Κέρδη:
- Δυνατότητα επιλογής του κατάλληλου τύπου γραφήματος για το μήνυμα που θέλετε να δώσετε (σύγκριση, τάση, διανομή, σχέση)
- Δυνατότητα αποφυγής δημιουργίας γραφημάτων με δεδομένα που δημιουργούνται από τεχνητή νοημοσύνη, διασφαλίζοντας ότι κάθε αριθμός κάτω από το γράφημα προέρχεται από τα δικά του πραγματικά δεδομένα.
- Δυνατότητα ελέγχου παραπλανητικών σχεδίων όπως σπασμένος άξονας και δυσανάλογη κλίμακα και παραγωγή προσβάσιμων, ειλικρινών εικαστικών
Όσο σταθερό κι αν είναι ένα ερευνητικό εύρημα, είναι άχρηστο αν δεν γίνει κατανοητό. Η οπτικοποίηση δεδομένων είναι η τέχνη της απόχυσης αριθμητικών και κατηγορικών δεδομένων σε γραφήματα, πίνακες και γραφήματα, ώστε ο αναγνώστης να μπορεί να δει το μοτίβο με μια ματιά. Ένα καλό γράφημα μειώνει χιλιάδες γραμμές δεδομένων σε ένα μόνο μήνυμα. Ένα κακό γράφημα μπορεί να κάνει ακόμα και τα ακριβή δεδομένα να φαίνονται παραπλανητικά. Σε αυτήν την ενότητα, θα μάθετε πώς να χρησιμοποιείτε την τεχνητή νοημοσύνη για να επιλέξετε τον σωστό τύπο γραφήματος, να σχεδιάσετε τον κώδικα οπτικοποίησης, να οργανώσετε πίνακες και να παρουσιάσετε τα ευρήματα με ειλικρίνεια.
Ο ρόλος του AI στην οπτικοποίηση είναι διπλός. Το πρώτο είναι η διαβούλευση: "ποιο γράφημα είναι κατάλληλο για αυτά τα δεδομένα;" απαντά καλά στην ερώτηση? όπως ένα γράφημα ράβδων για συγκρίσεις δύο κατηγοριών, ένα γραμμικό γράφημα για αλλαγές με την πάροδο του χρόνου και — εάν χρησιμοποιείται προσεκτικά — ένα γράφημα πίτας για μέρη ενός συνόλου. Το δεύτερο είναι η δημιουργία κώδικα: σύνταξη γραφικού κώδικα για εργαλεία όπως το R (ggplot2) ή η Python (matplotlib, seaborn). Αλλά να είστε προσεκτικοί: οι αριθμοί κάτω από το γράφημα που παράγει το AI πρέπει να προέρχονται από τα πραγματικά σας δεδομένα. Ένα ωραίο γράφημα που παράγει το AI με "δεδομένα δείγματος" δεν είναι το εύρημα σας. Επιπλέον, η τεχνητή νοημοσύνη μπορεί εν αγνοία της να προτείνει ένα παραπλανητικό γράφημα (διακεκομμένος άξονας, δυσανάλογη κλίμακα). Ο έλεγχος ακεραιότητας είναι δικός σας.
Βήμα προς βήμα: από τα δεδομένα στο ειλικρινές γράφημα
1. Προσδιορίστε το μήνυμα. Κάθε γράφημα πρέπει να απαντά σε μία ερώτηση: "Τι θέλω να δείξω;" Σύγκριση, τάση, διανομή, σχέση; Ο τύπος γραφήματος δεν μπορεί να επιλεγεί έως ότου το μήνυμα είναι καθαρό.
2. Επιλέξτε τον σωστό τύπο γραφήματος. Ο τύπος ποικίλλει ανάλογα με το μήνυμα. Η τεχνητή νοημοσύνη δίνει αιτιολογημένες προτάσεις στην ερώτηση "Θέλω να δείξω αυτά τα δεδομένα με αυτό το μήνυμα, ποιο γράφημα;"
3. Εφαρμόστε κανόνες ακεραιότητας. Αν ο άξονας ξεκινά από το μηδέν, είναι ανάλογη η κλίμακα, είναι παραπλανητικά τα χρώματα; Το AI σάς βοηθά να ελέγξετε εάν ένα γράφημα είναι παραπλανητικό.
4. Σχεδιάστε τον κώδικα και εκτελέστε τον με τα ΔΙΚΑ ΣΑΣ δεδομένα. Αφήστε το AI να γράψει τον κώδικα γραφικών. Εκτελέστε το με τα δικά σας πραγματικά δεδομένα και ελέγξτε το αποτέλεσμα.
5. Κάντε το προσβάσιμο. Παλέτες φιλικές προς την αχρωματοψία, καθαρές ετικέτες, ευανάγνωστοι τίτλοι. Το AI προτείνει αυτές τις βελτιώσεις.
