, por exemplo, em Matriz
de Scatterplots.
168
Estudo de Caso: Corretora de Seguros

Questes analticas
1) Que tipo de bens o cliente Y mantm segurados?
2) Qual a mdia de idade dos segurados? Em que faixa etria se encontra a maioria
dos segurados?
3) Quais so os segurados mais velhos e os mais novos?
4) Como est a distribuio de clientes por produtor?
5) Quem so os produtores que possuem mais clientes?
6) Que tipos de seguro o produtor X mais realiza? Qual a mdia de produtividade nas
diferentes cidades que atua?
7) Em que cidades e bairros o produtor Y mais atua?
8) Como est a distribuio dos produtores por cidade?
9) Que produtores apresentam maior produtividade? Em que cidades eles atuam? Que
tipo de clientes possuem?Que tipo de seguros realizam?
10) Quantos produtores apresentam um ndice de produtividade abaixo do esperado?
11) Que produtores apresentam menor produtividade? Em que cidades eles atuam?
Que tipo de clientes possuem?Que tipo de seguros realizam?
12) Qual a proporo de seguros de vida com relao aos demais tipos de seguros?
13) Qual a mdia de valores de danos materiais?
14) Quantos clientes a corretora tem numa cidade X? e qual seu perfil?
15) Em que cidades h um nmero menor de clientes?
16) Que bairros da cidade Y possuem menos segurados?
17) Quantos clientes a corretora possui num bairro X?
18) Que tipo de seguros predomina no bairro X?
19) Quais os maiores tempo de renovao?
20) Quantos clientes possuem os maiores tempos de renovao?Que renovam seus
seguros a 7, 8, 9 e 10 anos?
21) Quais so os clientes mais antigos da corretora?Que renovam seus seguros a 9 e
10 anos?
22) Quantos clientes possuem seguro de empresa e residncia? Qual a proporo com
relao ao nmero total de clientes da corretora?
23) Como est a quantidade de comisso paga aos produtores?
24) Como est a quantidade de comisso paga aos produtores somente em seguro de
veculos?
169
25) Como est a quantidade de comisso paga aos produtores para seguro de empresa
e residncia?
26) Quantos clientes possuem todos os tipos de seguros?Quem so?
27) Quais as principais diferenas ou semelhanas entre os segurados do sexo
masculino e feminino?
28) Qual o perfil dos segurados por profisses?Qual a proporo de segurados por
profisses?Que profisses apresentam menos segurados?
29) Geralmente, quem tem seguro residencial tambm tem seguro de vida, que clientes
fogem a esta regra?
30) Como se apresenta a distribuio de segurados com relao as empresas
seguradoras? Por que as seguradoras X e Y apresentam o menor nmero de
segurados?
31) Qual o perfil de seguro veculos? Quais as marcas mais e menos seguradas?
1) Dificuldade em selecionar linhas de interesse na visualizao, usando o mouse
difcil selecionar uma linha e selecionar mais de uma linha um recurso
indisponvel.
2) Dificuldade de perceber a existncia de itens sobrepostos, pois muitas vezes o
nmero de itens visualizado no fecha com o nmero de itens informado pelo
recurso Display stats. O usurio sente-se muito confuso. Comenta a necessidade da
ferramenta de alguma forma indicar o nmero de itens que esto sobrepostos. Pois,
o recurso Display stats indica o nmero total de itens representados, mas no o
nmero de itens de um agrupamento ou de uma rea que pudesse ser selecionada
pelo usurio.
3) Na tcnica Coordenadas Paralelas, no existe um recurso que possibilite passando o
mouse sobre as linhas em determinadas dimenses seja informado o valor de cada
linha correspondente a dimenso de interesse em cada momento. Pois, a ferramenta
atravs do recurso label by s possui a possibilidade de selecionar uma dimenso de
cada vez, para que os valores correspondentes a ela possam ser visualizados
passando-se o mouse sobre as linhas, independente das dimenses que o ponteiro do
mouse esteja no momento cruzando.
170
4) Impossibilidade de salvar o estado da representao visual sendo analisada, para

posteriormente continuar do ponto onde parou.
5) Na questo: Qual a mdia de valores de danos materiais? O usurio desiste de
completar a tarefa, por ser informado que no h como estimar (determinar) o valor
exato da mdia desta dimenso a ser analisada atravs da ferramenta. Em outro
encontro, quando o usurio buscou responder a questo Qual a mdia de idade dos
clientes (ou segurados)? surgiu o mesmo problema. O usurio tentou estimar
visualmente um valor aproximado da mdia de idades dos clientes, ficando em 44
anos. Aps isto, atravs do Microsoft Excel abriu o conjunto de dados e gerou a
mdia da dimenso idades e comparou o valor estimado visualmente e o valor real
(calculado atravs do Microsoft Excel), neste momento o usurio ficou extremante
desapontado, pois como seria esperado as duas mdias possuam uma grande
diferena (44 anos estimando visualmente na ferramenta e 38 anos calculando no
Microsoft Excel). Desta forma, o usurio convenceu-se que determinar o valor exato
de mdias (ou qualquer outro clculo estatstico bsico) atravs da visualizao seria
impossvel e, pior, no confivel estimar apenas visualmente. Considerando que a
ferramenta de visualizao tem por objetivo apoiar a anlise de dados, reclamou que
este recurso embora fosse extremamente importante no estava disponvel na
ferramenta. Sugeriu que o usurio deveria poder calcular e visualizar resultados
estatsticos de todos os valores de uma determinada dimenso ou de um
agrupamento de itens da dimenso de interesse, ou selecionando parte dos dados de
interesse na representao e exportar estes dados para uma ferramenta de anlise
estatstica.
6) A ferramenta no indica (destacando, por exemplo) ao usurio seu status, ou seja,
quais dimenses esto no momento filtradas, para que ele possa saber ou perceber
porque numa certa dimenso nem todos os itens de dados esto representados num
determinado momento. Pois, muitas vezes para uma nova questo a ser analisada o
usurio no percebeu sozinho que era necessrio desfiltrar certas dimenses,
chegando a concluses erradas sobre os dados e tendo que refazer a anlise aps ser
lembrado pelo observador que algumas dimenses de interesse estavam filtradas e
precisavam ser desfiltradas.
7) O usurio algumas vezes precisou alterar dados em alguns itens do conjunto de
dados (por exemplo, o cliente analisado no mora no bairro indicado). Perguntou se
havia como arrumar estas inconsistncias pela ferramenta, foi informado que no,
que o dado correto deveria ser digitado fora da ferramenta e gerada novamente a
visualizao com o conjunto de dados atualizado. Considerou bastante incomodo
no existir uma ligao direta entre a ferramenta de VI e a tabela de dados, para
arrumar inconsistncias e tratar informaes a serem includas/excludas ou
alteradas no conjunto de dados, como tambm, no existir a possibilidade de haver
uma ligao da ferramenta de visualizao diretamente com outras aplicaes, onde
o conjunto de dados foi gerado.
171
8) O usurio reclamou no poder na prpria ferramenta fazer anotaes com vnculo as
certas situaes visualizadas, para apresentar aos produtores suas concluses e
descobertas, em reunies realizadas na corretora.
9) A ferramenta no permite salvar as representaes juntamente com a anotao de
concluses e descobertas e gerar relatrios contendo certas situaes visualizadas e
todas estas informaes.
10) O usurio no pde inserir comentrios sobre pontos especficos na representao,
para posteriormente mostrar e discutir com outras pessoas.
11) No foi possvel remover ou incluir mais de uma dimenso ao mesmo tempo.
12) No foi possvel, tambm, manipular as dimenses diretamente com o mouse sobre
a representao visual, principalmente, na hora de selecion-las e troc-las de lugar
na representao.
13) A ferramenta no possui os recursos de refazer e desfazer aes.
aes possa ser refeita sem ter que recordar como foram feitas.
15) Em dimenses onde os dados eram originalmente categricos e foram transformados
(categorizados) em numricos para viabilizar a representao, o usurio desejava e
no pde rotular esses valores numricos sobre a representao, para poder indicar e
no precisar recordar a cada anlise o que significam.
16) No permitido filtrar intervalos no contnuos de valores das dimenses, a falta
deste recurso dificultou e muitas vezes inviabilizou a anlise de certas questes.
Portanto, deveria haver uma filtragem interativa, atravs da qual fosse permitido
selecionar diferentes intervalos de valores e no necessariamente de forma continua
numa dimenso.
172
observador, pois a ferramenta de visualizao no permitia a importao de
18) Como o conjunto de dados possua um nmero excessivo de dimenses a
proximidade dos eixos comprometeu a visualizao e a anlise entre os atributos.
Embora, existisse a possibilidade de remover algumas dimenses da representao,
nem sempre isto foi vivel (algumas dimenses no podiam ser removidas). A
ferramenta no possibilita aumentar ou diminuir o espao entre os eixos clicando e
arrastando o mouse sobre o eixo das dimenses de interesse (afastando ou
aproximando-as).
19) A cor de fundo da representao visual no pode ser alterada pelo usurio, pois
quando o recurso de gradiente de cores utilizado a cor fixa de fundo da
representao compromete significativamente a visualizao dos itens mapeados
para uma cor mais clara.
20) No possvel configurar a fonte do rtulo das dimenses, para poder visualiz-los
melhor quando muitas dimenses precisam representadas.
Estudo de Caso: Secretaria da Educao (Etapa I)

Questes analticas
registradas, durante a explorao dos conjuntos de dados analisados, esto:
1) Quais sries apresentam os maiores ndices de reprovao? Confirma-se a hiptese
de que: seriam as 1as e 5as sries?
2) Que escolas apresentam ndices elevados de reprovao?
3) Que ndices de reprovao a escola X tem apresentado nos ltimos anos?
Confirma-se a hiptese de que: uma escola que apresenta um contexto e
problemtica diferenciada, necessitando de maior ateno e investimento em
recursos humanos e materiais.
4) Que escolas possuem o maior e menor ndice de alunos aprovados e em que sries?
5) Que escolas possuem uma quantidade elevada de nmero de alunos?
173
6) Que escolas possuem um nmero reduzido de alunos?

7) Que sries apresentam em mdia o maior e o menor nmero de alunos?
8) Qual o comportamento das escolas e desses ndices, no passar dos anos?
9) Qual o comportamento de cada srie com relao a esses ndices, no passar dos
anos?
10) Existe a tendncia de algumas escolas sempre apresentarem uma diferena muito
acentuada entre o nmero de matrcula real e total? Por qu? Que escolas so
essas?
11) Que escolas, com o passar dos anos, esto conseguindo diminuir os ndices de
evaso? Que trabalho esto fazendo? Apresentam algum padro ou caractersticas
em comum? Adotam alguma teoria de ensino-aprendizagem ou aes polticopedaggicas diferenciadas?
transferncia? Que trabalho esto fazendo? Apresentam algum padro ou
caractersticas em comum? Adotam alguma teoria de ensino-aprendizagem ou
aes poltico-pedaggicas diferenciadas?
reprovao? Que trabalho esto fazendo? Apresentam algum padro ou
14) Que escolas, com o passar dos anos, esto conseguindo aumentar os ndices de
aprovao? Que trabalho esto fazendo? Apresentam algum padro ou
15) Como esto os ndices de reprovao, nas 2 e 5 sries, no ano de 2005, das 14
escolas que obtiveram um desempenho abaixo da mdia (acima de 10%) nas
avaliaes do SAERS (Sistema de Avaliao do Estado do Rio Grande do Sul),
aplicadas em novembro de 2005, onde foram avaliadas competncias e habilidades
nas reas de Lngua Portuguesa e Matemtica?
16) Como esto os ndices de reprovao, nas 2 e 5 sries, no ano de 2005, das 10
escolas que obtiveram um desempenho acima da mdia (abaixo de 10%) nas
avaliaes do SAERS, aplicadas em novembro de 2005, onde foram avaliadas
competncias e habilidades nas reas de Lngua Portuguesa e Matemtica?
17) Existe uma tendncia de diminuir os ndices de reprovao, com o passar dos anos
(verificando os ndices de reprovao entre os anos de 2000 a 2005, nas 2 e 5
sries)?
18) Analisar (ranquear), em cada ano, as 10 escolas que tiveram os ndices totais de
reprovao mais elevados, independente de sries. Confirma-se a hiptese de que:
so sempre as mesmas escolas que mantm estes ndices elevados?
19) Qual o ndice geral de reprovao (independente de escolas) nos anos de 2000 a
2005?
174
20) Analisar o ndice de transferncia nas escolas, independente de sries, entre os

