ESTUDOS SOBRE VISUALIZAÇÃO DE DADOS CIENTÍFICOS NO
CONTEXTO DA DATA SCIENCE E DO BIG DATA 1
Email:
adrianacontemporanea@gma
[Link] Adriana Alves Rodrigues, Guilherme Ataíde Dias
guilhermeataide@[Link]
Resumo
Investiga o impacto da visualização de dados científicos e seus
desdobramentos no contexto do Data Science e da Ciência da
Informação por meio de estudos de casos. A pesquisa explora uma
abordagem teórico-conceitual a partir da Ciência da Informação e suas
relações interdisciplinares - Big Data, Ciência de Dados e Visualização
de Dados. Considera que o cenário estabelecido e desenvolvido pelo
Data Science é propício para a geração de novos formatos de
visualização de dados de impacto científico e de difusão social através
das redes digitais. A metodologia utilizada para a pesquisa é estruturada
a partir de uma abordagem quali-quantitativa e se constitui em pesquisa
exploratória e de estudos de casos empíricos representativos do
fenômeno a partir de observações sistemáticas dos objetos para análise
utilizando-se para tal de instrumentos como ficha de observação, visando
a captura, tratamento e visualização e construção de modelo de análise.
Resultados preliminares indicam que a visualização de dados tratam-se
de novos formatos e narrativas inovadoras com aspectos disruptivos.
Palavras-chave: Visualização de Dados. Ciência de dados. Inovação
Disruptiva. Mega dados. Ciência da Informação.
Abstract
It investigates the impact of the visualization of scientific data and its
unfolding in the context of Data Science and Information Science
through case studies. The research explores a theoretical-conceptual
approach from the Information Science and its interdisciplinary
relationships - Big Data, Data Science and Data Visualization. It
considers that the scenario established and developed by Data Science is
conducive to the generation of new formats of data visualization of
scientific impact and social diffusion through the digital networks. The
methodology used for the research is structured from a qualitative-
quantitative approach and consists of exploratory research and empirical
case studies representative of the phenomenon from systematic
1
Pesquisa de Doutorado em andamento no Programa de Pós-Graduação em Ciência da Informação na Universidade Federal da
Paraíba –PPGCI-UFPB.
Pesq. Bras. em Ci. da Inf. e Bib., João Pessoa, v. 12, n. 1, p. 219-228, 2017. 219
observations of the objects for analysis using instruments such as data
sheet Observation, aiming at the capture, treatment and visualization and
construction of analysis model. Preliminary results indicate that data
visualization is about new formats and innovative narratives with
disruptive aspects.
Keywords: Data Visualization. Data Science. Disruptive Innovation.
Big Data. Information Science.
INTRODUÇÃO
Num mundo cada vez mais baseado na cultura de dados, as tecnologias digitais que
permitem coleta, produção e circulação tornam-se cruciais para a exploração e a compreensão
dos dados, mais particularmente dos grandes volumes de dados (Big data). O emprego das
técnicas de visualização de dados (Dataviz) nesse campo é uma estratégia emergente e de
inovação que tem sido explorado em distintas áreas do conhecimento e recebido cada vez mais
atenção em estudos e pesquisas na atualidade (CAIRO, 2012; MANOVICH, 2011; DUR, 2014;
JL VALERO, 2014). A visualização de dados trata-se de uma nova caracterização da explosão
informacional através da era do Big Data. Se a preocupação inicial da Ciência da Informação
era, entre outros aspectos, em como coletar, organizar, armazenar e recuperar as informações,
na atualização do fenômeno enquanto problema de pesquisa decorre agora em como
transformar esses dados em visualização de modo a oferecer uma nova interpretação e
significado de dimensão social, informacional e comunicacional.
As investigações em visualização de dados ampliaram seu alcance com as tecnologias
digitais da sociedade em rede e da cibercultura (LEMOS, 2002) que possibilitaram que os
dados invisíveis, isto é, armazenados em redes digitais, somados aos demais elementos
combinatórios (gráficos, mapas, dados científicos, números etc.), fossem transmutados para o
ambiente Web e conferissem um maior enriquecimento às estruturas gráficas. Sendo assim,
percebemos o vigor do conceito da visualização de dados como central e operacional para a
compreensão do fenômeno dos grandes volumes de dados na Ciência da Informação centrado
na cultura do Big Data (BARLOW, 2013) e do seu impacto tecnológico, cultural e social.
