시각적 분석 (Visual Analytics, VA)은 머신러닝 (Machine Learning, ML) 워크플로우를 지원하는 데 있어 점점 더 중요한 역할을 하고 있습니다. 시각화 분야에서 이러한 접근 방식과 기술은 VIS4ML이라고 불립니다. ML 모델은 대부분 자동으로 학습되지만, 그에 상응하는 ML 워크플로우는 데이터 레이블링 (data labelling), 특징 공학 (feature engineering), 모델 아키텍처 설계 (model architecture designing), 하이퍼파라미터 튜닝 (hyper-parameter tuning) 등과 같은 다양한 인간의 입력을 받습니다. 본 연구에서는 인터랙티브 시각화 (interactive visualization)를 통해 인간이 어떻게 ML 워크플로우에 자신의 지식을 주입하는지 이해하기 위해 200편 이상의 VIS4ML 논문을 조사했습니다. 우리는 지난 10년 동안의 IEEE VIS 컨퍼런스에서 VIS4ML 논문 코퍼스 (corpus)를 수집했습니다. 우리는 ML의 특성, 시각화, 상호작용(interaction), 그리고 행동(actions)이라는 네 가지 관점에서 문헌 조사를 용이하게 하기 위한 코딩 체계 (coding scheme)를 개발했습니다. 코딩된 데이터셋의 분석을 통해, 우리는 인터랙티브 시각화를 통해 인간의 지식을 ML 워크플로우로 전달하는 다양한 경로를 관찰할 수 있었습니다. 이러한 분석을 바탕으로, 우리는 VA를 모델 구축으로 보는 개념적 모델과 VA를 ML 워크플로우 최적화를 위한 것으로 추론하는 정보 이론적 비용-편익 분석 (information-theoretic cost-benefit analysis)을 사용하여 VIS4ML 현상을 설명합니다. 본 연구는 ML 워크플로우에서 VA를 사용하는 것의 이점을 보여주는 명확한 증거를 제공합니다. 조사된 논문의 전체 목록은 모든 분석 결과 및 그림과 함께 https://vis4ml4hd.github.io/ml-knowledge-inject-va/ 에서 확인할 수 있습니다.