anos de 2000 a 2005. Qual a mdia, entre as escolas, do ndice de transferncia em
cada ano?
21) Analisar (ranquear), em cada ano, as escolas que tiveram os ndices totais de
transferncia mais elevados, independente de sries. Confirma-se a queixa da
direo de algumas escolas de que: o ndice de transferncia elevado, ou seja, os
alunos trocam muito de escola?
22) Em que sries ocorre mais transferncia? Existe uma tendncia?
23) H alguma relao entre os ndices de reprovao e transferncia?
24) Analisar o ndice de evaso nas escolas, independente de sries, entre os anos de
2000 a 2005. Qual a mdia, entre as escolas, do ndice de evaso em cada ano?
25) Analisar (ranquear), em cada ano, as escolas que tiveram os ndices totais de
evaso mais elevados, independente de sries. Confirma-se a queixa da direo de
algumas escolas de que: o ndice de transferncia elevado, ou seja, os alunos
trocam muito de escola?
26) H alguma relao entre os ndices de reprovao e evaso? As escolas com maior
ndice de evaso, reprovam mais? So as mesmas que reprovam? Onde tem mais
evaso, tambm, tem mais reprovao?
27) Que escolas possuem maiores ndices de evaso na 8a srie? e nas demais sries?
28) Em que sries os alunos mais evadem?
29) Nas 1as sries, como tm se comportado os ndices de evaso e reprovao?
Confirma-se a hiptese de que: nas escolas onde os alunos mais reprovam na 1
srie existe a tendncia de que tambm evadam.
2) No possvel remover ou incluir mais de uma dimenso ao mesmo tempo.
3) No possvel manipular as dimenses diretamente com o mouse sobre a
representao visual, principalmente, para selecionar, excluir e trocar a ordem das
dimenses.
175
4) Fez falta na ferramenta os recursos de refazer e principalmente desfazer aes,
considerando-se ser um ambiente altamente exploratrio.
5) No foi possvel, tambm, salvar histricos de aes, de forma que uma seqncia
de aes pudesse ser refeita pelo usurio sem ter que recordar como foi feita.
6) A ferramenta no permite selecionar mais de um item, conjuntos de itens,
consecutivos ou no.
7) No permitido filtrar intervalos no contnuos de valores, pois em muitos casos foi
necessrio analisar, comparar intervalos no consecutivos de valores (por exemplo,
no foi possvel deixar visvel na representao somente os itens relacionados aos
anos 2000, 2003 e 2005 para anlise). Este tipo de filtragem com intervalos
separados no permitida, embora seja necessria em muitos casos, pois a falta
deste recurso dificulta consideravelmente o processo de anlise, principalmente, de
certos agrupamentos distantes ou valores de extremo.
8) Em dimenses onde os dados eram originalmente categricos e foram
transformados (categorizados) em numricos para viabilizar a representao, o
usurio no pde rotular esses valores numricos sobre a representao, para poder
indicar e no precisar recordar a cada anlise o que significam (por exemplo, na
dimenso escolas cada escola foi associado a um nmero de 1 a 35, o usurio teve
bastante dificuldade em lembrar a cada encontro que escola estava associada a que
nmero, muitas vezes trocava o significado do dado numrico e chegava a
concluses e inferncias errneas).
9) O usurio no conseguiu atribuir cores diferentes aos agrupamentos existentes numa
dimenso de interesse (por exemplo, na dimenso sries poder atribuir a cada srie
uma cor diferente), pois isto facilitaria consideravelmente a anlise.
10) A ferramenta no disponibiliza, de forma complementar, recursos bsicos para
auxiliar a anlise estatstica. Por exemplo, deveria ser possvel selecionar dados na
representao e solicitar o clculo da mdia destes valores ou outros clculos
estatsticos bsicos. Ou poder selecionar parte dos dados de interesse na
representao e exportar estes dados para uma ferramenta de anlise estatstica.
176
11) Alm da realizao de clculos estatsticos bsicos a ferramenta, tambm, no
permite exibir ou no o resultado destes clculos sobre a representao visual
(como, por exemplo, mostrar a mdia dos valores de cada agrupamento ou
determinada dimenso).
12) A ferramenta no permite salvar certas visualizaes obtidas do conjunto de dados
mesmo para mostrar a outras pessoas certas descobertas. A falta deste recurso exigiu
considervel tempo do usurio, pois a cada novo encontro muito trabalho de
reconfigurao da tcnica precisou ser refeito para continuar a anlise do ponto
onde havia parado no encontro anterior. Em alguns casos a visualizao de certas
situaes foram perdidas, pois o usurio no conseguiu lembrar como conseguiu
visualizar certas descobertas (por exemplo, que dimenses moveu e para que locais,
que itens foram filtrados, que primitivas grficas foram utilizadas que foi possvel
revelar certas descobertas).
para que outras pessoas (colegas) pudessem examin-la e trocar informaes.
14) O usurio reclamou no ser possvel gerenciar revises. Pois, dificilmente, algum
analisa dados sozinho, toma decises sozinho. Precisa mostrar, trocar idias, discutir
com outras pessoas.
15) A ferramenta no possui recursos que permitam destacar itens e dimenses.
16) Na representao visual quando h alta sobreposio dos marcadores, no existe um
recurso que sinalize e informe ao usurio o nvel de sobreposio desses
marcadores.
17) Passando o mouse sobre um item no informado o valor do item referente a
dimenso mais prxima, somente de uma dimenso anteriormente selecionada, a
qual muitas vezes o usurio j esqueceu.
177
observador, pois a ferramenta de visualizao no permite a importao de
para incluir e excluir itens, alterar valores, renomear dimenses.
20) Quando um item selecionado (uma escola, por exemplo) a ferramenta exibe ao
lado da representao visual, numa tabela, todos os dados referentes aquele item.
Um item pode ser selecionado diretamente sobre a representao visual, como
tambm, atravs do recurso de filtragem. Contudo, a ao de selecionar um item
atravs da filtragem no atualiza a exibio dos dados do novo item, a exibio dos
dados do novo item selecionado no campo de filtragem s vai ser atualizada se
obrigatoriamente o usurio clicar no item correspondente sobre a representao
visual. Isto gera dois agravantes, dependendo do nmero de itens plotados nem
sempre o item est visvel e fcil de ser selecionada e muitas vezes o usurio
visualiza os dados da tabela sem perceber que no foram atualizadas, ao selecionar o
item somente atravs do campo de filtragem, e acaba analisando os dados errados
(no caso, de outra escola pensado ser da escola selecionada na filtragem)
21) Geralmente, ao passar de uma questo analtica para outra (mas em outros casos
tambm aconteceu) o usurio esqueceu n vezes que algumas dimenses estavam
filtradas, que seria necessrio antes de filtrar uma desfiltrar outra. A ferramenta
deveria indicar (destacar, por exemplo) ao usurio seu status, ou seja, quais
dimenses esto no momento filtradas, para que ele possa saber ou perceber porque
numa certa dimenso nem todos os itens de dados esto representados num
determinado momento. Pois, muitas vezes para uma nova questo a ser analisada o
usurio no percebeu sozinho que era necessrio desfiltrar certas dimenses,
chegando a concluses erradas sobre os dados e tendo que refazer a anlise aps ser
lembrado pelo observador que algumas dimenses de interesse estavam filtradas e
precisavam ser desfiltradas.
Estudo de Caso: Secretaria da Educao (Etapa II)

Questes analticas
registradas, durante a explorao dos conjuntos de dados analisados, esto:
1) Quais sries apresentam os maiores ndices de reprovao? As inicias de 1 a 4
sries ou as finais de 5 a 8 sries?
178
2) Qual a mdia de reprovao das sries inicias e finais, em cada ano?Este ndice foi
aumentando ou diminuindo?
3) Considerando-se que no ano de 2006 o ndice geral de reprovao foi 15%, este
ndice aumentou ou diminuiu com relao aos ltimos anos?
4) Em 2006, quantas escolas tem ndice de reprovao abaixo de 10% nas sries
iniciais?E quantas apresentam este ndice acima de 15%?
5) Em 2006, quantas escolas tem ndice de reprovao abaixo de 10% nas sries
finais?E quantas apresentam este ndice acima de 15%?
6) Listar (ranquear), em 2006, as escolas que apresentaram os ndices de reprovao
mais elevados, independente de sries. Considerando-se estas escolas, como tem se
comportado este ndice nos ltimos anos?
7) Que sries reprovaram mais em 2006? Confirma-se a hiptese de que: a 8 srie a
srie que apresenta o menor ndice de reprovao entre todas as sries?
8) Que ndices de reprovao a escola X apresentou em 2006? Confirma-se a hiptese
de que: as novas aes poltico-pedaggicas adotadas por esta escola tem
influenciado no desempenho dos alunos?
9) H alguma relao entre os ndices de reprovao e transferncia? As
transferncias influenciam nos ndices de reprovao?H uma tendncia?
10) H mais reprovao nas sries onde h mais transferncia? Ou, os ndices elevados
de transferncia esto relacionados s sries com ndices elevados de reprovao?
A transferncia conduz a reprovao ou a reprovao leva a transferncia?
11) Os ndices elevados de transferncia esto relacionados s escolas com maiores
ndices de reprovao?
12) Listar (ranquear) as escolas que apresentavam uma relao significativa entre os
ndices de transferncia e reprovao?
13) Analisar os ndices de reprovao e aprovao nas escolas, independente de sries,
nos anos de 2003 e 2004 (administrao anterior, quando houve mais incentivo a
projetos nas escolas). Qual a mdia, entre as escolas, desses ndices em cada ano
analisado?
14) Analisar os ndices de reprovao e aprovao nas escolas, independente de sries,
nos anos de 2005 e 2006 (atual administrao, quando houve reduo significativa
no incentivo a realizao de projetos nas escolas). Qual a mdia, entre as escolas,
desses ndices em cada ano analisado?
15) Como o incentivo aos projetos de fato diminuram significativamente em 2006,
houve uma diferena significativa nos ndices de aprovao e reprovao entre
2005 e 2006?
16) Em quantas escolas o ndice de reprovao aumentou de 2005 a 2006? Em quantas
escolas este ndice diminuiu?
17) Confirma-se a hiptese de que: a diminuio de incentivo a existncia de projetos
nas escolas afetariam o desempenho dos alunos, isto influenciaria nos ndices de
reprovao e aprovao?
179
18) Comparado aos demais anos j analisados como esto os ndices de aprovao em
2006? Que escolas esto conseguindo manter um aumento progressivo neste
ndice?
19) Comparado aos demais anos j analisados como esto os ndices de reprovao em
2006? Que escolas esto conseguindo manter uma diminuio progressiva neste
ndice?
20) Comparado aos demais anos j analisados como esto os ndices de transferncia
em 2006? Que escolas esto conseguindo manter uma diminuio progressiva neste
ndice?
21) Comparado aos demais anos j analisados como esto os ndices de evaso em
2006? Que escolas esto conseguindo manter uma diminuio progressiva neste
ndice?
1) Ao utilizar o recurso de exportar resultado de agrupamento (Export Clustering
Result) salvo trs arquivos correspondentes ao resultado do agrupamento de linhas
(formato.rcr), resultado do agrupamento de colunas (formato.ccr) e arquivo de dados
brutos (formato.dat). Posteriormente, o usurio pode importar estes arquivos para
anlise adicional (atravs do recurso Import Clustering Result). Porm, s possvel
importar o formato.dat os demais gera um erro e fecha a ferramenta.
2) Na barra de controle, a opo mostrar nome dos itens (show item names) nunca
funcionou mesmo aparecendo como habilitada (clicando no check box nada ocorria),
outras vezes sem motivo aparente aparecia como desabilitada.
3) A ferramenta no permitiu salvar certas situaes visualizadas do conjunto de dados
mesmo para mostrar a outras pessoas certas descobertas.
4) Na visualizao tabular o nmero de itens selecionado, na maioria das vezes ficou
totalmente desatualizado.
para incluir e excluir itens, alterar dados. Na visualizao tabular o usurio esperava
poder alterar o conjunto de dados, excluindo, incluindo itens ou modificando dados.
180
6) A seleo de itens na visualizao tabular pode ser feita utilizando a tecla SHIFT
mais clique do mouse para selecionar itens consecutivos, ou utilizando a tecla CTRL
mais clique do mouse para selecionar itens no consecutivos. O usurio reclamou
porque esta possibilidade no era vlida, tambm, para seleo de itens no mosaico
de cores e no dendrograma.
7) A ferramenta no possui recursos onde o usurio possa fazer anotaes de suas
descobertas, se possvel com vnculo com as informaes que foram analisadas e
8) Em histogram ordering tab, no painel de controle, as trs ltimas opes por
default vem selecionadas (show control plot, show histogram, show CDF curve).
Porm, seu efeito no aparece sobre o histograma at que sejam uma vez
deselecionadas e novamente selecionadas.
9) Nas tabelas constantes em Table view e histogram ordering tab, clicando-se uma vez
sobre o cabealho de cada coluna os dados so ordenados em ordem crescente ou
decrescente com base naquela coluna, mas isto o usurio precisa descobrir sozinho.
Pois, no cabealho das colunas no h nenhuma sinalizao da existncia deste
recurso. Como o usurio algumas vezes precisou utilizar este recurso, e no
encontrou, teve que solicitar ajuda do observador.
10) Em histogram ordering tab, o boto make Views permite passar ou no a
visualizao do histograma para a parte superior da tela, ampliando-o. Porm,
funciona somente uma vez, a 1a vez que utilizado, aps isto no funciona mais.
11) A ferramenta possui no menu editar o recurso de desfazer, porm este recurso nunca
apareceu habilitado. Faz muita falta na ferramenta os recursos de refazer e
principalmente desfazer aes.
aes possa ser refeita sem ter que recordar como foi feita.
181
13) Em histogram ordering tab, no score overview, nem sempre mover o mouse sobre
as linhas mostra os valores numricos, em alguns momentos este label aparece e em
outros no. Geralmente, param de funcionar, ou seja, os labels param de aparecer
quando uma seleo fixada, clicando-se duas vezes sobre uma dimenso no score
overview. Depois de algum tempo os rtulos voltam a aparecer, aps vrias
tentativas do usurio clicando em vrios pontos da tela. Resumindo, difcil que os
rtulos voltem a aparecer, mesmo sem ter uma seleo fixa, muitas vezes no
voltam a ser mostrados aps vrias tentativas de ordenar por outro critrio, clicar no
histograma, etc. O usurio decepciona-se, irrita-se porque no compreende seu
funcionamento, no est no controle da ferramenta.
para que outras pessoas (colegas) pudessem examin-la e trocar informaes.
15) O usurio novamente reclamou que, semelhante ao Microsoft Word, no possvel
gerenciar revises. Pois, dificilmente, algum analisa dados sozinho, toma decises
sozinho. Precisa mostrar, trocar idias e discutir com outras pessoas.
Estudo de Caso: Creati