Logo, há uma abrangência das apropriações e usos do Big Data na economia, comunicação,
administração, ciência da informação, medicina, e áreas correlatas que lidam com grandes
volumes de dados.
Nesta conjuntura, Big Data reivindica uma abordagem inovadora para lidar com os
dados científicos. Logo, tratamos a questão por meio do conceito de inovação disruptiva como
pertinente para problematizar o horizonte das produções em visualização de dados na
perspectiva de novo paradigma que representa o Big Data, tendo em vista tratar-se de um
contexto ou de uma tecnologia disruptiva. A reflexão que empreendemos visa ampliar o escopo
da discussão no âmbito da Ciência da Informação e o aspecto global demarcando e
compreendendo o objeto em suas múltiplas dimensões. Posicionamos nosso objeto de estudo
como um formato emergente que suscita o estabelecimento de novos padrões de apresentação
com investigação focada nas dinâmicas e rupturas que envolvam as mudanças nas linguagens e
modos de produção e apropriação das narrativas no tocante ao Big Data dentro da Ciência da
Pesq. Bras. em Ci. da Inf. e Bib., João Pessoa, v. 12, n. 1, p. 219-228, 2017. 220
Informação. Para esta abordagem convocamos o conceito de Ciência de Dados como instância
que escrutínia o Big Data e reflete sobre o impacto deste na sociedade.
A partir da discussão empreendida, buscamos responder na pesquisa ao seguinte
questionamento: Que implicações a Visualização de Dados científicos representa para a
produção de narrativas disruptivas quanto à dinâmica do contexto do Data Science e do Campo
da Ciência da Informação? Partimos do pressuposto de que a Ciência de Dados se constitui em
um ferramental teórico e metodológico, ainda em andamento, vital para a análise e construção
das visualizações de dados científicos no horizonte visando irromper para inovações disruptivas
as estruturas visuais no ambiente digital. Sendo assim, defendemos de que as visualizações de
dados científicos no contexto do Data Science provocam narrativas complexas disruptivas e
geram novos formatos com impacto científico tecnológico e informacional, trazendo novas
dinâmicas e formas de compreensão dos dados, tendo em vista que a entrada do Big data nas
visualizações de dados é um fator que pode reconfigurar tais narrativas. Para tal, analisamos o
fenômeno a partir da Ciência de Dados.
2 CIÊNCIA DE DADOS
A Ciência de Dados (Data Science) tem sido estudada e considerada como uma área
com característica interdisciplinar por parte dos pesquisadores da temática (CONWAY, 2010;
STANTON, 2012; ZHU, XIONG, 2015; STREIB, MOUTARI, DHEMER, 2016) ou
multidisciplinar (TIERNEY, 2016) em sua origem. Para Porto e Ziviani (2014, p. 2), dentro da
conjuntura de grandes volumes de dados, há três linhas de pesquisa que podem ser exploradas
com vistas à consolidação da área de Ciência de dados, a saber: 1) Gerência de Dados; 2)
Análise de Dados e 3) Análise de Redes Complexas. Conforme alertam: “[...] nesses aspectos
fundamentais de análise de dados em larga-escala, há também um grande potencial tecnológico
na pesquisa aplicada em ciência de dados com impacto em diferentes áreas do conhecimento e
de setores de atuação” (PORTO; ZIVIANI, 2014, p.2). A Ciência de Dados apresenta caráter
híbrido com ressignificação dos dados, novas modelagens, metodologias, arquiteturas da
informação, bem como a fluidez para novos formatos para o campo da visualização de dados.
