Gains :
- Possibilité de choisir le type de graphique approprié au message que vous souhaitez transmettre (comparaison, tendance, distribution, relation)
- Possibilité d'éviter de réaliser des graphiques avec des données constituées par l'intelligence artificielle en s'assurant que chaque nombre sous le graphique provient de ses propres données réelles.
- Capacité à contrôler les conceptions trompeuses telles que les axes cassés et les échelles disproportionnées et à produire des visuels accessibles et honnêtes
Quelle que soit la solidité des résultats d’une recherche, ils ne servent à rien s’ils ne sont pas compris. La visualisation des données est l'art de regrouper des données numériques et catégorielles dans des graphiques, des tableaux et des diagrammes afin que le lecteur puisse voir le modèle d'un seul coup d'œil. Un bon graphique réduit des milliers de lignes de données en un seul message ; Un mauvais graphique peut donner l’impression que même des données précises sont trompeuses. Dans cette unité, vous apprendrez à utiliser l'IA pour choisir le bon type de graphique, rédiger un code de visualisation, organiser des tableaux et présenter honnêtement les résultats.
Le rôle de l’IA dans la visualisation est double. La première est la consultation : « quel graphique est approprié pour ces données ? répond bien à la question ; comme un graphique à barres pour les comparaisons de deux catégories, un graphique linéaire pour les changements au fil du temps et, s'il est utilisé avec précaution, un graphique circulaire pour les parties d'un tout. La seconde est la génération de code : rédaction de code graphique pour des outils tels que R (ggplot2) ou Python (matplotlib, seaborn). Mais attention : les chiffres situés sous le graphique produit par l’IA doivent provenir de vos données réelles ; Un joli graphique que l'IA produit avec des "échantillons de données" n'est pas votre découverte. De plus, l’IA peut, sans le savoir, suggérer un graphique trompeur (axe pointillé, échelle disproportionnée) ; Le contrôle d’intégrité vous appartient.
Pas à pas : des données au graphique honnête
1. Identifiez le message. Chaque graphique doit répondre à une seule question : « Qu'est-ce que je veux montrer ? » Comparaison, tendance, répartition, relation ? Le type de graphique ne peut pas être sélectionné tant que le message n'est pas clair.
2. Choisissez le type de graphique correct. Le type varie en fonction du message. L'IA donne des suggestions raisonnées à la question « Je veux afficher ces données avec ce message, quel graphique ? »
3. Appliquez les règles d’intégrité. L’axe doit-il partir de zéro, l’échelle est-elle proportionnelle, les couleurs sont-elles trompeuses ? L'IA vous aide à vérifier si un graphique est trompeur.
4. Rédigez du code et exécutez-le avec VOS données. Laissez l’IA écrire le code graphique ; Exécutez-le avec vos propres données réelles et vérifiez le résultat.
5. Rendez-le accessible. Palettes adaptées aux daltoniens, étiquettes claires, titres lisibles. L’IA suggère ces améliorations.
Astuce : Un moyen simple de tester l'honnêteté d'un graphique : "Comment quelqu'un avec de mauvaises intentions pourrait-il rendre ce graphique trompeur ?" c'est demander. L’axe y en pointillés fait paraître la petite différence énorme ; Une période de temps sélectionnée peut inverser une tendance. Demandez à l'IA de scanner ces pièges.
trois mini-cases
Cas 1 — Axe trompeur corrigé. Dans un rapport, la différence entre les deux groupes (51 % contre 54 %) ressemblait à un « écart géant » sur un graphique avec l'axe des y commençant à 50. Lorsque l'IA a suggéré que l'axe parte de zéro, la différence a été réduite à sa taille réelle, une petite différence. Le tableau est devenu honnête.
Cas 2 — Le bon type a permis de gagner du temps. Un chercheur disposait de données sur le taux de participation sur cinq ans, mais utilisait un diagramme circulaire ; La tendance ne s'est pas manifestée. YZ a proposé un « graphique linéaire pour le changement au fil du temps » et ggplot2 a rédigé le code. La tendance à la baisse est soudain devenue lisible.
Cas 3 — Faux piège à données. Lorsqu'un utilisateur a demandé à l'IA un « graphique de l'utilisation des médias sociaux par les jeunes », l'IA a produit un magnifique graphique avec des chiffres inventés. L'utilisateur a failli le mettre dans le rapport ; Puis il s’est rendu compte que ces chiffres n’étaient pas ses données, mais l’invention de l’IA. Le graphique a été refait avec des données réelles.
Quatre modèles copiables
1) Sélection du type de graphique :
Je souhaite afficher les données suivantes : [description des données]. Le message que je veux transmettre : [comparaison/tendance/distribution/relation]. Suggérez les 2 types de graphiques les plus appropriés pour ce message, avec justification. Dites-moi pourquoi je devrais éviter les choses qui pourraient être trompeuses (par exemple un gâteau à plusieurs tranches).