Questes analticas
1) Qual o perfil dos alunos por: sexo, cor, estado civil, grau de instruo, aposentados
inativos, aposentados ativos, renda familiar e tempo de residncia no municpio? H
quantos alunos? Qual o nvel de renda? Qual o grau de instruo? Que oficinas
fazem?
2) Quem continua trabalhando, aps se aposentar, quem tem maior grau de
instruo?Ou quem tem uma renda mnima insuficiente?Que razes levam pessoas
na terceira idade continuar trabalhando?
3) Quais os valores mximo e mnimo de renda familiar?
4) Confirma-se a hiptese de que: h mais homens na oficina de danas de casal e
hidroginstica?
5) Que perfil possuem os alunos participantes das oficinas de atividade fsica:
alongamento, ginstica especial, dana de mulheres, dana de casal, ginstica
chinesa, hidroginstica, yoga, oficina do corpo, biodana? Qual o nmero total de
alunos? Qual a porcentagem de alunos do sexo masculino e feminino? Qual a
porcentagem de alunos por cor?Que grau de instruo predomina?Qual a
182
remunerao familiar mdia?Qual a remunerao mxima e mnima?Qual a

proporo de alunos aposentados inativos?
6) Que perfil possuem os alunos participantes das oficinas de atividade sociocognitiva: artes visuais, artesanato, arteterapia, coral, espanhol, ingls, informtica,
origami, seresta, literria? Qual o nmero total de alunos? Qual a porcentagem de
alunos do sexo masculino e feminino? Qual a porcentagem de alunos por cor?Que
grau de instruo predomina?Qual a remunerao familiar mdia?Qual a
remunerao mxima e mnima?Qual a proporo de alunos aposentados inativos?
7) Quais so as oficinas com maior e menor nmero de alunos? Em que oficinas
predominam mulheres? Em que oficinas h um percentual maior de homens?
8) Existe alguma relao entre grau de instruo e oficinas? Confirma-se a hiptese de
que: os alunos que participam das oficinas de atividade socio-cognitiva possuem
maiores graus de instruo e os alunos que participam das oficinas de atividade
possuem menores graus de instruo?
9) Os alunos que participam de uma oficina de dana participam das outras oficinas
relacionadas s demais modalidades de dana? So os mesmos alunos?
10) Quem faz a oficina de hidroginstica tambm faz a oficina de alongamento?
11) Quem faz a oficina de informtica tambm faz a oficina de ingls? Existe alguma
relao?
12) H outras relaes interessantes entre as oficinas?
13) Qual o perfil dos alunos com as seguintes patologias (ou antecedentes clnicos):
diabetes, hipertenso, parkinson, labirintite, insuficincia renal, osteoporose,
insuficincia respiratria, AVC, alzheimer, depresso, alergia e cardiopatia? Qual o
nmero total de alunos? Qual a porcentagem de alunos do sexo masculino e
feminino?Qual a porcentagem de alunos por cor?Que grau de instruo
predomina?Qual a remunerao familiar mdia?
14) Quantos alunos possuem diabetes e insuficincia renal? Existe uma relao entre
estas duas patologias?
15) Quantos alunos possuem hipertenso e cardiopatia?
16) A maioria dos alunos que possui depresso tambm apresenta outras patologias?
Algumas patologias levam a depresso?
17) H outras possveis relaes entre as patologias analisadas?
18) H relao entre sexo e algumas patologias?
19) H relao entre cor e algumas patologias?
20) H relao entre grau de instruo, remunerao familiar e algumas patologias?
21) Existe alguma relao entre as oficinas de atividade fsica e patologias?
22) Existe alguma relao entre as oficinas de atividade socio-cognitiva e patologias?
183
1) A ferramenta no indica ao usurio quais dimenses esto no momento filtradas, para
que ele possa perceber, lembrar que em certas dimenses nem todos os itens esto
representados num determinado momento. Pois, muitas vezes para uma nova
questo a ser analisada o usurio no percebeu sozinho que era necessrio desfiltrar
certas dimenses, antes de filtrar outras, chegando a concluses erradas sobre os
dados e tendo que refazer a anlise aps ser lembrado pelo observador que algumas
dimenses estavam filtradas e precisavam ser desfiltradas.
2) Na hora de filtrar uma dimenso, na primeira janela de dilogo que aparece, o boto
cancelar est do lado esquerdo da janela (e por default no o boto mais
importante, pois no est em foco), por este motivo este boto foi vrias vezes
selecionado por engano pelo usurio.
3) No foi possvel filtrar itens em intervalos no contnuos de valores. Este tipo de
filtragem foi extremamente necessrio em muitos casos e a falta deste recurso
dificulta bastante o processo de anlise, principalmente, quando agrupamentos
distantes ou valores de extremo precisavam ser comparados e analisados.
4) Principalmente em dados categricos na hora de ver um item em particular (por
exemplo, filtrar o nome de um aluno), o usurio comentou que o campo de filtragem
deveria aceitar digitar os primeiros caracteres do nome do aluno e no ter que rolar o
scrool daquele campo at encontrar este nome. Como o conjunto de dados possui
muitos itens, seria mais rpida e menos cansativa a tarefa de filtragem.
5) No painel de controle, na aba de filtros os campos correspondentes a cada dimenso
a ser filtrada no aparecem em ordem crescente, alfabtica, na verdade no h uma
ordem lgica. Como neste conjunto de dados h vrios atributos e com nomes
semelhantes (por exemplo, of 1, of 2, of 3, ..., of 19), no momento de analisar o
perfil de cada oficina ou comparar oficinas, o usurio muitas vezes se atrapalhou e
reclamou porque os campos de filtragem no apareciam seguindo um certa ordem
(alfabtica ou a ordem que estavam dispostos no conjunto de dados).
184
7) No possvel manipular as dimenses diretamente com o mouse sobre a
representao visual, para selecion-las, exclu-las e troc-las de lugar na
representao.
8) O usurio sentiu muita falta dos recursos de refazer e principalmente desfazer aes,
considerando a natureza exploratria do ambiente. Conforme comentou o usurio,
ganharia em praticidade e tempo.
9) No foi possvel, atravs da ferramenta, calcular mdias, somas, porcentagens e
propores de agrupamentos de item ou certas dimenses, o usurio precisou
recorrer a recursos externos como o uso de papel e caneta ou calculadora. Reclamou
n vezes que a ferramenta devia conter recursos bsicos para auxiliar a anlise
estatstica, possibilitando a realizao de clculos de partes selecionadas ou
apresentando informaes estatsticas sobre uma dimenso ou grupo de itens ou ao
menos possibilitando a integrao com ferramentas de anlise estatstica
10) O usurio teve muita dificuldade em selecionar linhas ou pontos de interesse na
visualizao, era difcil selecionar um item com o mouse e selecionar mais de um
item no era possvel.
11) A ferramenta no informa o nmero de itens sobrepostos, isto muitas vezes
inviabilizou a tarefa. Por exemplo, em Coordenadas Paralelas, o usurio tentou usar
o recurso excentric, mas por menor que deixasse o raio do quadrado ele ainda
pegava informaes de linhas pertencentes a outros grupos e que esto prximas. A
anlise de muitas questes foi uma tarefa rdua de ser concluda e por no saber o
nmero de sobreposies o usurio muitas vezes se perguntou: Ser que as
concluses vo estar certas?
12) No existe um recurso que possibilite passando o mouse sobre os itens em
determinadas dimenses seja informado o valor de cada item correspondente a
dimenso de interesse naquele momento. O recurso label by permite apenas
selecionar uma dimenso de cada vez, para que os valores correspondentes a ela
possam ser visualizados passando-se o mouse sobre os itens na representao,
independente das dimenses que o ponteiro do mouse esteja cruzando no momento.
185
13) A ferramenta no permite salvar uma situao visualizada do conjunto de dados para
posterior anlise, ou seja, continuar o trabalho do ponto onde foi interrompido.
14) A ferramenta no disponibiliza recursos onde o usurio possa fazer anotaes de
suas descobertas, com vnculo com as situaes visualizadas que foram analisadas e
que levaram a certas descoberta, concluses, tendncias, hipteses, etc. Pois, o
usurio reclamou que todas estas anotaes foram feitas por ele de maneira a parte,
em folhas de papel, sem nenhum vnculo com o que foi visualizado, o que
comprovaria ou justificaria o que ele com muito esforo muitas vezes precisou
descrever.
15) O usurio no pde alterar o conjunto de dados atravs da ferramenta de
visualizao, pois n vezes aps a visualizao estar carregada na tela foi necessrio
alterar o conjunto de dados para acrescentar itens, mudar dados nas dimenses e
renomear as dimenses (na tentativa de minimizar a sobreposio dos rtulos na
representao visual). Desta forma, o usurio precisou fechar a visualizao, acessar
outro aplicativo para alterar o conjunto de dados, depois gerar novamente a
visualizao, alm de ter que reconfigurar tudo de novo... filtrar dimenses, label
stats, excluir e mover dimenses, etc... relembrar de tudo que havia configurado para
chegar a situao anteriormente visualizada. O usurio reclamou muito no poder
atravs da visualizao alterar o conjunto de dados, pois justifica que: uma
ferramenta de visualizao serve para analisar um conjunto de dados e na vida real
um conjunto de dados algo dinmico que rotineiramente sofre alteraes.
16) Com relao ao problema anterior, o usurio reclamou que a ferramenta deveria ter
como gravar macros ou as ltimas aes realizadas e que precisam ser refeitas, para
que o usurio no perca tempo nem precise ficar recordando tudo que precisa
reconfigurar para chegar a situao anteriormente visualizada.
17) Ainda relacionado ao problema 15, o usurio relatou que deveria ter recursos que
permitissem configurar a fonte do rtulo das dimenses, como alterar o tamanho da
fonte ou mudar sua posio, para tentar visualiz-los melhor e evitar a sobreposio.
Pois, muitas vezes no conseguiu distinguir o nome de cada dimenso inviabilizando
a anlise de algumas questes.
18) Com relao ao problema 17, o usurio sugeriu que a ferramenta poderia atravs de
tooltips mostrar o nome completo das dimenses, principalmente, considerando que
quando muitas dimenses precisam ser analisadas o usurio obriga-se a abreviar o
nome de cada dimenso utilizando no mximo 2 caracteres para evitar a
186
sobreposio, e abreviando desta forma complicado, quando o conjunto de dados

