白宫冠状病毒工作队成员在新闻发布会上引用了一个误导性图表。 美联社照片/亚历克斯布兰登
自从在洞穴墙壁上绘画的时代以来，人们就一直通过数字和图像来表示信息。 如今，数据可视化专家知道 视觉呈现信息 帮助人们更好地了解 复杂数据。 问题在于，数据可视化还会使您产生错误的想法-图像制作不当还是有意误导。
例如，在 6月XNUMX日新闻发布会 由白宫冠状病毒特别工作组的成员。 它的标题为“美国的COVID-19测试”，并说明到那时为止已完成了近2万例冠状病毒测试。 特朗普总统使用图表支持他的断言，即测试是“迅速上升。” 基于此图，许多观众可能得出了相同的结论-但这是不正确的。
该图显示了过去几个月执行的测试总数，而不是每天的新测试次数。
当按日期绘制新测试的数量时，您会看到19月和XNUMX月之间执行的COVID-XNUMX测试的数量确实随着时间的推移而增加，但并没有很快增加。 当重要信息没有正确理解或很好地传达时，这种情况就是其中之一。
RedFern 危害与风险沟通研究员，我对人们如何解释图表，图形进行了很多思考 和地图 他们每天都遇到。
无论它们显示的是COVID-19病例，全球变暖趋势，高风险的海啸区域还是公用事业的使用，能够正确评估和解释数字都可以使您做出明智的决定。 不幸的是，并非所有数字都是平等的。
如果您可以发现人物的陷阱，则可以避免不良的陷阱。 下次您看到图形，地图或其他可视数据时，请考虑以下三个关键问题，以便您可以自信地决定如何处理新信息。
这个数字想告诉我什么？
首先阅读标题，查看标签并检查标题。 如果这些都不可用，请非常小心。 标签将在图表的水平和垂直轴上，或在地图上的图例中。 人们通常会忽略它们，但是此信息对于将可视化中看到的所有内容置入上下文至关重要。
看一下度量单位–是天还是年，摄氏度或华氏度，计数，年龄或什么？ 它们是否沿轴均匀分布？ 最近的许多COVID-19累积案例图都使用对数标度，其中沿垂直轴的间隔没有等距分布。 这使人们感到困惑 不熟悉此格式。
12月XNUMX日播出的“ The Rachel Maddow Show”中包含一张带有未标记数字和水平轴的图形。
例如，来自“MSNBC上的“瑞秋·马多秀”在21月11日至XNUMX月XNUMX日之间显示了美国的冠状病毒病例。水平的x轴单位是时间（以月日格式），垂直的y轴单位是累计病例数，不过它没有指定。
此图的主要问题是连续日期之间的时间间隔不均匀。
在修改后的图表中，日期与时间之间的间隔适当，并且冠状病毒诊断以折线图的形式绘制，您可以更清楚地看到 指数增长 感染率的确很高。 前30天增加了33例，但仅后四天增加了584例。
看起来有些细微的差异可以帮助人们理解指数级增长能飞快增长的速度，并可能改变他们对抑制这种增长的重要性的看法。
如何使用颜色，形状，大小和透视图？
颜色起着重要作用 人们如何解释信息。 颜色选择可以使您注意到特定的图案，或将您的眼睛吸引到图形的某些方面。
俄勒冈州滑坡易感性。 俄勒冈州地质矿产部
考虑两个描述滑坡敏感性的地图，除了反向配色方案外，它们完全相同。 您的眼睛可能会被深色调吸引，直觉上将这些区域视为高风险。 查看图例后，您认为哪种颜色顺序最能代表信息？ 通过关注 颜色如何使用，您可以更好地了解它如何影响突出的内容和您的感知。
特征的形状，大小和方向也会影响 您如何解释人物.
哪些行业雇用科罗拉多州？ 半球
像这样的饼图显示了一个地区的就业细分，众所周知，它很难解析。 请注意，找出哪个就业类别最高或他们如何排名是多么困难。 饼图的楔形图不是按大小组织的，类别太多（11！），3D透视图会使楔形图大小变形，并且某些楔形图与其他楔形图分开，因此几乎无法进行尺寸比较。
条形图是信息显示的更好选择，并有助于显示人员受雇的行业。
数据来自哪里？
调查发布在“今晚的路易斯·多布斯”上，要求观众在Twitter上对特朗普的表现进行投票。 福克斯商业网络
数据的来源对质量和可靠性至关重要。 对于游击党或政治化的数据尤其如此。 如果数据不是从总体上很好地近似于一个群体收集的，则可能会有偏差。
例如，18月XNUMX日，福克斯商业网络主持人楼·多布斯（Lou Dobbs）向听众提问“您如何评价特朗普总统在全国抗击武汉病毒方面的领导才能？”
想象一下，如果只问共和党人这个问题，以及如果只问民主党人，结果如何比较。 在这种情况下，受访者属于一个自选小组的成员，他们已经选择观看Dobbs的节目。 例如，民意调查只能告诉您有关该小组的意见，而不能告诉您整个美国的情况。
然后考虑道布斯在他的多项选择中只能给出肯定的回答，即“出色，出色或非常好”，并且很明显，该数据存在偏差。
发现偏差和不正确的数据收集方法使您可以决定哪些信息值得信赖。
想一想你所看到的
在这种大流行期间，信息每小时都在出现。 媒体消费者每天都被事实，图表，图表和地图淹没。 如果您可以花一些时间问自己一些有关在这些数据可视化中看到的内容的问题，那么您可能会得出与初看起来完全不同的结论。
关于作者
Carson MacPherson-Krutsky，地球科学博士学位候选人， 博伊西州立大学