2) Code de visualisation (je vais l'exécuter avec mes propres données) :
Esquissez un code [type de tracé] pour [R ggplot2 / Python matplotlib]. Mes variables : [x], [y], [groupe]. Écrivez le code avec des commentaires, recommencez les axes à partir de zéro, utilisez une palette de couleurs accessible, mettez les titres et les étiquettes en turc. Exemple de création de numéros ; Je vais connecter mes données.
3) Audit d'intégrité :
Je décris le graphique suivant : [graphique]. Cela pourrait-il être trompeur ? Vérifiez : l'axe est-il nul, l'échelle est-elle proportionnelle, l'intervalle de temps est-il sélectionné, les couleurs exagèrent-elles un groupe, l'effet 3D déforme-t-il la perception ? Suggérez des correctifs pour chaque risque.
4) Édition du tableau :
Convertissez les résultats bruts suivants en un tableau de résultats clair et lisible : [x] en lignes, [y] en colonnes, valeur en cellules et pourcentage si nécessaire. Arrondissez le nombre décimal de manière cohérente, indiquez la source dans une note de bas de page. Changer les numéros ; il suffit de modifier. Données : [ici]
Invite faible/Invite forte
Invite faible :
Donnez-moi un graphique impressionnant à ce sujet.
Le désir d’« impressionnant » encourage l’IA avec soit des données fabriquées, soit une conception trompeuse qui exagère la différence. Être impressionnant ne doit pas précéder d’être honnête.
Invite puissante :
Je veux un code de graphique à barres que je peux exécuter avec mes propres données. Mon message : montrer HONNÊTEMENT la différence de taux de participation entre les quatre groupes. L'axe doit partir de zéro, les couleurs doivent être adaptées au daltonisme et la différence ne doit pas être exagérée. [R/Python] Donnez le code, le numéro correspondant. Citez ensuite 3 risques pour lesquels ce graphique pourrait devenir trompeur.
La différence : la deuxième invite se concentre sur l'honnêteté, l'accessibilité et les données réelles.
Type de graphique par message
Message
graphique approprié
A éviter
Comparaison des catégories
graphique à barres
Gâteau 3D multi-tranches
changer avec le temps
graphique linéaire
gâteau
diffusion
Histogramme, diagramme en boîte
moyenne unique
Relation à deux variables
dispersion
tige
parties du tout
Barre empilée/quatre-quarts
Gâteau multi-tranches
Erreurs courantes
- Créer des graphiques avec des données constituées par l'IA. Chaque chiffre au bas du graphique doit provenir de vos données réelles.
- Exagérer la différence avec l'axe pointillé. Il est trompeur de donner l’impression qu’une petite différence est énorme.
- Choisir un genre qui ne correspond pas au message. C'est comme montrer la tendance du temps avec une tarte.
- Oublier l'accessibilité. Les groupes séparés uniquement par couleur excluent le lecteur daltonien.
- Mettre « impressionnant » avant « honnête ». Le but du visuel n’est pas la persuasion, mais une communication correcte.
En résumé
La visualisation des données est le moyen de communiquer honnêtement et clairement vos conclusions au lecteur. IA ; Il s'agit d'une aide puissante pour suggérer le bon type de graphique, rédiger un code de visualisation, éditer des tableaux et vérifier les conceptions trompeuses. Mais chaque chiffre au bas du graphique doit provenir de vos données réelles ; Un beau graphique produit par les « échantillons de données » de l'IA n'est pas votre découverte. Rendez le message clair, choisissez le bon genre, gardez l'axe et l'échelle honnêtes, rendez-le accessible et ne mettez jamais « impressionnant » avant « honnête ».
Tâche de candidature
Choisissez un petit ensemble de faits ou de données que vous avez vous-même collectés. Choisissez le type qui convient à votre message avec le modèle « Sélection du type de graphique ». Avec le modèle « code de visualisation », prenez le code de l'IA et exécutez-le sur vos propres données (jamais avec des chiffres que l'IA a inventés). Tracez les mêmes données avec un axe en pointillés, placez les deux graphiques côte à côte et montrez comment la différence est exagérée avec le modèle « vérification d'honnêteté ».
liste de contrôle
- [ ] J'ai clarifié le message unique que le graphique tente de transmettre.
- [ ] J'ai choisi le type graphique approprié pour le message avec justification.
- [ ] J'ai généré le graphique avec ma propre sortie réelle, pas une fabrication IA.
- [ ] J'ai commencé l'axe à zéro et j'ai gardé l'échelle proportionnelle.
- [ ] J'ai utilisé des couleurs accessibles et des étiquettes claires.