possui muitas dimenses, relembrar o que cada uma significa.
19) O usurio expressou que gostaria que dimenses ou itens de interesse pudessem ser
destacados, pois facilitar o trabalho quando n dimenses ou itens precisam ser
analisadas (por exemplo, ao descobrir o perfil geral e particularidades de cada
oficina, os dimenses ou itens relevantes poderiam ficar destacados conforme
fossem analisados, isto evitaria que aps analisar todo o conjunto de dados o usurio
precisasse lembrar que dimenses e itens mostraram ser importantes ou no, para
emitir uma concluso geral com relao a esta anlise).
20) O usurio tambm gostaria e no pde inserir comentrios sobre pontos especficos
na representao, para que outras pessoas (colegas) pudessem examin-la e trocar
informaes.
21) O usurio comentou que, para trocar idias com outras pessoas, seria muito til se
pudesse gerenciar revises, o que no foi possvel atravs da ferramenta.
22) Quando um item selecionado (um aluno, por exemplo) a ferramenta exibe ao lado
da representao visual, numa tabela, todos os dados referentes aquele item. Um
item pode ser selecionado diretamente sobre a representao visual, como tambm,
atravs do recurso de filtragem. Porm, a seleo do item atravs da filtragem no
atualiza a exibio dos dados na tabela, esta exibio s vai ser atualizada se
obrigatoriamente o usurio clicar no item correspondente sobre a representao
visual, mas, dependendo do nmero de itens plotados nem sempre o item est
visvel e fcil de ser selecionado e muitas vezes o usurio visualiza os dados da
tabela sem perceber que no foram atualizadas e acaba analisando os dados errados
(no caso, de outro aluno pensado ser do aluno selecionado na filtragem)
23) Quando h sobreposio de itens o usurio precisa saber no apenas o nmero de
sobreposies, mas que itens esto sobrepostos. Por exemplo, ao comparar a oficina
de hidroginstica e antecedentes clnicos, quando o usurio tentou determinar o
nmero de alunos desta oficina que tiveram como antecedente clinico Alzheimer
verificou atravs do recurso display stats que eram 9 alunos. Como o nmero era
significativo, a professora desta oficina desejou saber quem eram estes alunos. Isto
gerou um problema de usabilidade que inviabilizou a tarefa, pois, como os 9 itens
estavam totalmente sobrepostos na representao visual o usurio s conseguiu
selecionar o primeiro e ver quem era este aluno e os demais foi impossvel precisar.
187
Estudo de Caso: Dati

Questes analticas
1)Qual a quantidade total de alunos? Qual o nmero de homens? Qual o nmero de
mulheres?
2)Qual o percentual de homens e mulheres?
3)Qual a mdia de idade dos alunos?
4)Qual o aluno mais velho? Qual o aluno mais novo? Pertencem para que grupos?
5)Qual o nmero de alunos entre 19 e 50 anos? Quem so estes alunos? Pertencem
para que grupos?
6)Considerando-se que pertencentes a esta faixa etria (entre 19 e 50 anos) no so
pessoas de terceira idade. Confirma-se a hiptese de que: estes alunos so
acompanhantes (cuidadores) ou possuem diagnstico clnico que justifique sua
permanncia no grupo?
7)H quantos alunos nas faixas entre: 50 e 60 anos, 60 e 70 anos, 70 e 80 anos, 80 e 90
anos? Em que faixa pertencente a terceira idade h mais alunos?
8)Existem quantos alunos com idade acima de 90 anos? Quem so eles? Fazem parte
de que grupo?
9)Quantos alunos ingressaram, em cada ano, de 1996 a 2007? Como se comportou este
nmero com o passar dos anos? Por que aumentou significativamente o nmero de
alunos nos anos de 2005 e 2006?
10)Quantos alunos no possuem ficha de sade?
11)Qual a proporo de alunos com as seguintes patologias: osteoporose, hipertenso,
cardiopatia, diabetes, depresso, AVC, lombargia, parkinson e reumatismo?
12)Quantos alunos possuem osteoporose e reumatismo? Existe uma relao entre estas
duas patologias?
13)Quantos alunos possuem hipertenso e cardiopatia?
14)H outras possveis relaes entre as patologias analisadas?
15)H relao entre sexo e algumas patologias?
16)Qual a prevalncia de pessoas do mesmo grupo nas oficinas? Ser que alguns
alunos trazem para as oficinas outros colegas do mesmo grupo?
17)Ser que os alunos dos grupos mais distantes do centro vm at a sede para fazer as
oficinas?
18)O transporte gratuito para pessoas com mais de 65 anos influencia na realizao
das oficinas? Confirma-se a hiptese de que: os alunos dos grupos mais distantes
188
do centro participam das oficinas porque possuem mais de 65 anos e se beneficiam

do transporte gratuito?
19)Que perfil possuem os alunos participantes das oficinas de: conto, banda, coral,
informtica, incontinncia urinaria, artesanato, dana gacha, dana de salo,
dana artstica e alongamento? Qual a faixa etria? Que sexo predomina? Quantos
alunos h de cada grupo?
20)Quais os grupos que mais participam das oficinas?
21)Os alunos que participam de uma oficina de dana participam das outras oficinas
relacionadas s demais modalidades de dana? So os mesmos alunos?
22)Quem faz as oficinas de dana tambm faz a oficina de alongamento?
23)Existe alguma relao interessante entre oficinas e patologias?
24)Os alunos que ingressaram entre 1996 e 1998, primeiras turmas do DATI, esto em
que grupos? Permanecem entre os oito primeiros grupos que foram criados?
25)Como est o ingresso dos alunos, em 2007? Em que grupos mais pessoas
ingressaram?
26)Que perfil possui cada grupo? Qual a mdia de idade? Qual a idade do aluno mais
velho e do mais novo? Qual a quantidade total de alunos? Qual o nmero de
homens e de mulheres? Qual o percentual de homens? Quantos alunos no possuem
ficha de sade?
27)Quais so os grupos com maior e menor nmero de alunos? Em que grupos
predominam mulheres? Em que grupos h um percentual maior de homens?
Ferramenta XmdvTool
1) Na tcnica Coordenadas Paralelas o rtulo das dimenses e os valores mximo e
mnino de cada dimenso ficaram atrs da representao visual e na tcnica Matriz
de Scatterplots os rtulos no apareceram nem na vertical nem na horizontal.
2) No menu View, as opes referente a fonte no tem efeito sobre os rtulos na
representao visual, alteram somente a fonte dos menus da ferramenta. O usurio
buscava diminuir a fonte do rtulo das dimenses para poder visualiz-los na
representao, pois as outras opes do mesmo menu, como o uso de cores, tem
efeito sobre a representao visual.
189
3) A falta dos recursos de refazer e desfazer aes dificultou muito o trabalho do

usurio, muito tempo foi perdido tentando desfazer e refazer certas situaes na
visualizao.
4) Nos menus, as opes no disponveis no aparecem com o status de indisponveis,
somente quando o usurio clicou vrias vezes nessas opes e nada aconteceu foi que
percebeu que deviam estar indisponveis.
5) Vrias vezes ao passar de um tipo de tcnica de visualizao para outra, deu erro de
execuo e surgiu uma mensagem pedindo para finalizar o programa.
6) A ferramenta no permite retirar (excluir) dimenses da representao visual (por
exemplo, no foi possvel deixar visvel na representao somente os itens
relacionados as oficinas de alongamento e danas, ou as patologias osteoporose e
reumatismo).
7) A ferramenta no permite filtrar itens (por exemplo, no foi possvel deixar visvel
na representao somente os itens relacionados aos alunos pertencentes ao sexo
masculino).
8) No foi possvel, atravs da ferramenta, calcular mdias, porcentagens, propores
dos valores de interesse, o usurio teve que recorrer a recursos externos como o uso
de papel e caneta ou calculadora.
9) A ferramenta no permite salvar uma situao visualizada do conjunto de dados, para
posterior anlise, continuar o trabalho do ponto onde parou.
10) A ferramenta, tambm, no permite salvar situaes visualizadas juntamente com a
anotao de suas concluses e descobertas, assim como, gerar relatrios contendo a
visualizao e todas estas informaes.
Aplicao de Hoffman
190

observador, pois a ferramenta de visualizao no permite a importao de diferentes
formatos de arquivos.
2) No uso de todas as tcnicas de visualizao, disponveis na ferramenta, houve uma
alta sobreposio de itens. Como a ferramenta no possua recursos de zoom,
distoro ou rotao, no informa que itens esto sobrepostos nem o nvel de
sobreposio dos marcadores, foi impossvel realizar a anlise atravs de algumas
tcnicas. E nas demais foi bastante complicado.
3) A ferramenta permite excluir e incluir dimenses, mas uma de cada vez, o usurio
no pde selecionar mais de uma e fazer a operao uma nica vez. Isto causou
perda de tempo ao usurio.
4) No h como manipular diretamente com o mouse a representao visual, nenhuma
interao foi possvel, nem interaes bsicas como selecionar itens e dimenses.
masculino).
6) Na tcnica Coordenadas Paralelas as barras de rolagem para aumentar e diminuir o
tamanho dos itens no funcionam, ou seja, este recurso no est disponvel para esta
tcnica mas para outras est. Quando o usurio troca a tcnica de visualizao a
ferramenta no mostra que opes esto ou no disponveis (no mostra como
desabilitado).
7) O usurio sentiu falta na ferramenta dos recursos de refazer e desfazer aes, pois
muito tempo foi perdido tentando desfazer e refazer certas situaes.
191

