भ्रामक विज़ुअलाइज़ेशन से बचना: ग्राफिक नैतिकता और सत्यनिष्ठा

लाभ:

• सामान्य विरूपण तकनीकों जैसे धराशायी अक्ष, 3डी प्रभाव, क्षेत्र का भ्रम, चेरी चुनना, और अपसामान्यीकरण को पहचानें।
• कृत्रिम बुद्धिमत्ता का उपयोग 'इसे प्रभावशाली बनाने' के लिए नहीं बल्कि एक ईमानदारी जांचकर्ता के रूप में करने और ग्राफ़ से एक पठनीय और ईमानदार आउटपुट का अनुरोध करने की क्षमता
• अक्ष, पैमाने, प्रकार, सीमा, सामान्यीकरण, लेबल और पहुंच के लिए चार्ट को जांचने और सही करने की क्षमता

एक ग्राफ़ अपने सबसे खतरनाक स्तर पर नहीं होता; यह गुमराह करता है. यह तकनीकी रूप से "सही" डेटा का उपयोग करता है लेकिन इसे इस तरह से प्रस्तुत करता है कि आंख धोखा खा जाती है। कृत्रिम बुद्धिमत्ता के युग में, यह जोखिम बढ़ गया है, क्योंकि मॉडल अक्सर "ईमानदार" की तुलना में "प्रभावशाली" को प्राथमिकता देता है और यदि आप ध्यान नहीं देते हैं तो तुरंत भ्रामक ग्राफ तैयार कर देता है। यह इकाई आपको सामान्य विरूपण तकनीकों को पहचानना, ईमानदारी जांचने वाले के रूप में एआई का उपयोग करना और इन जालों से अपने स्वयं के चार्ट को साफ़ करना सिखाती है।

सबसे आम धोखे की तकनीक

आइए कुछ अवधारणाओं को ठोस उदाहरणों के साथ देखें।

• काट दिया गया अक्ष: y अक्ष 0 से शुरू नहीं होता है, बल्कि मान लीजिए, 90 से शुरू होता है; एक छोटा सा अंतर बहुत बड़ा लगता है. 2% की वृद्धि 50% की तरह दिखती है।
• दोहरी/उलटा अक्ष: दो अलग-अलग y-अक्षों के साथ इच्छानुसार दो श्रृंखलाओं को "एक साथ चलते हुए" दिखाना।
• 3डी और वॉल्यूम: त्रि-आयामी पाई/बार सामने वाले हिस्से को उससे बड़ा दिखाता है; मूल्य मात्रा के साथ भ्रमित है।
• क्षेत्र भ्रम: एक वृत्त के व्यास के साथ एक मान का प्रतिनिधित्व करना और क्षेत्र को गुणा करना (और इसलिए धारणा)।
• उलटा/स्थानांतरित अक्ष: Y-अक्ष को उल्टा करना और वृद्धि को कमी जैसा दिखाना (इसके कुख्यात उदाहरण हैं)।
• चेरी-चुनना: उस समयावधि/खंड का चयन करना जो कथा के अनुकूल हो और बाकी को छिपाना।
• गैर-सामान्यीकरण: जनसंख्या/आधार से विभाजित किए बिना पूर्ण संख्या की तुलना करना (बड़ा शहर हर चीज में "अग्रणी" दिखाई देता है)।
• ग़लत कुल: पाई स्लाइस का योग 100% तक नहीं हो रहा है, श्रेणियां ओवरलैप हो रही हैं।

तकनीकी

यह कैसे गुमराह कर सकता है?

ईमानदार विकल्प

धराशायी y-अक्ष

एक छोटा सा फर्क बड़ा कर देता है

अक्ष 0 से प्रारंभ करें

3डी केक/बार

परिप्रेक्ष्य मूल्य को विकृत करता है

सादा (2डी) बार

क्षेत्रफल/व्यास

क्षेत्रफल को 4× तक बढ़ा देता है

रैखिक पैमाने, स्पष्ट लेबल

चेरी चुनना

बाहरी अवधि को छुपाता है

संपूर्ण अवधि दिखाएँ

असामान्यीकरण

बड़े आधार को सामने रखता है

दर/प्रति व्यक्ति

दोहरी धुरी

झूठा रिश्ता बनाता है

एकल अक्ष या अलग चार्ट

सावधानी: बार चार्ट के लिए "अक्ष 0 से शुरू होना चाहिए" नियम लगभग पूर्ण है (बार की लंबाई मान का प्रतिनिधित्व करती है)। कभी-कभी लाइन चार्ट पर संकीर्ण सीमा वैध होती है, लेकिन फिर इसे स्पष्ट करें; अंतर को बढ़ा-चढ़ाकर बताने के लिए ऐसा कभी न करें।