A área utiliza métodos e técnicas semelhantes ao da Ciência da Computação, que
incluem aquisição dos dados, gestão, armazenamento, segurança, análise e visualização de
dados, sendo que de modos diferenciados. Nesta perspectiva, Conway (2010) criou o Diagrama
de Venn para especificar as habilidades que concerne à área (Figura 1) abarcando outras
disciplinas. No diagrama criado por Conway, a Ciência de Dados aparece no centro, em lugar
de destaque, indicando a ascensão da área e a correlação com outras capacidades como
habilidades hacker, conhecimento de matemática e estatística e expertise substantiva, além de
aprendizagem de máquinas. O autor entende que apenas focar na Ciência de Dados não é o
suficiente para a compreensão da área em sua totalidade, mas integrar com outras áreas do
saber.
Pesq. Bras. em Ci. da Inf. e Bib., João Pessoa, v. 12, n. 1, p. 219-228, 2017. 221
Figura 1: Diagrama de Venn desenvolvido por Conway
Fonte: Conway (2010, tradução nossa).
No Diagrama de Venn, aspectos como conhecimentos em estatística e matemática e
habilidades de hacking e aprendizagem de máquinas aparecem em aspectos cruzados para
operacionalizar e gerenciar grandes quantidades de dados em contexto de Ciência de Dados.
Deste modo, o Diagrama mostra que é imprescindível habilidades e conhecimentos profundos
nessas duas áreas do conhecimento, e, portanto, sem eles, torna-se quase que impossível
enveredar por esse caminho. Na zona de perigo, é destinado “para as pessoas que são
perfeitamente capazes de extrair dados e estruturação, provavelmente relacionado a um campo
que sabem um pouco sobre, mas falta-lhes qualquer compreensão do que esses coeficientes
querem dizer” (CONWAY, 2010, online, tradução nossa) 2. O nome zona de perigo soa como
um alerta para que os profissionais, pesquisadores estejam totalmente aptos para desempenhar
suas funções no Data Science, tendo, assim, uma visão mais completa dessa nova área em
expansão.
Em seguida, o diagrama aponta pesquisas tradicionais ao lado do nome Data Science,
em um lugar sem pouco destaque. E aqui vemos um equívoco: o de introduzir pesquisas
tradicionais quando a emergência da área requer pesquisas inovadoras para o tratamento dos
dados, gerenciamento, armazenamento, etc. Áreas emergentes exigem que os procedimentos
metodológicos sejam reconfigurados, adaptados e até mesmo criar novas infraestruturas que
sejam exploradas as potencialidades do novo fenômeno. Deste modo, há um reposicionamento
das pesquisas científicas trazido pelo Data Science e de como gerenciar os dados em ambiente
digital, estabelecendo pesquisas transversais e explorando novas zonas de interlocução dos
resultados e práticas de pesquisa.
Com o intuito de resolver problemas na era do Big Data e da Ciência de dados, deve-se
incorporar os seguintes aspectos para a garantia de uma gerência adequada: ter infra-estrutura
de grandes dados, ciclo de vida e análise de dados, habilidades de gerenciamento de dados e
disciplinas comportamentais. A infraestrutura tenta abarcar tecnologias que operacionalizam os
grandes volumes de dados, grandes bancos de dados com memória expandida e computação em
nuvem. Neste sentido, o ciclo de vida dos dados inclui todas as etapas de análise de dados,
incluindo negócios análise, a compreensão, preparação de dados e integração, construção de
2
No original: "know enough to be dangerous," and is the most problematic area of the diagram. In this area people who are
perfectly capable of extracting and structuring data, but they lack any understanding of what those coefficients mean”.
Pesq. Bras. em Ci. da Inf. e Bib., João Pessoa, v. 12, n. 1, p. 219-228, 2017. 222
modelos, avaliação, implementação e monitorização, bem como habilidades de gerenciamento
de dados que incluem tradicional modelagem de dados e conhecimento de banco de dados
relacional (ZHU; SONG, 2016) que possam transformar as visualizações de dados dentro da
Ciência da Informação a partir desse fenômeno que emerge.
