Design de visualização para coisas que ainda não existem

• A maior parte das visualizações de dados trata do passado e, mesmo quando mostra o futuro, normalmente se limita a estender uma única linha para a frente, sem refletir adequadamente as características estruturais da incerteza
• Quando o objeto da visualização muda de 'dados' para o 'espaço de possibilidades', de previsões a cenários contrafactuais, surgem três desafios centrais: multiplicidade, incerteza e dependência
• Incerteza em camadas, linhas do tempo ramificadas e superfícies de cenário são três padrões que podem substituir as visualizações preditivas tradicionais centradas em uma única trajetória
• Por meio de casos reais como o cone de previsão de furacões, curvas de COVID, cenários climáticos e mapas de risco sísmico, o texto explica concretamente os problemas de interpretação enganosa nas visualizações preditivas tradicionais
• O objetivo da visualização do futuro não é prever, mas projetar estruturas exploráveis que permitam entender quantos futuros são possíveis e quais fatores os moldam

---

Problemas das visualizações preditivas

• A maioria dos gráficos de previsão apresenta uma única linha limpa se estendendo para a frente, com uma faixa sombreada ao redor, transmitindo uma impressão de precisão e controle
• Essa linha única embute premissas equivocadas: “existe um futuro mais provável”, “os desvios são simétricos e previsíveis” e “a incerteza não é uma propriedade estrutural, mas apenas uma margem”
• Em sistemas reais, o futuro não se prolonga, ele se ramifica; a incerteza aumenta de forma composta ao longo do tempo, e os resultados são não lineares e assimétricos
• Caso do cone de previsão de furacões: muitas vezes ele é lido como se a tempestade estivesse aumentando de tamanho, quando na verdade representa a incerteza da posição ao longo do tempo
• Caso das previsões de COVID: muitas visualizações mostravam uma curva única, mas os resultados reais levaram a desfechos completamente diferentes dependendo de comportamento, políticas e timing
• Alberto Cairo abordou em seu texto para a Nightingale, "The Day I Thought I Misled the President of the United States", como visualizações preditivas podem distorcer sem intenção a compreensão pública, e explorou métodos alternativos para comunicar melhor a incerteza em uma visualização interativa de previsão de furacões para o The New York Times

Desafio central: visualizar o que ainda não aconteceu

• Ao lidar com previsões, simulações e situações contrafactuais, o objeto de trabalho não é um conjunto de dados, mas o espaço de resultados (space of outcomes)
• A pergunta muda de “o que os dados dizem?” para “no que os dados podem se tornar?”
• Existem três desafios centrais
  • Multiplicidade (Multiplicity): existe não um único futuro, mas muitos futuros
  • Incerteza (Uncertainty): nem todas as possibilidades são igualmente prováveis
  • Dependência (Dependency): os resultados variam conforme decisões, eventos e condições
• A maioria das visualizações preditivas achata essas dimensões em uma trajetória única por serem mais fáceis de ler, mas essa é uma abordagem menos fiel à realidade

Cenários contrafactuais (Counterfactuals)

• Cenários contrafactuais do tipo “o que teria acontecido se...?” não existem nos dados; são cenários hipotéticos construídos e muitas vezes dependentes de modelos
• Ainda assim, levantam perguntas importantes: e se o tsunami tivesse sido mais forte? E se a previsão do modelo estivesse errada? E se a política tivesse mudado?
• Cenários contrafactuais envolvem o desafio de mostrar uma versão da realidade que de fato não aconteceu, ou seja, mostrar a 'ausência (absence)'
• A maioria das visualizações ignora isso completamente ou reduz o problema a um simples toggle, o que não é suficiente
• A solução para o problema de comprimir possibilidades em um único caminho é aceitar a estrutura em vez da simplicidade

Padrão 1: Incerteza em camadas (Layered Uncertainty)