कृत्रिम बुद्धिमत्ता को अखंडता जांचकर्ता बनाना

सबसे शक्तिशाली उपयोगों में से एक: मॉडल द्वारा आपके स्वयं के चार्ट की आलोचना करना। भ्रामक वस्तुओं से बचने के लिए स्क्रीनशॉट या विवरण प्रदान करें।

आपकी भूमिका: डेटा विज़ुअलाइज़ेशन एथिक्स ऑडिटर। भ्रामक होने के लिए इस चार्ट की जाँच करें (छवि संलग्न / विवरण: [ ... ])। इन्हें एक-एक करके जाँचें और यदि आप पाते हैं तो चिह्नित करें: 1) क्या y-अक्ष 0 से शुरू होता है? क्या कोई क्लिपिंग है? 2) क्या 3डी/वॉल्यूम प्रभाव मूल्य को विकृत करता है? 3) क्या मूल्य क्षेत्र/व्यास द्वारा अतिरंजित है? 4) क्या किसी को समय अवधि/खंड (चेरी चुनना) चुनना चाहिए? 5) क्या यह एक पूर्ण संख्या या सामान्यीकृत होना चाहिए? 6) क्या दोहरी धुरी एक नकली संबंध बनाती है? 7) क्या यह रंग-अंध व्यक्ति के लिए पठनीय है? प्रत्येक समस्या के लिए ठोस समाधान सुझाएं। मैं चाहता हूं कि यह ईमानदार हो, न कि केवल 'अच्छा'।

चार्ट से स्वतंत्र रूप से किसी दावे का ऑडिट करने के लिए:

निम्नलिखित ग्राफ़िक दावा: "[दावा]"। क्या यह दावा डेटा द्वारा ईमानदारी से समर्थित है? अक्ष, पैमाने, चयनित सीमा और सामान्यीकरण के लिए मूल्यांकन करें। ऐसा कौन सा डेटा छिपाया गया होगा जो दावे को कमज़ोर करता है? ग्राफ़/डेटा: [...]।

कदम दर कदम: ईमानदारी से एक चार्ट पास करना

1. अक्ष की जाँच करें. क्या बार चार्ट पर y 0 से है? क्या कोई कटिंग है?
2. पैमाने की जाँच करें. रैखिक या लघुगणकीय? क्या लॉग निर्दिष्ट है?
3. प्रकार की जाँच करें. क्या 3डी, आयतन या क्षेत्रफल के बारे में कोई ग़लतफ़हमी है?
4. दायरा जांचें. संपूर्ण अवधि/खंड या चयनित?
5. सामान्यीकरण की जाँच करें. क्या प्रति व्यक्ति/दर आवश्यक है?
6. लेबल और स्रोत की जाँच करें. क्या यह इकाई, अवधि, स्रोत कहता है?
7. पहुंच की जांच करें. क्या रंग-अंध लोगों के लिए कोई भेद है?

तीन मिनी मामले

केस 1 - काटी गई धुरी। एक कंपनी ने अपने प्रतिस्पर्धी पर अपनी श्रेष्ठता दिखाने के लिए 95 से शुरू होने वाले y-अक्ष के साथ एक बार चार्ट बनाया था; 96 और 98 के बीच का अंतर दुगुना लग रहा था। प्रेस में जाने से पहले इसका निरीक्षण किया गया था, अक्ष 0 पर सेट था। वास्तविक अंतर 2% था; भ्रामक ग्राफ़िक ने एक प्रतिष्ठित जोखिम प्रस्तुत किया।

केस 2 - सामान्यीकरण। एक नगर पालिका ने कहा, "हम वह जिला हैं जो सबसे अधिक पेड़ लगाते हैं"; लेकिन वे सबसे बड़े जिले थे। जब हम प्रति व्यक्ति पेड़ों की संख्या (सामान्यीकृत) देखते हैं, तो वे छठे स्थान पर आ जाते हैं। कृत्रिम बुद्धिमत्ता ने इस अंतर को प्रदर्शित किया; प्रस्तुतिकरण को "प्रति व्यक्ति" मीट्रिक द्वारा ईमानदार बनाया गया था।

केस 3 - चेरी चुनना। एक निवेश प्रस्तुति में केवल पिछली 4 तिमाहियों की वृद्धि दिखाई गई; पिछले दो वर्षों के उतार-चढ़ाव छुपे हुए थे। ऑडिट में सारा इतिहास जोड़ा गया. निवेशक ने कहा "कम से कम वह ईमानदार है" और आत्मविश्वास बढ़ गया; यदि इसे छुपाया गया होता तो बाद में पता चलने पर यह और भी बुरा होता।

कमजोर संकेत/मजबूत संकेत

कमज़ोर:

इस ग्राफ़िक को और अधिक प्रभावशाली बनाएं.