3 VISUALIZAÇÃO DE DADOS
A visualização de dados vem se tornando mais frequente, tanto do ponto de vista de
abordagem acadêmica, quanto do ponto de vista de alargamento dos usos na mídia impressa e
digital, tornando-se comuns como modelos que visam à representação visual de grandes
volumes de dados. Na literatura, existem inúmeras terminologias e definições sobre a
visualização de dados (VIÉGAS, 2013; CAIRO, 2011; MEIRELES, 2011; RODRIGUES,
2009, MANOVICH, 2012). De uma maneira mais abrangente, a visualização é o resultado de
uma tecnologia plural que transforma dados complexos em informação semântica e facilita a
interação através de ferramentas para que qualquer usuário complete o processo de modo
autônomo. Acrescente-se a essa afirmação o fato de que a visualização se revela em constante
evolução e atualização, sendo “uma conjugação de signos de natureza icônica (figurativos) com
outros de natureza arbitrária e abstrata (não figurativos: texto, estatísticas, etc)” (CAIRO, 2012,
p. 38).
Meireles (2011, p. 2) conceitua a visualização de dados como “representações de dados
que pode assumir diferentes formas, tais como sistemas de notação, mapas, diagramas,
explorações de dados interativos, e outras invenções gráficas”. A visualização de dados é o
processo de utilização de tecnologias mediadas por computador e digitais para exibir
informações quantitativas e qualitativas. Neste sentido, o termo "visualização de dados" é
usado aqui para especificar este processo de transformar dados numéricos ou informativos
científicos para distinguir a visualização de dados de outras visualizações, tais como a arte não
baseada em dados. As visualizações de dados estão cada vez mais se complexificando para
narrativas sofisticadas que se utilizam de mapas com dados que permitem interação, conforme
defende Fernanda Viégas (2013).
A partir dessas definições, percebemos que a visualização de dados ocupa cada vez
mais um papel central na sociedade contemporânea em relação a "explosão de dados" como
novo fenômeno da Ciência da Informação. A conjugação entre Big Data e visualização de
dados delimita uma nova fronteira para o campo da Ciência da Informação, recuperando ou
complexificando a pertinência da CI em estudar fenômenos relacionados ao fluxo
informacional em sistemas informatizados que lidam com a recuperação e processamento de
informações. Partindo desse arcabouço teórico, definimos o conceito de visualização de dados
como a técnica de transformar um conjunto complexo de dados em visualizações gráficas de
modo a constituir uma representação visível dos dados que estavam “invisíveis” e que passam a
ser manipulados por algoritmos em sistemas computacionais para a estruturação de um
conteúdo. Operacionalizamos o nosso objeto de estudo a partir da compreensão da visualização
de dados por considerar pertinente para o contexto de dados em abundância na ambiência
digital.
É pertinente saliente um aspecto dessa definição o fato das visualizações estarem para
além de mostrar dados ou números, estatísticas, puros e simples: contam histórias através dos
dados. Essa possibilidade ressaltada por Viégas conduz a uma reflexão da importância dos
Pesq. Bras. em Ci. da Inf. e Bib., João Pessoa, v. 12, n. 1, p. 219-228, 2017. 223
dados e, que estes dados podem ser aprofundados numa visualização, já que são complexas e
tendem a ter uma malha informacional maior que não se restringe a apenas apresentar, mas
explorar e analisar. Soma-se a essa afirmação que é preciso contextualizar os dados visando
estabelecer sentido, em direção a uma eficácia comunicativa em que “gráficos diferentes
contam histórias diferentes” (GRAY; CHAMBERS; BOUNEGRU, 2012, online). Como
alertam Segel e Heer (2010), às vezes os dados por si só não contam história de maneira mais
convincente, mas deve haver uma narrativa que relaciona as consequências reais e causar
impacto no interagente.
Segel e Heer (2010) estabelecem dois parâmetros que auxiliam na decodificação dos
dados complexos: a) Visualização assistida por informações (Information-assisted
visualization): É fornecido ao usuário um segundo formato de visualização que normalmente
exibe as informações sobre um conjunto de dados, mas também pode apresentar atributos da
visualização do processo, das propriedades dos resultados, ou das características dos
comportamentos de percepção do usuário. Com o aumento de tamanho e complexidade de
dados, a utilização de informações para ajudar a visualização será inevitável, e se tornará uma
necessidade e não uma opção; b) Visualização assistida por conhecimento (Knowledge-assisted
visualization). Nesta parte, o conhecimento do usuário é um aspecto indispensável, uma vez
que este pode atribuir cores e outros elementos dependendo do seu domínio de conhecimento.
