تد

چطور یک نمودار گمراه کننده را شناسایی کنیم – لی گاسلویتز

اگر از نمودارها درست استفاده شود، می‌توانند به درک مستقیم مطالب پیچیده کمک کنند. اما همانطور که نرم‌افزارهای بصری استفاده از نمودار را در همه زمینه‌ها آسان کرده است، استفاده بی‌دقت و بی‌صداقت از آنها را هم راحت کرده است — و مشخص شده که راه‌های زیادی هست که نمودارها گمراه کننده باشند و دستکاری شده باشند. لی گاسلویتز چند نکته قابل بررسی را به اشتراک می‌گذارد. درس از لی گاسلویتز، انیمیشن از مارک فیلیپس.

متن سخنرانی – چطور یک نمودار گمراه کننده را شناسایی کنیم – لی گاسلویتز

یک برند خمیردندان ادعا می‌کند که محصول آنها جرم‌های بیشتری را از هر محصولی که تا به حال ساخته شده است از بین می‌برد. یک سیاست‌مدار می‌گوید که بیشترین شغل‌ها را ایجاد می‌کند. خیلی به شنیدن اینگونه بزرگنمایی‌ها در تبلیغات و سیاست عادت کرده‌ایم و دیگر حنایشان پیش ما رنگی ندارد.

اما وقتی که نموداری هم کنار ادعا قرار دارد چطور؟ هر چه باشد نمودار یک نظر صرف نیست. اعداد سفت سختی ارائه می‌کند و کی می‌تواند با آن در بیافتد؟ اما باز هم مشخص شده که راه‌های زیادی هست که نمودارها هم گمراه کننده و دستکاری شده باشند. در ادامه چند نکته برای جستجو بیان می‌شود. در این تبلیغ مربوط به سال ۱۹۹۲، شورلت با اتکا به این نمودار ادعا کرد که قابل اطمینان‌ترین وانت‌ها را می‌سازد.

نه تنها نشان می‌دهد ۹۸% از وانت‌های شورلت فروخته شده در سال گذشته هنوز در جاده هستند، به نظر می‌رسد دوبرابر بیش از وانت‌های تویوتا قابل اعتماد هستند. این تنها تا وقتی است که نگاهی به اعداد سمت چپ می‌اندازید و می‌بینید که نمودار تویوتا حدود ۹۶.۵% است. این مقیاس تنها بین ۹۵ تا ۱۰۰% قرار دارد.

اگر بین ۰ و ۱۰۰% بود این شکلی می‌شد. این یکی از پرکاربردترین راه‌ها است که با تحریف مقیاس نمودار اطلاعات دروغین ارائه می‌دهد. بزرگنمایی یک قسمت کوچک محور عمودی اختلاف بسیار جزئی چیزهایی که با هم مقایسه می‌کنیم را بسیار بزرگ نشان می‌دهد. و به خصوص در نمودارهای میله‌ای که اختلاف بین اندازه میله‌ها را متناسب با مقادیر می‌دانیم بسیار گمراه کننده است.

اما تحریف مقیاس در محور افقی هم انجام می‌شود، به خصوص وقتی در نمودارهای خطی تغییرات چیزی در طول زمان نشان داده می‌شود. در این نمودار نشان‌دهنده افزایش بیکاری در آمریکا از ۲۰۰۸ تا ۲۰۰۹ محور افقی به دو روش دستکاری شده است. اول از همه، مقیاس متغیر است، و ۱۵ ماه بعد از مارس ۲۰۰۹ فشرده شده تا کوتاه‌تر از شش ماه پیش از آن به نظر بیاید.

استفاده از نقاط داده دقیق‌تر می‌تواند تصویری متفاوت از روند تغییر بیکاری‌ها در انتهای سال ۲۰۰۹ ایجاد کند. و اگر بپرسید چرا در ابتدا در حال زیاد شدن بودند، محور زمان درست بعد از بزرگترین فروپاشی اقتصادی ایالات متحده بعد از افسردگی بزرگ شروع می‌شود. به این روش‌ها روش آلبالو چینی می‌گویند.

بازه زمانی را می‌توان طوری بادقت انتخاب کرد که تاثیر یک اتفاق بزرگ درست بعد از وقوع آن ناچیز جلوه داده شود. و انتخاب نقاط داده خاص می‌تواند تغییرات مهم میانی را پنهان کند. حتی وقتی که خود نمودار هیچ مشکلی نداشته باشد، جا انداختن اطلاعات مربوط می‌تواند باعث دریافت اشتباه شود.

این نمودار درباره بینندگان سالانه فوتبال نشان می‌دهد که شدت محبوبیت در حال انفجار است. اما افزایش جمعیت در آن لحاظ نشده است. رتبه بندی درواقع ثابت مانده است زیرا همانطور که تعداد بینندگان فوتبال زیاد شده است، اما سهم آنها از همه بینندگان تغییری نکرده است. در پایان، نمودار نمی‌تواند چیز زیادی به شما بگوید اگر از معنای کامل چیزی که ارائه می‌شود بی‌اطلاع باشید.

هردوی این نمودارها از اطلاعات یکسانی درباره دمای اقیانوس از مراکز اطلاعات محیط زیستی ملی استفاده کرده‌اند. پس چرا تصورات متضادی ایجاد می‌کنند؟ نمودار اول دمای میانگین سالانه اقیانوس را بین سال‌های ۱۸۸۰ تا ۲۰۱۶ نشان می‌دهد، و تغییرات ناچیز به نظر می‌رسند. اما در واقع، افزایش حتی نیم درجه سانتی گراد می‌تواند به فجایع عظیم زیست محیطی دامن بزند.

به همین دلیل است که نمودار دوم، که تغییرات دمای میانگین هر سال را نشان می‌دهد، معنی خیلی بیشتری دارد. اگر از نمودارها درست استفاده شود، می‌تواند به درک مستقیم مطالب پیچیده کمک کنند. اما همانطورکه نرم‌افزارهای بصری استفاده از نمودار را در همه زمینه‌ها آسان کرده است، استفاده بی دقت و بی صداقت از آنها را هم راحت کرده است.

پس دفعه بعد که نموداری دیدید غرق در خطوط و منحنی‌ها نشوید. به نامگذاری‌ها، اعداد، مقیاس‌ها، و محتوای آن دقت کنید، و ببینید تصویر چه داستانی را بیان می‌کند.

نوشته های مشابه

دکمه بازگشت به بالا