Συμβουλή: Απλός τρόπος για να ελέγξετε την ειλικρίνεια ενός γραφήματος: "Πώς θα μπορούσε κάποιος με κακές προθέσεις να κάνει αυτό το γράφημα παραπλανητικό;" είναι να ρωτήσω. Ο διακεκομμένος άξονας y κάνει τη μικρή διαφορά να φαίνεται τεράστια. Μια επιλεγμένη χρονική περίοδος μπορεί να αντιστρέψει μια τάση. Ζητήστε από το AI να σαρώσει αυτές τις παγίδες.
τρεις μίνι θήκες
Περίπτωση 1 — Διορθώθηκε ο παραπλανητικός άξονας. Σε μια αναφορά, η διαφορά μεταξύ των δύο ομάδων (51% έναντι 54%) έμοιαζε με ένα "γίγαντα κενό" σε ένα γράφημα με τον άξονα y να ξεκινά από το 50. Όταν το AI πρότεινε ότι ο άξονας ξεκινά από το μηδέν, η διαφορά μειώθηκε στο πραγματικό του μέγεθος, μια μικρή διαφορά. Το γράφημα έγινε ειλικρινές.
Περίπτωση 2 — Το σωστό είδος εξοικονόμησε χρόνο. Ένας ερευνητής είχε δεδομένα ποσοστού συμμετοχής 5 ετών, αλλά χρησιμοποιούσε ένα γράφημα πίτας. Η τάση δεν εμφανίστηκε. Ο YZ πρότεινε ένα "γραμμικό γράφημα για αλλαγή με την πάροδο του χρόνου" και το ggplot2 συνέταξε τον κώδικα. Η πτωτική τάση έγινε ξαφνικά ευανάγνωστη.
Περίπτωση 3 — Παγίδα πλαστών δεδομένων. Όταν ένας χρήστης ζήτησε από το AI ένα «γράφημα χρήσης των μέσων κοινωνικής δικτύωσης από νέους», το AI δημιούργησε ένα όμορφο γράφημα με φτιαγμένους αριθμούς. Ο χρήστης σχεδόν το έβαλε στην αναφορά. Τότε συνειδητοποίησε ότι αυτοί οι αριθμοί δεν ήταν τα δεδομένα του, αλλά η εφεύρεση του AI. Το γράφημα έχει ανανεωθεί με πραγματικά δεδομένα.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Επιλογή τύπου γραφήματος:
Θέλω να εμφανίσω τα ακόλουθα δεδομένα: [περιγραφή δεδομένων]. Το μήνυμα που θέλω να δώσω: [σύγκριση/τάση/διανομή/σχέση]. Προτείνετε τους 2 πιο κατάλληλους τύπους γραφημάτων για αυτό το μήνυμα, με αιτιολόγηση. Πείτε μου γιατί πρέπει να αποφεύγω πράγματα που μπορεί να είναι παραπλανητικά (π.χ. κέικ με πολλές φέτες).
2) Κωδικός οπτικοποίησης (θα τον εκτελέσω με τα δικά μου δεδομένα):
Σχεδιάστε έναν κώδικα [τύπος πλοκής] για το [R ggplot2 / Python matplotlib]. Οι μεταβλητές μου: [x], [y], [ομάδα]. Γράψτε τον κωδικό με σχόλια, ξεκινήστε τους άξονες από την αρχή, χρησιμοποιήστε μια προσβάσιμη παλέτα χρωμάτων, βάλτε τους τίτλους και τις ετικέτες στα τούρκικα. Παράδειγμα δημιουργίας αριθμών. Θα συνδέσω τα δεδομένα μου.
3) Έλεγχος ακεραιότητας:
Περιγράφω το παρακάτω γράφημα: [γραφική παράσταση]. Θα μπορούσε να είναι παραπλανητικό; Ελέγξτε: είναι ο άξονας μηδέν, είναι η κλίμακα ανάλογη, έχει επιλεγεί το χρονικό διάστημα, τα χρώματα υπερβάλλουν μια ομάδα, το εφέ 3D παραμορφώνει την αντίληψη; Προτείνετε διορθώσεις για κάθε κίνδυνο.
4) Επεξεργασία πίνακα:
Μετατρέψτε τα ακόλουθα ακατέργαστα αποτελέσματα σε έναν καθαρό, ευανάγνωστο πίνακα αποτελεσμάτων: [x] σε σειρές, [y] σε στήλες, τιμή σε κελιά και ποσοστό, εάν χρειάζεται. Στρογγυλοποιήστε τον δεκαδικό αριθμό με συνέπεια, υποδείξτε την πηγή σε μια υποσημείωση. Αλλαγή αριθμών. απλά επεξεργαστείτε. Δεδομένα: [εδώ]
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Δώστε μου ένα εντυπωσιακό γραφικό για αυτό το θέμα.
Η επιθυμία για «εντυπωσιακό» ενθαρρύνει την τεχνητή νοημοσύνη είτε με κατασκευασμένα δεδομένα είτε με παραπλανητικό σχεδιασμό που υπερβάλλει τη διαφορά. Το να είσαι εντυπωσιακός δεν πρέπει να προηγείται της ειλικρίνειας.