Para Murray (2013), a visualização de dados também se configura num campo
interdisciplinar, e que na era dos grandes volumes de dados há uma "sobrecarga" que precisa
ser decodificada de um modo compreensível, em que o leitor possa entender visualmente a
mensagem que se queira passar. "A visualização de dados é um exercício poderoso. A
visualização de dados é a maneira mais rápida de comunicá-la aos outros" (MURRAY, 2013,
p.1). Por ser uma ferramenta ponderosa, a mesma pode ser usada para distorcer ou mascarar
informações verdadeiras. Contudo, ressalta o autor, se utiliza eticamente, o processo de
visualização pode auxiliar a enxergar o mundo de uma outra maneira, revelar padrões ocultos e
tendências que não estão disponíveis de uma outra forma. Em outras palavras, a visualização de
dados tem como especialidade contar histórias. Além disso, "visualização é um processo de
mapeamento de informações para imagens"(p.1). Para isso, criam-se regras e metodologias que
interpretam dados numa dinâmica muitas vezes complexa.
Partindo da questão de como a visualização de dados se comporta no âmbito da Ciência
da Informação, delimitamos nossa situação-problema buscando investigar o seu impacto a
partir da interface com o Big data e a Ciência de Dados em termos de construção de narrativas
disruptivas e seu impacto em termos de representação da informação por meio das tecnologias
e estratégias de visualização disponíveis para exploração de mega dados.
4 PROCEDIMENTOS METODOLÓGICOS
Para o percurso metodológico da pesquisa, procedemos com algumas estratégias
(quadro 1) visando compreender o fenômeno e o objeto delineado. Para tal empreendemos uma
pesquisa exploratória para dimensionamento da visualização de dados científicos e do
fenômeno do Data Science no campo da Ciência da informação. Ao mesmo tempo,
procedemos com uma pesquisa bibliográfica para estabelecimento do estado da arte e
recuperação histórico e de definições conceituais sobre visualização de dados científicos e dos
conceitos-chaves desta tese como Big Data, Ciência de Dados e visualização de dados.
Pesq. Bras. em Ci. da Inf. e Bib., João Pessoa, v. 12, n. 1, p. 219-228, 2017. 224
Utilizamos como fonte de pesquisa as bases de dados do Portal Periódicos Capes, Scielo, Web
of Science, Revistas científicas como International Journal of Big Data Intelligence, Journal of
the American Society for Information Science and Technology, IEEE Transactions, Informação
e Tecnologia, Tendências da Pesquisa Brasileira em Ciência da Informação, entre outros. A
pesquisa bibliográfica foi realizada no período de abril de 2015 a abril de 2017 (em andamento,
de acordo com o plano de trabalho proposto) e utilizamos como palavras-chave Big Data, Data
Science, Data visualization, Disruptive Innovation, Information Science e, em português,
Ciência de Dados, Visualização de Dados, Inovação Disruptiva, Ciência da Informação.
Quadro 1: Objetivos e estratégias de atuação metodológica
OBJETIVOS >>>>>>>>>>>>>>>>>>>>>>>> MÉTODO
OBJETIVO 1
Propor um modelo teórico-metodológico que possibilite a Ficha de observação, exploração de
expansão do entendimento das visualizações de dados categorias, mapeamento de experiências de
científicos, especificando as narrativas disruptivas em casos empíricos
ambientes digitais
OBJETIVO 2
Recuperar o contexto histórico da visualização de dados Revisão de bibliografia/Levantamento do
científicos e da Ciência de Dados em interface com a Estado da arte
Ciência da Informação na conjuntura de dados científicos.
