白宮冠狀病毒工作隊成員在新聞發布會上引用了一個誤導性圖表。 美聯社照片/ Alex Brandon
自從在洞穴牆壁上繪畫的時代以來，人們就一直通過數字和圖像來表示信息。 如今，數據可視化專家知道 視覺呈現信息 幫助人們更好地了解 複雜數據。 問題在於，數據可視化還會使您產生錯誤的想法-圖像製作不當還是有意誤導。
例如，在 6月XNUMX日新聞發布會 由白宮冠狀病毒特別工作組的成員。 它的標題為“美國的COVID-19測試”，並說明到那時為止已完成了近2萬例冠狀病毒測試。 特朗普總統使用圖表支持他的斷言，即測試是“迅速上升。” 基於此圖，許多觀眾可能得出了相同的結論-但這是不正確的。
該圖顯示了過去幾個月執行的測試總數，而不是每天的新測試次數。
當按日期繪製新測試的數量時，您會看到19月和XNUMX月之間執行的COVID-XNUMX測試的數量確實隨著時間的推移而增加，但並沒有很快增加。 當重要信息沒有正確理解或很好地傳達時，這種情況就是其中之一。
作為一個 危害與風險溝通研究員，我對人們如何解釋圖表，圖形進行了很多思考 和地圖 他們每天都遇到。
無論它們顯示的是COVID-19病例，全球變暖趨勢，高風險的海嘯區域還是公用事業的使用，能夠正確評估和解釋數字都可以使您做出明智的決定。 不幸的是，並非所有數字都是平等的。
如果您可以發現人物的陷阱，則可以避免不良的陷阱。 下次您看到圖形，地圖或其他可視數據時，請考慮以下三個關鍵問題，以便您可以自信地決定如何處理新信息。
這個數字想告訴我什麼？
首先閱讀標題，查看標籤並檢查標題。 如果這些都不可用，請非常小心。 標籤將在圖表的水平和垂直軸上，或在地圖上的圖例中。 人們通常會忽略它們，但是此信息對於將可視化中看到的所有內容置入上下文至關重要。
看一下度量單位–是天還是年，攝氏度或華氏度，計數，年齡或什麼？ 它們是否沿軸均勻分佈？ 最近的許多COVID-19累積案例圖都使用對數標度，其中沿垂直軸的間隔沒有等距分佈。 這使人們感到困惑 不熟悉此格式。
12月XNUMX日播出的“ The Rachel Maddow Show”中包含一張帶有未標記數字和水平軸的圖形。
例如，來自“MSNBC上的“瑞秋·馬多秀”，顯示了21月11日至XNUMX月XNUMX日在美國的冠狀病毒病例。水平的x軸單位是時間（以月日格式），垂直的y軸單位是累計病例數，不過它沒有指定。
此圖的主要問題是連續日期之間的時間間隔不均勻。
在修改後的圖表中，日期與時間之間的間隔適當，並且冠狀病毒診斷以折線圖的形式繪製，您可以更清楚地看到 指數增長 感染率的確很高。 前30天增加了33例，但僅後四天增加了584例。
看起來有些細微的差異可以幫助人們理解指數級增長能飛快增長的速度，並可能改變他們對抑制這種增長的重要性的看法。
如何使用顏色，形狀，大小和透視圖？
顏色起著重要作用 人們如何解釋信息。 顏色選擇可以使您注意到特定的圖案，或將您的眼睛吸引到圖形的某些方面。
俄勒岡州滑坡易感性。 俄勒岡州地質礦產部
考慮兩個描述滑坡敏感性的地圖，除了反向配色方案外，它們完全相同。 您的眼睛可能會被深色調吸引，直覺上將這些區域視為高風險。 查看圖例後，您認為哪種顏色順序最能代表信息？ 通過關注 顏色如何使用，您可以更好地了解它如何影響突出的內容和您的感知。
特徵的形狀，大小和方向也會影響 您如何解釋人物.
哪些行業僱用科羅拉多州？ 半球
像這樣的餅圖顯示了一個地區的就業細分，眾所周知，它很難解析。 請注意，找出哪個就業類別最高或他們如何排名是多麼困難。 餅圖的楔形圖不是按大小組織的，類別太多（11！），3D透視圖會使楔形圖大小變形，並且某些楔形圖與其他楔形圖分開，因此幾乎無法進行尺寸比較。
條形圖是信息顯示的更好選擇，並有助於顯示人員受僱的行業。
數據從哪裡來？
調查發佈在“今晚的路易斯·多布斯”上，要求觀眾在Twitter上對特朗普的表現進行投票。 福克斯商業網絡
數據的來源對質量和可靠性至關重要。 對於游擊黨或政治化的數據尤其如此。 如果數據不是從總體上很好地近似於一個群體收集的，則可能會有偏差。
例如，在18月XNUMX日，福克斯商業網絡主持人樓·多布斯（Lou Dobbs）向聽眾提問：“您如何評價特朗普總統在全國抗擊武漢病毒方面的領導才能？”
想像一下，如果只問共和黨人這個問題，以及如果只問民主黨人，結果如何比較。 在這種情況下，受訪者屬於一個自選小組的成員，他們已經選擇觀看Dobbs的節目。 例如，民意調查只能告訴您有關該小組的意見，而不能告訴您整個美國的情況。
然後，考慮多布斯在他的多項選擇中只能給出積極的回答，即“出色，出色或非常好”，並且很明顯，該數據存在偏差。
發現偏差和不正確的數據收集方法使您可以決定哪些信息值得信賴。
想一想你所看到的
在這種大流行期間，信息每小時都在出現。 媒體消費者每天都被事實，圖表，圖表和地圖淹沒。 如果您可以花一些時間問自己一些有關在這些數據可視化中看到的內容的問題，那麼您可能會得出與初看起來完全不同的結論。
關於作者
Carson MacPherson-Krutsky，地球科學博士學位候選人， 博伊西州立大學