Ισχυρή προτροπή:
Θέλω έναν κώδικα γραμμωτού γραφήματος που μπορώ να εκτελέσω με τα δικά μου δεδομένα. Το μήνυμά μου: να δείξω ΕΙΛΙΚΡΙΝΑ τη διαφορά στο ποσοστό συμμετοχής μεταξύ των τεσσάρων ομάδων. Ο άξονας πρέπει να ξεκινά από το μηδέν, τα χρώματα να είναι κατάλληλα για αχρωματοψία και η διαφορά δεν πρέπει να είναι υπερβολική. [R/Python] Δώστε κωδικό, προσαρμογή αριθμού. Στη συνέχεια, αναφέρετε 3 κινδύνους όπου αυτό το γράφημα θα μπορούσε να γίνει παραπλανητικό.
Η διαφορά: η δεύτερη προτροπή επικεντρώνεται στην ειλικρίνεια, την προσβασιμότητα και τα πραγματικά δεδομένα.
Τύπος γραφήματος ανά μήνυμα
Μήνυμα
κατάλληλο γραφικό
Να αποφεύγεται
Σύγκριση κατηγοριών
ραβδόγραμμα
3D, κέικ πολλών φετών
αλλάζουν με την πάροδο του χρόνου
γραμμικό διάγραμμα
κέικ
διανομής
Ιστόγραμμα, κουτί διάγραμμα
ενιαίος μέσος όρος
Σχέση δύο μεταβλητών
διασκορπίζω
ράβδος
μέρη του συνόλου
Στοιβαγμένο κέικ μπαρ/λίβρα
Τούρτα σε πολλές φέτες
Συνήθη λάθη
- Δημιουργία γραφημάτων με δεδομένα που δημιουργούνται από AI. Κάθε αριθμός στο κάτω μέρος του γραφήματος πρέπει να προέρχεται από τα πραγματικά σας δεδομένα.
- Υπερβάλλοντας τη διαφορά με τον διακεκομμένο άξονα. Είναι παραπλανητικό να κάνει μια μικρή διαφορά να φαίνεται τεράστια.
- Επιλέγοντας ένα είδος που δεν ταιριάζει στο μήνυμα. Είναι σαν να δείχνεις την τάση του χρόνου με μια πίτα.
- Ξεχνώντας την προσβασιμότητα. Οι ομάδες που χωρίζονται μόνο κατά χρώμα αποκλείουν τον αχρωματοψία.
- Βάζοντας το «εντυπωσιακό» πάνω από το «τίμιο». Ο σκοπός του οπτικού δεν είναι η πειθώ, αλλά η σωστή επικοινωνία.
Συνοπτικά
Η οπτικοποίηση δεδομένων είναι ο τρόπος για να μεταδώσετε τα ευρήματά σας με ειλικρίνεια και σαφήνεια στον αναγνώστη. ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ; Είναι ένα ισχυρό βοήθημα για την πρόταση του σωστού τύπου γραφήματος, τη σύνταξη κώδικα οπτικοποίησης, την επεξεργασία πινάκων και τον έλεγχο για παραπλανητικά σχέδια. Αλλά κάθε αριθμός στο κάτω μέρος του γραφήματος πρέπει να προέρχεται από τα πραγματικά σας δεδομένα. Ένα όμορφο γράφημα που παράγεται από τα "δεδομένα δείγματος" του AI δεν είναι το εύρημα σας. Κάντε το μήνυμα σαφές, επιλέξτε το σωστό είδος, διατηρήστε τον άξονα και την κλίμακα ειλικρινή, κάντε το προσβάσιμο και μην βάζετε ποτέ το «εντυπωσιακό» πάνω από το «τίμιο».
Εργασία εφαρμογής
Επιλέξτε ένα μικρό σύνολο γεγονότων ή δεδομένων που έχετε συλλέξει μόνοι σας. Επιλέξτε τον τύπο που ταιριάζει στο μήνυμά σας με το πρότυπο "Επιλογή τύπου γραφήματος". Με το πρότυπο "κώδικας οπτικοποίησης", πάρτε κώδικα από το AI και εκτελέστε τον στα δικά σας δεδομένα (ποτέ με αριθμούς που έχει φτιάξει το AI). Σχεδιάστε τα ίδια δεδομένα με διακεκομμένο άξονα, βάλτε τα δύο γραφήματα δίπλα-δίπλα και δείξτε πώς η διαφορά είναι υπερβολική με το πρότυπο "έλεγχος ειλικρίνειας".
λίστα ελέγχου
- [ ] Έχω διευκρινίσει το μοναδικό μήνυμα που προσπαθεί να μεταφέρει το γράφημα.
- [ ] Επέλεξα τον κατάλληλο γραφικό τύπο για το μήνυμα με αιτιολόγηση.
- [ ] Δημιούργησα το γράφημα με το δικό μου πραγματικό αποτέλεσμα, όχι μια κατασκευή τεχνητής νοημοσύνης.
- [ ] Ξεκίνησα τον άξονα στο μηδέν και κράτησα την κλίμακα ανάλογη.
- [ ] Χρησιμοποίησα προσιτές έγχρωμες και καθαρές ετικέτες.