10)A ferramenta no permite salvar uma situao visualizada do conjunto de dados,
para posterior anlise, continuar o trabalho do ponto onde parou.
11) O usurio tambm reclamou no poder na prpria ferramenta registrar situaes
visualizadas, recarregar estas visualizaes obtidas do conjunto de dados, assim
como, gerar relatrios contendo essas visualizaes de interesse juntamente com as
informaes registradas.
Ferramenta Parvis
observador, pois a ferramenta de visualizao no permite a importao de
masculino).
3) O usurio sentiu falta na ferramenta dos recursos de refazer e desfazer aes, pois
muito tempo foi perdido tentando desfazer e refazer certas situaes.
5) A ferramenta no permite salvar uma situao visualizada do conjunto de dados, para
posterior anlise, continuar o trabalho do ponto onde parou.
6) O usurio tambm reclamou no poder na prpria ferramenta registrar situaes
visualizadas, recarregar estas visualizaes obtidas do conjunto de dados, assim
192
como, gerar relatrios contendo essas visualizaes de interesse juntamente com as

informaes registradas.
7) Em conjunto de dados com mais de 8 dimenses o rtulo das dimenses aparecem
sobrepostos, dificultando muito a anlise (como tambm, o rtulo dos valores
mximo e mnimo). O usurio comentou que deveriam ser pensadas solues para
isto, por exemplo, ter recursos que possibilitem: diminuir o tamanho da fonte dos
rtulos, alterar a posio dos rtulos (exibir na vertical) ou mostrar atravs de
tooltips o nome completo das dimenses.
9) O usurio tentou no menu arquivo utilizar a opo exportar brush, para salvar uma
situao visualizada do conjunto de dados. Porm, nada aconteceu, a ferramenta no
salvou a situao visualizada para posteriormente ser utilizada. Clicando-se no menu
arquivo opo exportar brush, a ferramenta solicita que o usurio salve a situao
visualizada no formato CHF, aps fornecer um nome para o arquivo e clicar no
boto salvar, nada acontece, ou seja, no ocorre um erro mas nenhum arquivo no
formato especificado aparece salvo na lista de arquivos.
10) Na barra de ferramentas, o rtulo explicativo do boto brush o mesmo que o boto
translate.
11) O usurio comentou que facilitaria a anlise se pudesse atribuir cores diferentes aos
agrupamentos existentes numa dimenso de interesse (por exemplo, na dimenso
grupos).
12) Na representao visual onde ocorre uma alta sobreposio dos marcadores, a
ferramenta no informar o nvel de sobreposio desses marcadores e que itens
esto sobrepostos, no possui tambm recursos de zoom, distoro ou rotao, que
possibilitassem e facilitassem a anlise
13) Como o conjunto de dados possua um nmero excessivo de dimenses a
proximidade dos eixos comprometeu a visualizao e anlise entre os atributos. A
ferramenta no possibilita: distorcer o espao entre as dimenses, congelar certos
193
eixos de interesse e movimentar outros (para esquerda ou direita) ocultando ou

descortinando, temporariamente, algumas dimenses.
14) Quando o usurio inseriu valores no campo brush fuzziness, mas nada aconteceu.
15)No menu editar, preferncias, a alterao de cor dos itens (records) somente tem
efeito aps utilizar o comando reset all (o usurio custou descobrir est
particularidade). Ao contrrio da mudana de cor das demais propriedades
(background, brush, axes), cujo efeito instantneo.
16) No menu help, nenhuma opo funciona embora apaream como habilitadas.
194
APNDICE C QUESTIONRIO PARA AVALIAO DE

PERFIL DO USURIO UTILIZADO NOS ENSAIOS DE
INTERAO
Dados de Identificao:
Nome:______________________________________________________________
Idade:__________________________________________
e-mail:__________________________________________
rea de atuao/atividade atual:__________________________________________
Formao no nvel de Graduao:_________________________________________
Formao no nvel de Ps-Graduao:_____________________________________
Questes:
1. Qual seu nvel de conhecimento sobre tcnicas de visualizao de informaes, em
especial multidimensionais?
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
2. Qual sua experincia no uso de tcnicas de visualizao de informaes, em especial
multidimensionais?
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
3. Que tcnicas j utilizou:
Coordenadas Paralelas
Survey Plots
Matriz de Scatterplots
Tcnicas iconogrficas (Faces de Chernoff ou Glifos)
Radviz
Segmentos de Crculo
Tcnicas orientadas a pixel
Outras
4. H quanto tempo as utilizou (ou utiliza)?

______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
195
APNDICE D LISTA DE QUESTES/TAREFAS

UTILIZADA NOS ENSAIOS DE INTERAO
Tcnicas avaliadas: Coordenadas Paralelas e Radviz

Conjunto de dados: domnio Carros
Identificao do usurio:__________________________________ Data: ______
Tarefas:
Coordenadas Paralelas:
Anos:__________________________
Radviz:
Anos:__________________________
Questo 2: Analise os dados e descreva as principais caractersticas dos carros

americanos.
Caractersticas carros americanos:
______________________________________________________________________
Radviz:
Caractersticas carros americanos:
______________________________________________________________________
Questo 3: Os carros japoneses com 4 cilindros geralmente so mais pesados do que
os americanos com 6 cilindros?
Radviz:
Resposta:__________________________ Resposta:__________________________
Questo 4: Que tendncia os carros europeus apresentaram com o passar dos anos em
relao s suas caractersticas?
Resposta:
______________________________________________________________________
Radviz:
Resposta:
______________________________________________________________________
196
APNDICE E FORMULRIO DO AVALIADOR

UTILIZADO NOS ENSAIOS DE INTERAO
Tcnica avaliada: Coordenadas Paralelas

Identificao do observador:__________________________________ Data: ________
Identificao do usurio:_____________________________________
Tarefas:
Cenrio Estimado
Cenrio Real
Tempo

Identificar (agrupamentos de carros
japoneses na dimenso anos)
agrupamento)
Questo 2: Analise os dados e descreva as principais caractersticas dos carros americanos.
Cenrio Estimado
Identificar (caractersticas carros
americanos)
Localizar (dados referentes aos
carros americanos)
Identificar (distribuio desses
dados)
Cenrio Real
Tempo
197
Comparar (dados)
Obs.: repetir a seqncia de subtarefas para as demais dimenses a serem analisadas
Questo 3: Os carros japoneses com 4 cilindros geralmente so mais pesados do que os

americanos com 6 cilindros?
Cenrio Estimado
Cenrio Real
Tempo
Inferir (tendncia com relao a

tipo de carro, peso e n de
cilindros)
Localizar (carros japoneses com 4
cilindros)
Localizar (carros americanos com 6
cilindros)
Identificar (a media de peso dos
carros japoneses com 4 cilindros)
carros americanos com 6 cilindros)
Identificar (correlao entre peso e
n de cilindros)
Questo 4: Que tendncia os carros europeus apresentaram com o passar dos anos em relao
s suas caractersticas?
Cenrio Estimado
Cenrio Real
Tempo
Inferir
(tendncia
de
caractersticas dos carros europeus
com o passar dos anos)
Localizar (dados
carros europeus)
referentes
aos
Identificar (distribuio desses dados

com relao aos anos)
Obs.: repetir a seqncia de subtarefas, a partir da subtarefa Visualizar (dimenso MPG), para as
dimenses peso, potncia, n de cilindros e acelerao
198
Tcnica avaliada: Radviz

Identificao do observador:__________________________________ Data: ________
Identificao do usurio:_____________________________________
Tarefas:
Cenrio Estimado
Cenrio Real
Tempo

Identificar (agrupamentos de carros
japoneses na dimenso anos)
agrupamento)
Questo 2: Analise os dados e descreva as principais caractersticas dos carros americanos.
Cenrio Estimado
Cenrio Real
Tempo
Identificar (caractersticas carros

americanos)
Localizar (dados referentes aos
carros americanos)
Identificar (distribuio desses
dados)
Comparar (dados)
Obs.: repetir a seqncia de subtarefas para as demais dimenses a serem analisadas
Questo 3: Os carros japoneses com 4 cilindros geralmente so mais pesados do que os

americanos com 6 cilindros?
Cenrio Estimado
Inferir (tendncia com relao a
tipo de carro, peso e n de
cilindros)
Cenrio Real
Tempo
199

Localizar (carros japoneses com 4
cilindros)
Localizar (carros americanos com 6
cilindros)
carros japoneses com 4 cilindros)
carros americanos com 6 cilindros)
Identificar (correlao entre peso e
n de cilindros)
Questo 4: Que tendncia os carros europeus apresentaram com o passar dos anos em relao
s suas caractersticas?
Cenrio Estimado
Cenrio Real
Tempo
Inferir
(tendncia
de
caractersticas dos carros europeus
com o passar dos anos)
Localizar (dados
carros europeus)
referentes
aos
Identificar (distribuio desses dados

com relao aos anos)
Obs.: repetir a seqncia de subtarefas, a partir da subtarefa Visualizar (dimenso MPG), para as
dimenses peso, potncia, n de cilindros e acelerao
200
APNDICE F DESCRIO DO CONJUNTO DE DADOS

UTILIZADO PARA AVALIAO DA ABORDAGEM
O principal objetivo do usurio real envolvido no estudo de caso longitudinal era

descobrir qual o perfil dos alunos pertencentes ao CREATI e que variveis estavam
direta ou indiretamente relacionadas a participao ou no dos alunos em cada oficina.
O conjunto de dados contm informaes cadastrais dos 860 alunos do CREATI
(Centro Regional de Estudos e Atividades para Terceira Idade) referentes a dados
socioeconmicos, a ocorrncia de 12 antecedentes clnicos e a participao em 19
oficinas. O conjunto de dados possui 860 itens e 40 dimenses (atributos). Segue a
descrio de cada atributo, com possveis valores e significado.
Atributos
Nome: nome de cada aluno
Cor: possui 4 valores possveis
1 cor branca
2 cor parda
3 cor negra
4 cor amarela
Sexo: possui 2 valores possveis
1 masculino
2 feminino
Estciv: estado civil possui 7 valores possveis
1 solteiro
2 casado
3 vivo
4 separado judicialmente
5 divorciado
6 amasiado
7 separado
Instrucao: instruo possui 10 valores possveis
1- analfabeto
2 primrio incompleto
3 1 a 4 srie
4 5 a 8 srie
5 ginsio incompleto
6 2 grau
201
7 2 grau incompleto
8 3 grau
9 3 grau incompleto
10 EJA
Aposentadoria: possui 2 valores possveis
1 sim
2 no
Ocupacao: ocupao possui 4 valores possveis
0 do lar
1 estudante
2 outros
3 diarista
Rendfa: renda familiar possui valores que variam de 0 a 15.000 reais
Residencia: tempo de residncia no municpio possui 5 valores possveis
1 at 1 ano
2 de 1 a 3 anos
3 de 3 a 7 anos
4 mais de 7 anos
5 no reside
of 1: oficina de alongamento possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 2: oficina de artes visuais possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 3: oficina de artesanato possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 4: oficina de arteterapia possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 5: oficina de biodana possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 6: oficina de coral possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 7: oficina de dana de casais possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
202
of 8: oficina de dana para mulheres possui 2 valores possveis

0 no faz a oficina
1 faz a oficina
of 9: oficina de espanhol possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 10: oficina de ginstica especial possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 11: oficina de ginstica chinesa possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 12: oficina de hidroginstica possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 13: oficina de informtica possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 14: oficina de ingls possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 15: oficina de origami possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 16: oficina de seresta possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 17: oficina de yoga possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 18: oficina do corpo possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
of 19: oficina literria possui 2 valores possveis
0 no faz a oficina
1 faz a oficina
203
Atcli 1: antecedente clnico diabetes possui 2 valores possveis

0 no teve este antecedente clnico
1 teve este antecedente clnico
Atcli 2: antecedente clnico hipertenso arterial severa possui 2 valores possveis
Atcli 3: antecedente clnico parkinson possui 2 valores possveis
Atcli 4: antecedente clnico labirintite possui 2 valores possveis
Atcli 5: antecedente clnico insuficincia renal possui 2 valores possveis
Atcli 6: antecedente clnico osteoporose possui 2 valores possveis
Atcli 7: antecedente clnico insuficincia respiratria possui 2 valores possveis
Atcli 8: antecedente clnico AVC possui 2 valores possveis
Atcli 9: antecedente clnico alzheimer possui 2 valores possveis
Atcli 10: antecedente clnico depresso possui 2 valores possveis
Atcli 11: antecedente clnico alergias possui 2 valores possveis
Atcli 12: antecedente clnico problemas cardacos possui 2 valores possveis
204
APNDICE G CRITRIOS ERGONMICOS E ESCALA