OBJETIVO 3
Aprofundar o conceito de Visualização de Dados
considerando sua centralidade para a Ciência da Revisão de literatura
Informação
OBJETIVO 4
Estabelecer uma tipologia para a caracterização dos
modos e visualização de dados científicos, considerando Observação sistemática dos casos empíricos,
as particularidades dos formatos baseado nos princípios exploração dos dados
do Design da Informação.
Fonte: elaboração dos autores
Para a pesquisa adotamos modelo híbrido ou de triangulação para a coleta de dados por
considerar que o objeto se caracteriza pela natureza complexa devido a sua vertente
interdisciplinar e de desenvolvimento. Para Machado e Palacios (2007) um modelo híbrido de
pesquisa como estratégia associa diferentes métodos a partir de três etapas, conforme
resumimos:
1. Revisão preliminar de bibliografia, com a identificação de objetos empíricos
ou organizações que possam se vincular ao objeto de estudo;
2. Delimitação do objeto e construção de hipóteses de trabalho, além de apontar
o corpus de estudos de caso representativos para a pesquisa de campo;
3. Elaboração de categorias de análise, processamento dos dados e delimitações
de conceitos-chaves para o objeto de pesquisa, prevendo, portanto, ampliação da revisão
Pesq. Bras. em Ci. da Inf. e Bib., João Pessoa, v. 12, n. 1, p. 219-228, 2017. 225
bibliográfica e atenção ao referencial teórico utilizado para compreensão teórico-
conceitual do fenômeno.
Após a coleta, submeteremos os resultados à análise e interpretação à luz do referencial
teórico, numa abordagem quali-quantitativa que possa demonstrar as diferentes dimensões do
fenômeno e a comparação entre os casos em estudo. Por meio destes parâmetros formulamos
algumas etapas e estratégias para execução da pesquisa. Primeiro, realizaremos um estudo
exploratório para identificar as especificidades, configurando como um mapeamento dos casos
de visualização de dados científicos, de modo a delimitar mais adequadamente o objeto e
mapear o campo, além de uma ampla revisão de bibliografia para definições teórico-conceituais
do objeto e estabelecimento do estado da arte. Esta etapa já encontra-se em andamento desde o
início da tese e das orientações e prosseguirá em todo o seu decorrer como processo intrínseco
da revisão de literatura e de monitoramento do fenômeno considerando o aspecto de inovação
envolvido.
Segundo, o corpus da pesquisa está sendo selecionado a partir de casos empíricos
representativos e vinculados à perspectiva de inovação e de uso de dados científicos e dados
abertos para observação à luz da Ciência de Dados com desdobramento para a Ciência da
Informação. A escolha desses casos levará em consideração a representatividade dos mesmos
por meio da delimitação do objeto de tese e da perspectiva do panorama com o
desenvolvimento sistemático de narrativas com a exploração dos elementos da visualização de
dados na Web.
A terceira etapa se refere à definição conceitual dos objetos selecionados. Após a
revisão de literatura e seleção do corpus, é necessário o estabelecimento das categorias de
análise e construção dos conceitos. “Toda construção teórica [...], é um sistema cujos eixos são
os conceitos e as categorias de análise, unidade de significação que definem a sua forma e o seu
conteúdo” (PALACIOS; MACHADO, 2007, p. 207).
Neste sentido, pretendemos remeter a observação e a análise aos objetos empíricos de
referência que representem experiências no que se refere à visualização de dados científicos.
Devido à natureza mutante do objeto, a pesquisa pretende seguir os rastros dessas experiências
para poder delimitar os formatos e linguagens adotadas nas visualizações. A análise e
interpretação de dados se darão à luz da análise de conteúdo (BARDIN, 2009) e numa
abordagem quali-quantitativa para demonstrar as diferentes dimensões do fenômeno.
5 CONSIDERAÇÕES FINAIS
Neste sentido, pretendemos contribuir para o Campo da Ciência da Informação com
pesquisa que complexifique a relação entre visualização de dados científicos e Big data a partir
da perspectiva da Ciência de Dados. Em decorrência da emergência do fenômeno,
compreendemos que estamos diante de um desafio para a cultura de dados na Ciência da
Informação e, ao mesmo tempo, contribuição para o estado da arte sobre a temática que
permita avançar em termos de compreensão sobre novos formatos de visualização.