• Em vez de um único intervalo de confiança, a incerteza deve ser classificada em camadas
• Estrutura em camadas
  • Resultados de alta confiança: área estreita e escura
  • Faixa de confiança intermediária: área mais ampla e clara
  • Extremos de baixa probabilidade: áreas fragmentadas e quase invisíveis
• Essas camadas precisam mudar de forma — porque a incerteza não é uniforme
  • Ela pode se inclinar para uma direção, se dividir em vários clusters ou encolher sob determinadas condições
• O objetivo não é mostrar o quanto de incerteza existe, mas “como ela funciona”
• As previsões meteorológicas por ensemble já avançam nessa direção: os “spaghetti plots” visualizam dezenas de resultados possíveis ao mesmo tempo, e a densidade e o agrupamento das linhas expressam confiança, divergência e instabilidade muito melhor do que uma única linha de previsão suavizada

Padrão 2: Linhas do tempo ramificadas (Branching Timelines)

• Uma trajetória única sugere inevitabilidade, mas uma estrutura ramificada revela pontos de decisão
• Em vez de pensar em “uma linha → muitos desvios possíveis”, é melhor pensar em “um ponto de partida → muitos caminhos que se separam”
• Cada ramificação representa uma condição, decisão ou cruzamento de limiar, permitindo criar visualizações interativas significativas em que o usuário explora não os dados, mas as consequências (consequences)
• Isso é especialmente poderoso em simulações de políticas públicas, cenários climáticos e comportamento de modelos sob diferentes entradas
• A narrativa muda de “isto é o que vai acontecer” para “isto é o que pode acontecer dependendo do que mudar”
• As visualizações climáticas são o exemplo mais claro: diferentes cenários de emissão geram trajetórias de aquecimento completamente distintas ao longo do tempo, e o futuro varia conforme políticas, uso de energia e ação coletiva (fonte: IPCC 2021)

Padrão 3: Superfícies de cenário (Scenario Surfaces)

• Em vez de plotar futuros individuais, a abordagem é visualizar o próprio espaço
• Em uma superfície 2D ou 3D, cada ponto representa um cenário, os eixos representam variáveis (tempo, intensidade, probabilidade etc.) e cor ou textura codificam a qualidade do resultado ou o risco
• Isso permite que o usuário identifique regiões estáveis, zonas de variabilidade e transições abruptas entre resultados
• O foco está mais na exploração (exploration) do que na narrativa
• Os mapas de risco sísmico funcionam de maneira parecida: em vez de prever um único evento, visualizam zonas de risco segundo combinações de magnitude, profundidade e localização, ajudando a entender a topografia dos impactos possíveis (fonte: USGS)
• Isso reconhece um fato que a maioria das visualizações ignora: o futuro não é discreto, mas contínuo

Design para interpretação (Designing for Interpretation)

• A parte mais difícil dessa abordagem não é técnica, mas cognitiva
• Ao mostrar muitos futuros, o usuário pode se sentir sobrecarregado, os padrões ficam menos claros e a interpretação exige esforço
• Ao simplificar para tornar a visualização “fácil”, muitas vezes se produz uma visualização errada
• O objetivo deve mudar de reduzir a complexidade para estruturar a complexidade
• É aí que a interação se torna importante
  • Divulgação progressiva (Progressive disclosure)
  • Caminhos guiados por cenários (Guided pathways)
  • Ancoragem do usuário com pontos de referência (Reference points)
• Não se trata apenas de desenhar visualizações, mas de desenhar uma forma de pensar sobre a incerteza

Conclusão: princípios centrais da visualização do futuro

• Para visualizar o que ainda não existe, é preciso parar de agir como se já existisse
• Três princípios centrais
  • Representar múltiplas possibilidades, não apenas uma
  • Representar estrutura, e não apenas um intervalo simples
  • Projetar para exploração, não apenas para consumo
• O objetivo não é prever o futuro, mas ajudar a entender quantos futuros são possíveis e o que os molda