DE SEVERIDADES
Critrio Ergonmico
Motivao
1. Incitao (presteza)
Fornece sugestes ao usurio, de tal forma que algumas

aes ou tarefas tornem-se mais conhecidas e fceis de
usar. Permite que o usurio conhea as alternativas
quando diversas aes so permitidas pela interface.
2. Agrupamento / distino por
Diz respeito ao uso da posio relativa dos itens para
localizao
indicar se eles pertencem ou no a uma determinada
classe.
3. Agrupamento / distino por formato A indicao da pertinncia a classes realizada atravs
de cor, formato, textura.
4. Feedback imediato (resposta
imediata)
5. Legibilidade
6. Conciso
7. Aes mnimas
8. Densidade informacional
9. Aes explcitas do usurio
10. Controle do usurio
Est relacionado s respostas do sistema frente s aes

executadas pelos usurios, ou seja, realimentao
imediata de uma nova situao. Em todas as situaes, o
sistema deve fornecer uma resposta, rpida e apropriada
para a situao solicitada.
Refere-se s caractersticas lxicas que as informaes
apresentam sobre a tela de forma a facilitar a
compreenso destas informaes. Deve-se levar em
considerao, ainda, o brilho, contraste, cor, tamanho de
fonte, espaamento, etc.
Est relacionada com as entradas e sadas de
informaes, ou seja, a interface deve permitir pequenas
entradas de informaes ou eliminar a entrada de
informaes redundantes.
Est relacionada quantidade de aes mnimas
necessrias para realizar uma tarefa ou atingir um
objetivo. Quanto mais aes forem feitas para atingir um
fim, existir maior probabilidade de ocorrerem erros por
parte do usurio.
Est diretamente ligada ao desempenho do usurio
quando este executa uma determinada tarefa ou procura
atingir um determinado objetivo. Por exemplo, se a
densidade de informao for demasiadamente alta ou
baixa demais, isto pode acarretar um mau desempenho
do usurio em resolver uma determinada situao.
Referem-se s relaes entre o processamento
computacional e as aes do usurio. As aes devem
ser explcitas, ou seja, o sistema deve processar somente
aquelas aes requisitadas pelo usurio e somente
quando for requisitado para isto.
Refere-se ao fato que os usurios sempre devem ter o
205
11. Flexibilidade
12. Considerao da experincia do

usurio
13. Proteo contra erros
14. Qualidade das mensagens de erro
15. Correo dos erros

16. Homogeneidade / Coerncia
(consistncia)
17. Significado dos cdigos e

denominaes
18. Compatibilidade
controle da interface, ou seja, interromper aes, cancelar

operaes, suspender ou continuar tarefas. Para toda
ao do usurio devem ser fornecidas opes
apropriadas.
Reflete o nmero de possveis formas de atingir um
objetivo, ou seja, a interface deve-se adaptar s
necessidades do usurio. A interface deve colocar meios
disposio do usurio que lhe permitam personaliz-la,
levando em conta as exigncias de cada tarefa, suas
estratgias ou seus hbitos de trabalho.
A interface deve levar em considerao o nvel de
experincia de cada usurio.
A interface deve detectar e prevenir erros de entrada de
informaes, comandos ou aes de conseqncias
desastrosas e/ou no recuperveis executadas pelos
usurios.
A qualidade das mensagens de erro deve ser um objetivo
a ser atingido no desenvolvimento de qualquer interface
com o usurio, ou seja, o contedo e formato das
mensagens de erros so muito importantes.
A interface deve permitir que o usurio corrija os seus
erros.
Refere-se homogeneidade de aspectos da interface
(cdigos, denominaes, formatos, procedimentos e
operaes) em contextos semelhantes, diferenciando-se
quando em outros contextos.
Est diretamente ligado adequao entre o objeto ou a
informao apresentada ou solicitada e sua referncia.
Cdigos e denominaes significativos possuem uma forte
relao semntica com sua referncia. Os termos com
pouca expresso para o usurio podem acarretar
problemas de conduo, podendo lev-lo a selecionar
uma opo errada.
Refere-se relao entre as caractersticas dos usurios
(tais como memria, percepo, hbitos, competncias,
idade, expectativas) e suas tarefas com a organizao das
entradas, sadas e dilogos em uma dada aplicao. Diz
respeito ainda, ao grau de semelhana entre diferentes
ambientes e aplicaes.
Escala de severidades atribudas aos problemas de usabilidade detectados atravs

de avaliao heurstica, adaptada de Nielsen (1994).
SEVERIDADE
SIGNIFICADO
1
2
Problema que no exerce influncia ou prejudica a execuo de uma tarefa

Problema que exerce pouqussima influncia, mas no impede ou prejudica o
usurio na execuo de uma tarefa.
3
4
Problema que afeta levemente a execuo de uma tarefa

Problema que atrapalha e dificulta sensivelmente o usurio na execuo de
uma tarefa
Problema que severamente prejudica ou impede a execuo de uma tarefa
206
APNDICE H FORMULRIOS DE AVALIAO

HEURSTICA (FASE 1)
Avaliador 1
Identificao
a) Objeto da avaliao: Ferramenta de visualizao ScatterPlots com dados do Creati
(dados_creati_avaliacaoheuristica.cvs ) _____
b) Avaliador: MSP______
c) Data: 27/12/2007 das 8:00 s 10:00, num total de 2h de familiarizao e avaliao
d) Avaliao realizada em Notebook Sony Vaio VGN-B100B, com 512 MB de RAM,
e sistema operacional Microsoft Windows XP 5.1, na residncia do avaliador
(ambiente fsico de avaliao sem caractersticas particulares de conforto de posto
de trabalho, posio e luminosidade).
Sumrio de problemas de usabilidade
#
Descrio do problema
Identificao das cores dificultada

pela cor de fundo (que no pode
ser modificado)
Impossibilidade de aumentar
(zoom) grficos individuais
funo fish eyes NO fcil de
conhecer e/ou deveria ser
acessvel de formas alternativas
Demora da reconfigurao visual
(refresh) ao ajustar
(aumentar/diminuir) tamanho da
janela de visualizao das matrizes
e usurio fica sem informao do
que est ocorrendo
Demora da reconfigurao visual
(refresh) ao alterar sliders dos
filtros, ou de caractersticas visuais
(cores em Visual) e exibir novos
valores e posies dos sliders e
usurio fica sem informao do que
est ocorrendo
Exibio simultnea de todos os
elementos da matriz (com pequena
variao usando scroll bars
horizontais e verticais)
Falta exibio explcita dos
Critrio de
usabilidade (Scapin
& Bastien)
5 legibilidade
11 - flexibilidade
Severidade
Freqncia
sempre
5 legibilidade
1 Incitao
11- flexibilidade
sempre
4 feedback
imediato
sempre
4 feedback
imediato
Sempre Filters and

Visual
8 densidade
informacional
Sempre
4 feedback
sempre
207
10
11
12
13
parmetros setados no painel de

controle em uma regio separada
sem ter que selecionar as tabs
para descobrir
Ao ajustar tamanho das janelas de
visualizao, labels dos botes
Hide Selected and Show All
ficam parcial ou totalmente
escondidos
Ao ajustar tamanho das janelas de
visualizao, valores dos atributos
ficam parcial ou totalmente
escondidos SEM scroll horizontal
Labels na opo excentric labels
so difceis de identificar e ler
Na entrada dos intervalos de filtros
(...), os valores mnimos e mximos
do intervalo NO so exibidos e
no se pode l-los devido a
posio da dialog box
Quando valores errados de
intervalos so fornecidos (devido a
erro 10, ver acima) a msg de erro
NO explica qual a origem do erro
nem como corrigi-lo, apenas
sugere try again
Impossibilidade de fechar as
janelas (atributo, controle) e de
redimensionar (horizontalmente)
estas janelas, comuns em
aplicaes com densidade
informacional
Help on-line no disponvel e
dificuldade de encontrar funes
devido a nomenclatura (jargo) da
tcnica sem dicas da Eliane e/ou
acesso ao arquivo de descrio da
ferramenta NO possvel usar
adequadamente
imediato;
1 Incitao
5 - Legibilidade
8 Densidade
Informacional
Sempre Tab filters
5 - Legibilidade
8 Densidade
Informacional
Sempre Tab filters
5 - Legibilidade
8 Densidade
Informacional
1- Incitao
(conduo)
13 - Proteo contra
erros
Sempre Excentric
Sempre Filters
14- Qualidade das

mensagens de erro;
15 - Correo dos
erros
Sempre filters
11- flexibilidade
12 considerao
da experincia do
usurio
sempre
12 considerao
da experincia do
usurio
17. Significado dos
cdigos e
denominaes
sempre
Avaliador 2
Identificao
a) Objeto da avaliao: Parallel Coordinates... com dados Creati
(dados_creati_avaliacaoheuristica.cvs ) ________________________
b) Avaliador: CM_____
c) Data: 16/01/2008 das 14:00 s 16:00, num total de 2h de familiarizao e avaliao
d) Avaliao realizada em Notebook Sony Vaio VGN-B100B, com 512 MB de RAM, e
sistema operacional Microsoft Windows XP 5.1, na residncia do avaliador
(ambiente fsico de avaliao sem caractersticas particulares de conforto de posto de
trabalho, posio e luminosidade).
208

Problema apresentado
1
2
4
5
10
11
12
O software no apresenta sua

funcionalidade e instrues de uso
As operaes realizadas no tm
efeito imediato; no h feedback do
que est acontecendo
A quantidade de informaes
simultneas apresentadas dificulta a
interpretao, se no for filtrado os
dados
Legibilidade dos textos, nmeros e
grficos
No considera a experincia do
usurio, facilitando os mais
experientes com shortcuts nem
orientando os inexperientes
As mensagens de erro s so
apresentadas para digitao de
intervalos. No explicam qual o erro
(faixa de valores)
No modo fisheye h cdigos cuja
finalidade no explicada. A
seleo de outros cdigo no
mostra claramente a diferena
No h como personalizar o
software: letras no mudam de
tamanho, janelas no so
customizveis
Compatibilidade: o software foi
instalado em 4 maquinas e no
funcionou
A ferramenta de adicionar/excluir
campos est mal posicionada, e
exige rolagem da tela. No h
instrues de como marcar mais de
um item ao mesmo tempo
Ao selecionar trocar de cor no h
clareza do que est trocando de cor
e no fcil de visualizar o que
ocorreu
A viso fisheye com qualquer lente
no apresenta visualizao til pois
os dados continuam confusos nas
linhas
Critrio de
usabilidade (Scapin
& Bastien)
1-Incitao
Severidade
Freqncia
Sempre
4-Feedback
Sempre
8-densidade
informacional
Sempre
5-legibilidade
Sempre
12-Experincia
usurio
Sempre
14-qualidade das
mensagens de erro
Sempre
17-significado de
cdigos
Sempre
11-flexibilidade
Sempre
18-compatibilidade
Sempre
7-aes mnimas
sempre
4-Feedback
Sempre
16- homogeneidade
sempre
209
APNDICE I FORMULRIOS DE AVALIAO

HEURSTICA (FASE 2)
Avaliador 1
Identificao
a) Objeto da avaliao: _Tcnica de visualizao Coordenadas Paralelas com dados Creati
(dados_creati_avaliacaoheuristica.cvs )_________
b) Avaliador: MSP______
c) Data: 04/01/2008 das 8:30 as 11:00, num total de 2:30h de familiarizao e avaliao
d) Avaliao realizada em Notebook Sony Vaio VGN-B100B, com 512 MB de RAM, e sistema
operacional Microsoft Windows XP 5.1, na residncia do avaliador (ambiente fsico de
avaliao sem caractersticas particulares de conforto de posto de trabalho, posio e
luminosidade).

