시리즈 11/13 · 책 미리보기 → 시리즈 허브
다들 본 적이 있는 그림이다. 이름표를 단 원들이 둥글게 놓여 있고, 그 사이를 굵기가 제각각인 선이 잇고, 두세 가지 색으로 군집이 나뉜다. 심리측정 네트워크 분석의 표준 양식이다. 증상 열두어 개짜리 성긴 네트워크라면 qgraph의 평면 레이아웃은 거의 이상적이다. 한눈에 들어온다.
그런데 왜 굳이 세 번째 차원을 꺼내 드는가?
정직한 답은 별로 흥미롭지 않다. 3차원은 추정치에 원래 없던 것을 드러내지 않는다. 엣지는 같은 정규화 편상관이고(Epskamp, Borsboom & Fried, 2018), 중심성 값도 같은 숫자다. 구조는 그림이 아니라 추정치 안에 있다. 2D든 3D든 레이아웃은 그 구조를 보여 주는 방식일 뿐이다.
3차원이 바꾸는 것은 그 구조를 펼쳐 놓을 자리의 크기다.
평면 그림에는 천장이 있다
네트워크 그림 대부분은 힘-기반(force-directed) 레이아웃, 흔히 Fruchterman–Reingold(1991) 알고리즘으로 그린다. 연결된 노드끼리는 당기고 모든 노드는 서로 밀어내며, 알고리즘은 평면 위에서 그 타협점을 찾는다. 성긴 그래프라면 평면으로 충분하다. 그러나 문항을 늘리고, 척도를 더하고, 우울·불안·수면 문항이 한 네트워크를 이룰 때 생기는 빽빽한 엣지를 얹으면 평면은 자리가 모자란다. 노드가 노드 위에 쌓이고 엣지가 엣지를 가로지르며, 또렷했어야 할 세 군집은 연구자들이 ’헤어볼(hairball)’이라 부르는 덩어리로 뭉개진다.
나빠진 것은 네트워크가 아니라 그림이다. 정보는 그대로인데, 겹치지 않고는 담을 수 없을 만큼 좁은 공간에 눌려 들어갔을 뿐이다.
세 번째 축은 같은 레이아웃 문제에 자유도를 하나 더 주는 것이다. 평면에서 겹칠 수밖에 없던 군집이 서로 다른 깊이에 놓일 수 있고, 교차할 수밖에 없던 엣지가 위아래로 비켜 지날 수 있다. 그렇다고 유일한 해법은 아니다. 임곗값 걸러내기, 척도별로 나눠 그리기, 2D 거리에 의미를 더 실어 주는 다차원척도법(MDS) 레이아웃도 모두 도움이 된다(Jones, Mair & McNally, 2018). 3D는 그래프가 정말 빽빽할 때 쓸 수 있는 선택지가 하나 더 생긴 것이다.
3D의 비용
시각화 연구자들이 3D를 경계하는 데는 이유가 있다. Munzner(2014)는 원칙을 짧게 못 박는다. 정당화되지 않은 3D는 쓰지 말라. 원근법은 멀리 있는 것을 작게 만들어 크기·길이 비교를 믿을 수 없게 하고, 어느 한 시점에서든 무언가는 다른 무언가에 가려진다. 3D 그래프를 정지 화면으로 찍어 두면 잘 그린 2D 그림보다 못한 경우가 많다.
정당화가 가능하다면, 그 근거는 움직임에서 나온다. 3D 그래프를 돌리면 운동 깊이 효과(kinetic depth effect) — 사물이 움직일 때 눈이 앞뒤를 가려내는 방식 — 덕분에 깊이가 읽힌다. Ware와 동료들의 실험에서는 움직임과 입체 깊이 단서가 2D에서 감당할 수 있는 것보다 훨씬 큰 그래프에서도 경로를 따라가는 데 도움이 됐다(Ware & Mitchell, 2008). 교훈은 구체적이다. 3D는 돌려 볼 수 있을 때 작동한다. 돌릴 수 없는 3D 네트워크는 대부분 비용이다.
3D가 주지 않는 것
이 한계가 장점보다 더 중요하다.
화면상 거리는 여전히 측정값이 아니다. 스프링 레이아웃에서 두 노드가 얼마나 떨어져 있는지는 알고리즘의 부산물이지, 읽어 낼 수 있는 양이 아니다(Jones, Mair & McNally, 2018). 3D에서도 마찬가지다. 두 노드가 가까워 보이면 그 사이 엣지를 확인해 볼 이유가 될 뿐, 그 자체가 수치는 아니다.