A investigação caminha, dentro do seu plano de trabalho, para o aprofundamento da
coleta de novos dados que permitam a caracterização das visualizações de dados em contexto
de Ciência de Dados e da Ciência da Informação e seus desdobramentos para os estudos sobre
Pesq. Bras. em Ci. da Inf. e Bib., João Pessoa, v. 12, n. 1, p. 219-228, 2017. 226
a cultura dos dados e contribuição para o estado da arte da temática a partir dos objetivos
propostos.
REFERÊNCIAS
BARDIN, L. Análise de Conteúdo. Lisboa, Portugal; Edições 70, LDA, 2009.
BARLOW, M. The culture of Big Data. Sebastapol-CA: O`Reilly Media, 2013.
BORGMAN, C. Big data, little data, no data. Scholarship in the networked world.
Cambridge-London: The MIT Press, 2015. (Kindle version).
CAIRO, A. El arte funcional: infografía y visualización de información. Madrid: Alamut,
2012.
CONWAY, D. (2003). The data science venn diagram. Disponível em: [Link]
Acesso em: 22 out 2016.
DUR, B. U. Data Visualization and Infographics in Visual Communication Design
Education at the Age of Information. TOBB University of Economics and Technology,
Faculty of Fine Arts, Design & Architecture, Department of Visual Communication Design.
2014.
GRAY, J. BOUNEGRU, L. CHAMBERS, L. (Ed.). The Data Journalism Handbook. How
Journalists Can Use Data to Improve the News. Sebastopol: O´Reilly Media, 2012.
LEMOS, A. Cibercultura, tecnologia e vida social na cultura contemporânea. Porto
Alegre: Sulina, 2002.
MANOVICH, L. Trending: The Promises and the Challenges of Big Social Data. Disponível
em: [Link] Acesso em: 3 jun. 2015.
MEIRELES, I. Visualizing data: new pedagogical challenges. Spinillo, Farias & Padovani
(Eds). Selected Readings of the 4th Information Design International Conference. São Paulo:
SBDI | Brazilian Society of Information Design, 2010.
MURRAY, S. Interactive Data Visualization for the Web. Sebastopol: O´Reilly Media,
2013.
PALACIOS, M; MACHADO, E. Modelos de jornalismo digital. Salvador:
Calhandra/Edições GJol, 2003.
PORTO, F.; ZIVIANI, A. Ciência de Dados. 2014. Disponível em [Link]
Acesso em 24 dez. 2016.
RODRIGUES, A. A. Infografia em base de dados no jornalismo digital. (dissertação de
mestrado) - FACOM, UFBA, Salvador, 2009. Disponível: [Link] Acesso em:
20 maio 2014.
Pesq. Bras. em Ci. da Inf. e Bib., João Pessoa, v. 12, n. 1, p. 219-228, 2017. 227
SEGEL, E; HEER, J. Narrative visualization: Tellingstories with data. Visualization and
Computer Graphics, IEEE Transactions on, 16(6):1139–1148, 2010
STANTON, J. An Introduction data science. Syracuse Universit’ys School of Information
Studies, 2012.
STREIB, F. E; MOUTARI, S; DHEMER, M. The Process of Data in the Emergent Feature
of Data Science. Frontiers in Genetics. Volume 7 February 2016.
TIERNEY, B. Data Science is multidisciplinary. 2016. Disponível em: [Link]
Acesso em: 25 out 2016
VIÉGAS, F. Designer explica como a visualização de dados pode ser atraente. Rio de
Janeiro, TV Globo, 20 jun. 2013. Entrevista a Globo Universidade. Disponível em:
[Link] Acesso em: 4 jul. 2016.
ZHU, Y. Y; XIONG, Y. (2011) Dataology and Data Science: Up to Now. Retrieved from the
World Wide Web November 16, 2014: [Link] Acesso em: 22 out. 2016.
Pesq. Bras. em Ci. da Inf. e Bib., João Pessoa, v. 12, n. 1, p. 219-228, 2017. 228