#
Descrio do problema
Impossibilidade de ler a maioria dos

labels (eixos verticais), permanece
mesmo redimensionando a janela
de exibio para ter tamanho
mximo, quando todos labels esto
exibidos (situao default)
Dificuldade de manipular
diretamente a representao visual
Dificuldade de encontrar os botes

Up,down, remove and Add para
filtrar atributos visiveis na Attribute
manipulation, Aba Visual, devem ser
posicionados NO ALTO para serem
visveis mesmo se lista de atributos
grande (situao default)
Impossibilidade de desfazer
operaes (em particular seleo de
atributos)
Ausncia de recursos de anotacoes
5
6
7
Ausncia de opo de montagem de

relatrios
No permite acoplar comentrios
representao visual
Critrio de
usabilidade
(Heursticas Eliane)
22 Um rtulo
identificando ...;
32 ...recursos que
permitam configurar o
rtulo das
dimenses...
4 a interao do
usurio com a
representao ...
5 A ferramenta
deve disponibilizar
recursos que ...;
31 ...destacar
dimenses
representadas num
determinado
momento...
9 uma ferramenta
de visualizao, por
ser um ambiente ...
10 ...anotacoes de
suas descobertas ...
11 - ...ser capazes de
gerar relatrios...
12 - ...inserir
comentrios sobre
pontos especficos...
Severidade
Freqncia
sempre
Sempre
Aba visual
sempre
sempre
sempre
sempre
210
Dificuldade de visualizao de
nmero excessivo de dimenses
(situao default)
Impossibilidade de alterar cor do

fundo da representao visual
Dificuldade de manipular ordem de
exibio (ordem dos eixos verticais)
de atributos
Impossibilidade de exportar e
importar dados em diferentes
formatos
10
11
12
Impossibilidade de alterar conjunto

de dados
13
Falta de help sobre uso da

ferramenta e sobre anlise dos
dados
Dificuldade para focar em uma rea
da representao visual
14
15
Ausncia de recursos para gerenciar

revises
16
Dificuldade de retornar a uma

situao (visual ou de configurao)
anterior
17
Lentido demasiada na reexibio

visual a partir de alteraes de
atributos SEM feedback sinalizando
o que est ocorrendo
18
Dificuldade de encontrar MODOS de

invocar aes
19
Dificuldade de identificar dimenses

e/ou alterar sua ordem (ver
problema 3)
20
Falta de flexibilidade na invocao

de aes h somente uma nica
forma de acion-las e nem sempre o
18 - ...a proximidade
dos eixos
compromete a
visualizao
19 - ...alterar cor do
fundo...
20 - ...recurso para
orden-la
automaticamente...
25 - ...permitir a
exportao e
importao de
dados...
26 - ...atravs da
ferramenta alterar o
conjunto de dados,
incluir/excluir itens,
renomear dimenses,
etc...
27 - ...deve fornecer
ajuda ...
sempre
sempre
sempre
sempre
sempre
sempre
28 - ..disponibilizar
recursos que
possibilitem aumentar
ou diminuir o
tamanho de uma rea
de interesse
33 - ...conter recursos
que permitam
gerenciar revises
7 - ...salvar e
recarregar
situaes...
8 - ...manter histrico
de aes...;
9 - ...recursos de
refazer/desfazer
aes
34 - ...informao
imediatamente
atualizada...;
35 - ...efeito
imediatamente visvel
sobre representao
visual
37 - ...acesso s
opes mais
importantes deve ser
facilitado...
27 - ... deve fornecer
ajuda
38 - ...apresentar
listagem das
dimenses seguindo
alguma ordem...
4 - ...poder realizar as
mesmas aes de
diferentes maneiras
sempre
sempre
sempre
sempre
sempre
sempre
sempre
211
21
posicionamento e a forma de
invocao so bvios
Dificuldade de selecionar dimenses
e itens (valores) , principalmente
direto na representao visual
22
Dificuldade de lidar com excesso de

informao e/ou sobreposio de
informaes
23
Ao entrar valores dos intervalos de

filtros (...), no h informao dos
valores mnimos e mximos do
intervalo, com a dificuldade adicional
de no se poder l-los devido a
posio da dialog box
...
3- ...selecionar tanto
dimenses quanto
itens;
18 - ...possibilidade
de remover algumas
dimenses na
representao
16 - ....informar o
nvel de sobreposio
e que itens esto
sobrepostos...
15 - ...permitir a
filtragem de intervalos
contnuos;
27 - ...deve fornecer
ajuda
sempre
sempre
Avaliador 2
Identificao
a) Objeto da avaliao: estendidas... com dados Creati (dados_creati_avaliacaoheuristica.cvs )
b) Avaliador: CM______
c) Data:16/01/2008 das 16:00 as 17:00, num total de 1h de familiarizao e avaliao
d) Avaliao realizada em Notebook Sony Vaio VGN-B100B, com 512 MB de RAM, e sistema
operacional Microsoft Windows XP 5.1, na residncia do avaliador (ambiente fsico de
avaliao sem caractersticas particulares de conforto de posto de trabalho, posio e
luminosidade).

Heursticas estendidas que foram
transgredidas
1
2
3
4
5
6
7
8
9
10
11
12
Interao do usurio (representao

visual)
Dispor de ferramentas
No h registro de operaes (undo)
No h como fazer registro de
descobertas
Filtragem complexa, preciso
conhecer as faixas de valores
Uso de zoom no tem bom visual e
compreenso
Faltam opes de escolha na
representao visual
Falta rtulos
Falta feedback sobre o que vai ser
alterado quando se muda opes de
cores e similares
Falta de help
Tela grfica esttica, no permite
zoom de parte do grfico,
desprezando os demais dados
Falta possibilidade de exibir valores
Critrio de
usabilidade
(Heursticas Eliane)
4
Severidade
Freqncia
Sempre
6
7e8e9
10 e 12
3
3
1
Sempre
Sempre
Sempre
14 e 15
Sempre
17 e 18
Sempre
20
Sempre
22
23 e24
1
3
Sempre
sempre
27
28 e 29
3
4
Sempre
Sempre
30
sempre
212
13
14
15
16
17
18
associados aos pontos

Nos grficos no h meno de que
os dados esto filtrados
No possvel mudar o tamanho do
fonte ou dos grficos
No h mecanismos de reviso
O feedback demorado e as vezes
nada acontece
Botes mal posicionados
H opes que no produzem
resultados
31
sempre
32
sempre
33
34 e 35
2
5
sempre
sempre
37
39
3
3
sempre
sempre
213
APNDICE J FORMULRIOS DE ENSAIOS DE

INTERAO (FASE 1)
Usurio 1
Identificao
a) Objeto da avaliao: Ferramenta de visualizao (Infovis Toolkit)
b) Usurio: experimental 1______
c) Data: 05/12/07______
#
1
2
3
5
6
7
10
11
Descrio do problema
Botes up/add/remove e down deveriam estar localizados
mais para cima, na aba visual
Boto up deveria ser chamado right e boto down deveria
ser chamado left
Na representao visual, no incio quando todas as
dimenses esto visveis, a ferramenta no fornece um
ordenamento automtico das dimenses
Na hora de mover uma dimenso para a direita ou para
esquerda mais de uma posio, a cada clique no boto up
ou down perde-se a seleo da dimenso sendo movida,
isto causa confuso ao usurio que precisa novamente a
dimenso, para continuar trocando-a de lugar
Seria importante que para tarefas repetitivas existisse um
histrico de aes.
No h como criar macros.
Quando muitas dimenses so exibidas na tela, os rtulos
indicando o nome das dimenses ficam sobrepostos ou
no aparecem, isto dificulta muito a realizao do trabalho.
Deveria ser possvel o usurio ordenar as dimenses por
ordem crescente ou decrescente, o usurio reclamou
vrias vezes que a desordem na apresentao das
dimenses atrapalha muito.
Ao tentar responder uma nova questo analtica, o usurio
esqueceu que algumas dimenses estavam filtradas e
precisavam ser desfiltradas. Deveria ter um indicador que
lembrasse o usurio quais variveis esto filtradas no
momento.
Nos filtros, o boto cancelar est (por default) do lado mais
a esquerda na janela de dilogo. O usurio clicou vrias
vezes no boto cancelar por engano, pois queria clicar no
boto OK.
Deveria existir como no Word um boto de desfazer e
refazer aes.
Severidade
3
Freqncia
sempre
poucas
vezes
poucas
vezes
sempre
vrias vezes
5
4
vrias vezes
sempre
vrias vezes
sempre
vrias vezes
vrias vezes
214
12
13
A ferramenta deveria indicar onde h sobreposio de

marcadores e qual o nvel de sobreposio (quantos esto
sobrepostos).
Em Coordenadas Paralelas, se somente uma dimenso
precisa ser analisada removendo-se as demais o eixo
correspondente a ela desaparece da representao visual.
O usurio obrigado incluir mais uma dimenso na tela,
para que a dimenso de interesse fique visvel na
representao visual. Neste caso, a ferramenta deveria
mostrar o nico eixo de interesse no centro da
representao visual com os pontos de dados plotados
visivelmente sobre o eixo.
sempre
poucas
vezes
Usurio 2
Identificao
b) Usurio: experimental 2_____
c) Data: 11/12/07_____
#
1
2
3
Descrio do problema
Boto up deveria ser chamado right e boto down
deveria ser chamado left
Botes up/add/remove e down deveriam estar
localizados mais para cima, na aba visual
esquerda mais de uma posio, a cada clique no boto
up ou down perde-se a seleo da dimenso sendo
movida, isto causa confuso ao usurio que precisa
novamente a dimenso, para continuar trocando-a de
lugar
Clicar e arrastar as dimenses diretamente com o
mouse sobre a representao visual facilitaria para
troc-las de lugar, do que clicar nos botes up ou down
Ao tentar responder uma nova questo analtica, o
usurio esqueceu que algumas dimenses estavam
filtradas e precisavam ser desfiltradas. Deveria ter um
indicador que lembrasse o usurio quais variveis esto
filtradas no momento.
Nos filtros, o boto cancelar est (por default) do lado
mais a esquerda na janela de dilogo. O usurio clicou
vrias vezes no boto cancelar por engano, pois queria
clicar no boto OK.
marcadores e qual o nvel de sobreposio (quantos
esto sobrepostos).
Deveria ser possvel passando o mouse sobre o rtulo
das dimenses, visualiz-los por inteiro (por extenso
sem abreviaes), pois muitas vezes o usurio no
lembrava o que eles significavam.
No h como filtrar intervalos no consecutivos de
valores, por exemplo, precisava filtrar os valores: 4
(separado judicialmente), 5 (divorciado) e 7 (separado).
Severidade
2
3
Freqncia
poucas
vezes
sempre
sempre
sempre
sempre
vrias vezes
sempre
vrias vezes
poucas
vezes
215
Usurio 3
Identificao
b) Usurio: experimental 3________
c) Data: 14/12/07_______
#
1
2
3
4
8
9
10
11
Descrio do problema
Nos filtros, o boto cancelar est (por default) do lado
mais a esquerda na janela de dilogo. O usurio clicou
vrias vezes no boto cancelar por engano, pois queria
clicar no boto OK.
Botes up/add/remove e down deveriam estar
localizados mais para cima, na aba visual
Na aba filtros, os campo correspondentes a cada
dimenso deveriam aparecer em ordem alfabtica
Quando muitas dimenses so exibidas na tela, os
rtulos indicando o nome das dimenses ficam
sobrepostos ou no aparecem, isto dificulta muito a
realizao do trabalho, pois, o usurio obrigado
remover dimenses da representao para abrir
espao.
Deveria ser possvel o usurio ordenar as dimenses
por ordem crescente ou decrescente, o usurio
reclamou vrias vezes que a desordem na
apresentao das dimenses atrapalha.
Ao tentar responder uma nova questo analtica, o
usurio esqueceu que algumas dimenses estavam
filtradas e precisavam ser desfiltradas. Deveria ter um
indicador que lembrasse o usurio quais variveis esto
filtradas no momento.
Para dados originalmente categricos que foram
codificados para numricos, deveria ser possvel rotullos sobre a representao, de forma que passando o
mouse sobre eles fosse exibido seu significado, para
que o usurio no precisasse lembrar todo momento
seu significado.
Deveria existir um boto que desativasse todos os filtros
a cada questo a ser analisada.
No slider da barra de filtragem, conforme o usurio clica
e arrasta deve ser exibida a faixa de valores que est
sendo filtrada, pois as vezes aparece e as vezes no.
Quando a faixa de valores filtrada muito pequena, a
barra de filtragem transforma-se num pequeno boto,
que o usurio no consegui mais manipular mesmo o
mouse aparecendo duplo.
esquerda mais de uma posio, a cada clique no boto
up ou down perde-se a seleo da dimenso sendo
movida, isto causa confuso ao usurio que precisa
novamente a dimenso, para continuar trocando-a de
lugar.
Severidade
4
Freqncia
vrias vezes
sempre
3
4
poucas
vezes
sempre
vrias vezes
sempre
vrias vezes
vrias vezes
poucas
vezes
poucas
vezes
sempre
216
APNDICE L FORMULRIOS DE ENSAIOS DE