중심성은 그림이 아니라 산출물에서 읽는다. 노드가 화면 한가운데 놓였다고, 화면에서 크게 보인다고 더 중심적인 것은 아니다. 중심성은 추정치에서 나오며, 엣지 가중치 신뢰구간과 CS-계수 같은 안정성 점검과 함께 읽어야 한다(Epskamp, Borsboom & Fried, 2018). 심리 네트워크에서는 근접 중심성과 매개 중심성이 불안정한 경우가 많다는 점도 알려져 있다(Bringmann et al., 2019).
무엇을 해야 하는지는 어디에도 나오지 않는다. 생생하게 돌아가는 네트워크라도 여전히 참조 표본의 공변 관계를 기술한 것이다. 중심 노드가 그 근거만으로 처치 표적이 되지는 않는다. 이런 네트워크에서 중심성 지표가 실제로 무엇을 포착하는지 자체가 논쟁 중이다(Bringmann et al., 2019). 그리고 여러 사람에게서 추정한 구조는 그 집단을 기술할 뿐, 한 사람 안의 기제를 그린 지도가 아니다. 둘은 실제로 어긋날 수 있다(Molenaar, 2004). 그림이 나아진다고 이 경계가 느슨해지지는 않는다. 그림이 설득력 있을수록 오히려 더 많은 절제가 필요하다.
3D가 제값을 하는 곳
정직하게 말해 두 곳이다.
첫째, 빽빽한 네트워크를 탐색할 때. 그래프를 붙잡고 돌릴 수 있으면 군집이 움직임 속에서 갈라지고, 지면에서는 교차선 아래 묻혀 있던 관계가 주위를 돌며 살펴볼 수 있는 대상이 된다. 성긴 단일 척도라면 과하다. 여러 영역이 얽힌 빽빽한 구조라면 헤어볼과 읽을 수 있는 대상 사이의 차이가 될 수 있다.
둘째, 정직하게 쓰는 몰입감. 손으로 돌려 볼 수 있는 네트워크는 정지된 그림보다 오래 들여다보기가 쉽다. 과학적 논거는 아니고, 그렇게 포장할 생각도 없다. 하지만 증상 네트워크를 처음 접하는 사람에게 ’움직여 볼 수 있다’는 사실은 꼼꼼히 들여다보는 비용을 낮춰 준다. 앞의 단서들은 그림과 함께 따라간다. 그림은 사람들이 그 단서를 읽을 마음을 더 먹게 할 뿐이다.
실제로 이것이 쓰이는 곳
이것이 내가 만들고 있는 플랫폼 PsyNexa의 상호작용 방식이다. 참조 네트워크는 브라우저에서 Three.js로 렌더링된다. 돌리고, 확대하고, 군집 하나를 앞으로 끌어올 수 있으며, 노드 이름표는 늘 보는 사람 쪽을 향하도록 그려져 어느 각도에서든 읽힌다. 이 화면이 주는 것은 구조를 탐색하기 위한 기초 정보이지, 구조에 대한 판정이 아니다. 해석과 그 책임은 읽는 사람에게 남는다.
2차원이 우리를 저버린 것은 아니다. 천장이 있을 뿐이고, 빽빽한 증상 네트워크는 그 천장에 닿을 만큼 높다. 3차원은 진실을 끌어올리지 않는다. 천장을 끌어올린다 — 그 값은 움직임으로 치른다.
참고문헌
- Bringmann, L. F., Elmer, T., Epskamp, S., Krause, R. W., Schoch, D., Wichers, M., Wigman, J. T. W., & Snippe, E. (2019). What do centrality measures measure in psychological networks? Journal of Abnormal Psychology, 128(8), 892–903.
- Epskamp, S., Borsboom, D., & Fried, E. I. (2018). Estimating psychological networks and their accuracy: A tutorial paper. Behavior Research Methods, 50(1), 195–212.
- Fruchterman, T. M. J., & Reingold, E. M. (1991). Graph drawing by force-directed placement. Software: Practice and Experience, 21(11), 1129–1164.
- Jones, P. J., Mair, P., & McNally, R. J. (2018). Visualizing psychological networks: A tutorial in R. Frontiers in Psychology, 9, 1742.
- Molenaar, P. C. M. (2004). A manifesto on psychology as idiographic science: Bringing the person back into scientific psychology, this time forever. Measurement: Interdisciplinary Research and Perspectives, 2(4), 201–218.
- Munzner, T. (2014). Visualization Analysis and Design. CRC Press.
- Ware, C., & Mitchell, P. (2008). Visualizing graphs in three dimensions. ACM Transactions on Applied Perception, 5(1), Article 2.