"प्रभावशाली" की चाहत मॉडल को धोखे की तकनीकों (एक्सिस कटिंग, 3डी, जोर मुद्रास्फीति) की ओर धकेलती है।

मजबूत:

आपकी भूमिका: डेटा विज़ुअलाइज़ेशन एथिक्स ऑडिटर। इस बार चार्ट को अधिक पठनीय और अधिक ईमानदार बनाएं: y-अक्ष को 0 से प्रारंभ करें, 3D/छाया हटाएं, बार को मान के आधार पर क्रमबद्ध करें, एकल हाइलाइट रंग का उपयोग करें, इकाई और स्रोत जोड़ें। अंतर को बढ़ा-चढ़ाकर दिखाने के लिए कुछ भी न करें; असली अंतर सामने आने दीजिए. ग्राफ़िक:[...].

दूसरा "प्रभावशाली" के बजाय "पठनीय + ईमानदार" की मांग करता है और प्रत्येक ईमानदारी नियम को एक-एक करके लागू करता है।

सामान्य गलतियाँ

• बार में धराशायी अक्ष: अंतर को बढ़ा-चढ़ाकर दिखाने का सबसे आम तरीका।
• 3डी/वॉल्यूम प्रभाव: परिप्रेक्ष्य मूल्य को विकृत करता है; इसका प्रयोग कभी न करें.
• क्षेत्रफल/व्यास के साथ मान: वृत्त को बड़ा करके धारणा को गुणा करना।
• चेरी चुनना: उचित अवधि का चयन करना और बाकी को छिपाना।
• असामान्यीकरण: पूर्ण संख्या के साथ अनुचित तुलना।
• "इसे प्रभावशाली बनाएं" का अर्थ है: मॉडल में विकृति को आमंत्रित करना।
• लॉग स्केल निर्दिष्ट नहीं करना: इसे समझाए बिना लॉगरिदमिक अक्ष का उपयोग करना।

संक्षेप में

भ्रामक ग्राफ़िक्स बिना झूठ बोले धोखा देते हैं: ट्रंकेटेड एक्सिस, 3डी इफ़ेक्ट, एरिया इल्यूजन, चेरी पिकिंग, डीनॉर्मलाइज़ेशन और डबल एक्सिस सबसे आम जाल हैं। बार में, अक्ष को 0 से प्रारंभ करें, 3D का उपयोग न करें, संपूर्ण अवधि दिखाएं, जहां आवश्यक हो, सामान्य करें, इकाई और स्रोत लिखें। एआई का उपयोग एक अखंडता जांचकर्ता के रूप में करें, न कि "इसे प्रभावशाली बनाने" के लिए; मॉडल से सुपाठ्य और ईमानदार आउटपुट के लिए पूछें। चार्ट की ईमानदारी ही आपकी प्रतिष्ठा है।

आवेदन कार्य

आपके पास जो चार्ट है (या पाया गया है) उसे चुनें। (1) सात-आइटम ईमानदारी जांच (अक्ष, पैमाना, प्रकार, दायरा, सामान्यीकरण, लेबल, पहुंच) लागू करें। (2) एआई ने ऑडिटर की भूमिका में ग्राफ की आलोचना की है। (3) कम से कम दो भ्रामक वस्तुओं को ठीक करें। (4) एक ही डेटा को जानबूझकर भ्रामक और ईमानदार संस्करण के साथ तैयार करें और एक वाक्य में अंतर लिखें।

चेकलिस्ट

• [ ] बार चार्ट में, y-अक्ष 0 से शुरू होता है।
• [ ] कोई 3डी/वॉल्यूम/क्षेत्र भ्रम नहीं।
• [ ] सभी प्रासंगिक अवधि/खंड दिखा रहा है (कोई चेरी चुनना नहीं)।
• [ ] यदि आवश्यक हो, तो मैंने डेटा (प्रति व्यक्ति/दर) को सामान्य कर दिया।
• [ ] चार्ट में लिखी गई इकाई, अवधि और स्रोत।
• [ ] कलरब्लाइंड दर्शक के लिए भेद (आकार/लेबल) है।
• [ ] मैं चाहता था कि मॉडल "ईमानदार और पठनीय" हो, न कि "प्रभावशाली"।