INTERAO (FASE 2)
Usurio 1
Identificao
b) Usurio: experimental 1______________
c) Data: 02/01/08________
#
1
2
6
7
8
10
Descrio do problema
Quando algumas dimenses so removidas da
representao visual, os dados na tabela (acima das abas
de controle) tambm deveriam ser atualizados, ou seja, as
dimenses (variveis) removidas tambm no deveriam
permanecer visveis na tabela.
Deveria ser possvel passando o mouse sobre o rtulo das
dimenses, visualiz-los por inteiro (por extenso sem
abreviaes), pois muitas vezes o usurio no lembrava o
que eles significavam.
A ferramenta no fornece um recurso, onde o usurio possa
relatar as descobertas e concluses das questes sendo
analisadas.
No h como o usurio vincular as respostas que encontrou
para, cada questo em anlise, com a representao visual
das situaes visualizadas (ou seja, vincular para cada
resposta a correspondente representao grfica que a
comprove).
A ferramenta no fornece recursos para gerar um relatrio
detalhado contendo os resultados do processo de anlise.
A ferramenta no permite, tambm, imprimir.
Ao filtrar um nome a ferramenta deveria apresentar na
tabela todos os dados daquele nome, mas no apresenta. O
usurio obrigado a selecionar na representao visual o
ponto de dado (marcador) correspondente aquele nome,
deve adivinhar isto e nem sempre possvel selecionar o
marcador na representao visual.
No h como corrigir inconsistncias nos dados, a
ferramenta no permite alterar nenhuma informao do
conjunto de dados.
Severidade
3
Freqncia
sempre
poucas
vezes
vrias
vezes
sempre
Sempre
Sempre
5
5
Sempre
vrias
vezes
poucas
vezes
sempre
217
11
12
13
14
15
16
17
18
19
20
21

momento.
A ferramenta deveria indicar que itens (marcadores) esto
sobrepostos, o recurso excentric informa somente o nmero
dos itens, conforme aparecem no conjunto de dados.
Contudo, est informao no serve para nada, no h
como o usurio saber o nmero do item a que aluno
corresponde.
boto OK.
A ferramenta no permite calcular a mdia dos valores de
uma dimenso de interesse.
sobrepostos).
Para dados originalmente categricos que foram codificados
para numricos, deveria ser possvel rotul-los sobre a
representao, de forma que passando o mouse sobre eles
fosse exibido seu significado, para que o usurio no
precisasse lembrar todo momento seu significado.
A ferramenta no permite salvar a representao visual de
uma situao que est sendo analisada, para continuar o
trabalho no dia seguinte.
A ferramenta no permite recarregar uma situao
anteriormente visualizada, para continuar o trabalho do
ponto onde parou.
A ferramenta no permite destacar na representao visual
pontos importantes observados.
A ferramenta no permite inserir comentrios na
representao visual, para posterior reviso.
No h tambm como comunicar a outra (s) pessoa (s) uma
ou mais situaes visualizadas, com pontos comentados e
destacados.
No h como filtrar intervalos no consecutivos de valores,
por exemplo, precisava filtrar os valores: 4 (separado
judicialmente), 5 (divorciado) e 7 (separado).
poucas
vezes
vrias
vezes
poucas
vezes
Sempre
vrias
vezes
poucas
vezes
poucas
vezes
vrias
vezes
vrias
vezes
vrias
vezes
5
5
poucas
vezes
Usurio 2
Identificao
b) Usurio: experimental 2__________
c) Data: 09/01/08______
#
1
2
3
Descrio do problema
A visualizao inicia com muitos dados, sobrecarga de
informao (dados e rtulos das dimenses)
Severidade
4
3
4
Freqncia
poucas
vezes
Sempre
vrias
vezes
218
6
7
8
10
11
12
13
14
15
16
17
18
19
20
21

analisadas.
comprove).
conjunto de dados.
momento.
boto OK.
corresponde.
Deveria ser possvel trocar o idioma da ferramenta.
Na janela de dilogo do recurso filtrar, aps digitar o 1 valor
no campo a direita, o cursos deveria automaticamente pular
para o outro campo a esquerda, para ser informado o
prximo valor. O usurio no deveria ter que clicar neste
campo e depois digitar. Seria menos trabalhoso para ele.
sobrepostos).
Deveria ser possvel o usurio atribuir cores diferentes aos
agrupamentos existentes numa dimenso de interesse
A ferramenta deveria ter um cone na rea de trabalho, para
poder ser acessada diretamente.
ponto onde parou.
No existe um recurso que possibilite passando o mouse
Sempre
Sempre
Sempre
5
5
Sempre
poucas
vezes
sempre
vrias
vezes
poucas
vezes
poucas
vezes
vrias
vezes
4
5
poucas
vezes
sempre
vrias
vezes
vrias
vezes
poucas
vezes
1
5
poucas
vezes
poucas
vezes
vrias
219
22
23
24
25
26
sobre os itens em determinadas dimenses seja informado

o valor de cada item correspondente a dimenso de
interesse naquele momento ou o valor do item referente a
dimenso mais prxima.
Na aba filtros, os campo correspondentes a cada dimenso
deveriam aparecer em ordem alfabtica
destacados.
vezes
3
4
5
5
poucas
vezes
vrias
vezes
vrias
vezes
vrias
vezes
poucas
vezes
Usurio 3
Identificao
Objeto da avaliao: Ferramenta de visualizao (Infovis Toolkit)
Usurio: experimental 3_______________
Data: 15/01/08__________
#
1
2
3
8
9
Descrio do problema
A visualizao inicia com muitos dados, sobrecarga de
informao (dados e rtulos das dimenses)
Em dimenses onde os dados so categricos, na hora de
filtrar um item em particular (por exemplo, o nome de um
aluno) o campo de filtragem deveria aceitar digitar os
primeiros caracteres do nome do aluno e no ter que rolar o
scrool daquele campo at encontrar este nome.
Ao filtrar um nome a ferramenta deveria apresentar na
tabela todos os dados daquele nome, mas no apresenta. O
usurio obrigado a selecionar na representao visual o
ponto de dado (marcador) correspondente aquele nome,
deve adivinhar isto e nem sempre possvel selecionar o
marcador na representao visual.
analisadas.
comprove).
Severidade
4
3
Freqncia
poucas
vezes
sempre
vrias
vezes
poucas
vezes
vrias
vezes
sempre
sempre
sempre
sempre
220
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

conjunto de dados.
momento.
boto OK.
corresponde.
sobrepostos).
ponto onde parou.
Na aba filtros, os campo correspondentes a cada dimenso
deveriam aparecer em ordem alfabtica
No existe um recurso que possibilite passando o mouse
sobre os itens em determinadas dimenses seja informado
o valor de cada item correspondente a dimenso de
interesse naquele momento ou o valor do item referente a
dimenso mais prxima.
destacados.
poucas
vezes
sempre
vrias
vezes
poucas
vezes
Sempre
poucas
vezes
vrias
vezes
poucas
vezes
poucas
vezes
poucas
vezes
vrias
vezes
4
5
5
vrias
vezes
vrias
vezes
vrias
vezes
poucas
vezes

Гораздо больше, чем просто документы.

DOUTORADO - Visualização de Informações

Загружено:

Сведения о документе

Описание:

Описание:

Авторское право:

Доступные форматы

DOUTORADO - Visualização de Informações

Загружено:

Описание:

Авторское право:

Доступные форматы

Похожие издания

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

ELIANE REGINA DE ALMEIDA VALIATI

Avaliao de Usabilidade de Tcnicas de

Tese apresentada, como requisito parcial

Prof. Dr. Carla Maria Dal Sasso Freitas

Porto Alegre, maro de 2008.

CIP CATALOGAO NA PUBLICAO

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

Dedico esta tese a todos

MUITO OBRIGADO, a todos que pouco ou muito contriburam para a

Deus, algo maior, que me d foras, coragem e sabedoria para seguir em

algum muito especial, que sem sua companhia, incentivo e horas de

A todos os usurios que participaram dos ensaios de interao e estudos

Aos sinceros e verdadeiros amigos pelo apoio e votos de sucesso sempre

UFRGS, ao Instituto de Informtica e ao PPGC por me acolher e pelos

Ao corpo docente, funcionrios e ao pessoal da biblioteca do Instituto de

LISTA DE ABREVIATURAS E SIGLAS ............................................................ 8

2 VISUALIZAO DE INFORMAES ....................................................... 18

Consideraes Finais ........................................................................................... 45

4 AVALIAO DE TCNICAS DE VISUALIZAO DE INFORMAES

Limitaes .......................................................................................................... 147

APNDICE D LISTA DE QUESTES/TAREFAS UTILIZADA NOS ENSAIOS

LISTA DE ABREVIATURAS E SIGLAS

Anlise Hierrquica de Tarefas

Centro Nacional de Pesquisa do Trigo

Empresa Brasileira de Pesquisa Agropecuaria

Graphic User Interface

International Organization for Standardization

Multi-dimensional In-depth Long-term Case Studies

Mileage per gallon

Palo Alto Research Center

Sistema de Avaliao do Estado do Rio Grande do Sul

Uniform Resource Locator

Universidade Federal do Rio Grande do Sul

Visualizao de Informaes Multidimensionais

Windows Icons Menus Pointers

World Wide Web

Figura 2.1: Modelo de referncia proposto por Card et al. ............................................ 19

Figura 6.11: Ferramenta HCE utilizada no Estudo de Caso: Secretaria da Educao

Tabela 2.1: Classificao de informaes ...................................................................... 20

Tcnicas de visualizao de informaes multidimensionais tm o potencial de

Palavras-Chave: Tcnicas de Visualizao de Informaes, Visualizao de

Usability Evaluation of Multidimensional Visualization Techniques

Multidimensional visualization techniques have the potential of supporting the

Keywords: Information Visualization Techniques, Taxonomy of User Tasks,

Nos ltimos anos, tm-se verificado um crescimento exponencial na quantidade

interfaces de sistemas de visualizao representam um desafio de pesquisa uma vez que

1.2 Objetivo do Trabalho

1.3 Estrutura do Texto

os experimentos realizados para avaliao das tcnicas de avaliao de usabilidade

Este captulo apresenta o estudo realizado sobre a rea de visualizao de

2.2 Modelos de Referncia

Figura 2.1: Modelo de referncia proposto por Card et al. (1999)

2.3 Tipos de Dados (ou informaes)

informao, tipo de valores, natureza e dimenso do domnio (conforme Tabela 2.1).

Grandeza fsica associada a um fludo

Grandeza fsica associada a um fludo

Link num hiperdocumento

Link num hiperdocumento

Anos (tempo discretizado)

Medida de uma grandeza no tempo

Volume de dados mdicos

Dados de uma populao

Tipo dos valores

Fonte: FREITAS et al., 2001. p. 3.

2.4 Representao Visual