Gevinster:
- Evne til å velge riktig diagramtype for meldingen du vil gi (sammenligning, trend, distribusjon, forhold)
- Evne til å unngå å lage grafer med data laget av kunstig intelligens ved å sikre at hvert tall under grafen kommer fra sine egne virkelige data.
- Evne til å kontrollere villedende design som brutt akse og uforholdsmessig skala og produsere tilgjengelige, ærlige bilder
Uansett hvor solid et forskningsfunn er, er det ubrukelig med mindre det blir forstått. Datavisualisering er kunsten å helle numeriske og kategoriske data inn i grafer, tabeller og diagrammer slik at leseren kan se mønsteret med et øyeblikk. Et godt diagram reduserer tusenvis av datalinjer til én enkelt melding; Et dårlig diagram kan få til og med nøyaktige data til å se misvisende ut. I denne enheten lærer du hvordan du bruker AI til å velge riktig diagramtype, utkast til visualiseringskode, organisere tabeller og presentere funn ærlig.
Rollen til AI i visualisering er todelt. Den første er konsultasjon: "hvilken graf er passende for disse dataene?" svarer godt på spørsmålet; for eksempel et stolpediagram for sammenligninger av to kategorier, et linjediagram for endring over tid, og - hvis det brukes forsiktig - et sektordiagram for deler av en helhet. Den andre er kodegenerering: utkast til grafisk kode for verktøy som R (ggplot2) eller Python (matplotlib, seaborn). Men vær forsiktig: tallene under grafen AI produserer må komme fra dine virkelige data; En fin graf som AI produserer med "sample data" er ikke ditt funn. I tillegg kan AI ubevisst foreslå en misvisende graf (stiplet akse, uforholdsmessig skala); Integritetssjekken er din.
Trinn for trinn: fra data til ærlig diagram
1. Identifiser meldingen. Hvert diagram skal svare på ett enkelt spørsmål: "Hva vil jeg vise?" Sammenligning, trend, distribusjon, forhold? Karttypen kan ikke velges før meldingen er tydelig.
2. Velg riktig diagramtype. Typen varierer avhengig av meldingen. AI gir begrunnede forslag til spørsmålet "Jeg vil vise disse dataene med denne meldingen, hvilken graf?"
3. Bruk integritetsregler. Skal aksen starte fra null, er skalaen proporsjonal, er fargene misvisende? AI hjelper deg å sjekke om et diagram er misvisende.
4. Utkast kode og kjør den med DINE data. La AI skrive grafikkkoden; Kjør den med dine egne virkelige data og sjekk resultatet.
5. Gjør den tilgjengelig. Fargeblindhetsvennlige paletter, klare etiketter, lesbare titler. AI foreslår disse forbedringene.
Tips: Enkel måte å teste ærligheten til et diagram på: "Hvordan kan noen med dårlige intensjoner gjøre dette diagrammet misvisende?" er å spørre. Den stiplede y-aksen gjør at den lille forskjellen ser enorm ut; En valgt tidsperiode kan snu en trend. La AI skanne disse fellene.
tre minisaker
Tilfelle 1 — Misvisende akse korrigert. I en rapport så forskjellen mellom de to gruppene (51 % vs. 54 %) ut som et "gigantisk gap" på en graf med y-aksen som startet på 50. Da AI foreslo at aksen startet fra null, ble forskjellen redusert til dens faktiske størrelse, en liten forskjell. Diagrammet ble ærlig.
Tilfelle 2 — Den rette typen sparte tid. En forsker hadde 5 års deltakelsesratedata, men brukte et kakediagram; Trenden viste seg ikke. YZ foreslo et "linjediagram for endring over tid" og ggplot2 utarbeidet koden. Den nedadgående trenden ble plutselig lesbar.
Sak 3 — Falsk datafelle. Da en bruker spurte AI om en "graf over bruk av sosiale medier av unge mennesker", produserte AI en vakker graf med oppdiktede tall. Brukeren la det nesten inn i rapporten; Så skjønte han at disse tallene ikke var hans data, men oppfinnelsen av AI. Kartet er gjort om med ekte data.
Fire kopierbare maler
1) Valg av diagramtype:
Jeg ønsker å vise følgende data: [databeskrivelse]. Budskapet jeg vil gi: [sammenligning/trend/fordeling/forhold]. Foreslå de to mest passende diagramtypene for denne meldingen, med begrunnelse. Fortell meg hvorfor jeg bør unngå ting som kan være misvisende (f.eks. kake med flere skiver).
2) Visualiseringskode (jeg kjører den med mine egne data):
Skisser en [plotttype]-kode for [R ggplot2 / Python matplotlib]. Mine variabler: [x], [y], [gruppe]. Skriv koden med kommentarer, start aksene fra bunnen av, bruk en tilgjengelig fargepalett, sett titlene og etikettene på tyrkisk. Eksempel på nummerfremstilling; Jeg kobler til dataene mine.
3) Integritetsrevisjon:
Jeg beskriver følgende graf: [graf]. Kan det være misvisende? Sjekk: er aksen null, er skalaen proporsjonal, er tidsintervallet valgt, overdriver farger en gruppe, forvrenger 3D-effekten oppfatningen? Foreslå reparasjoner for hver risiko.
4) Tabellredigering:
Konverter følgende råresultater til en ren, lesbar resultattabell: [x] i rader, [y] i kolonner, verdi i celler og prosentandel om nødvendig. Rund desimaltallet konsekvent, angi kilden i en fotnote. Endre tall; bare rediger. Data: [her]
Svak forespørsel / Sterk forespørsel
Svak melding:
Gi meg en imponerende grafikk om dette emnet.
Ønsket om "imponerende" oppmuntrer AI med enten fabrikkerte data eller et villedende design som overdriver forskjellen. Å være imponerende bør ikke komme før å være ærlig.
Kraftig ledetekst:
Jeg vil ha en strekdiagramkode som jeg kan kjøre med mine egne data. Mitt budskap: for å vise ÆRLIGT forskjellen i deltakelse mellom de fire gruppene. Aksen skal starte fra null, fargene skal passe for fargeblindhet, og forskjellen skal ikke overdrives. [R/Python] Oppgi kode, nummertilpasning. Nevn så 3 risikoer der denne grafen kan bli misvisende.
Forskjellen: den andre meldingen handler om ærlighet, tilgjengelighet og ekte data.
Diagramtype etter melding
Melding
passende grafikk
Å unngås
Kategorisammenlikning
stolpediagram
3D kake i flere skiver
endre seg over tid
linjediagram
kake
distribusjon
Histogram, boksdiagram
enkelt gjennomsnitt
To variable forhold
spre
stang
deler av helheten
Stablet bar/pundkake
Kake i flere skiver
Vanlige feil
- Lage grafer med data laget av AI. Hvert tall nederst i diagrammet må komme fra dine faktiske data.
- Overdriver forskjellen med den stiplede aksen. Det er misvisende å få en liten forskjell til å virke stor.
- Velge en sjanger som ikke passer inn i budskapet. Det er som å vise tidstrenden med en pai.
- Å glemme tilgjengelighet. Grupper kun adskilt etter farge ekskluderer den fargeblinde leseren.
- Å sette «imponerende» foran «ærlig». Formålet med det visuelle er ikke overtalelse, men riktig kommunikasjon.
Oppsummert
Datavisualisering er måten å kommunisere funnene dine ærlig og tydelig til leseren. AI; Det er et kraftig hjelpemiddel for å foreslå riktig diagramtype, utarbeide visualiseringskode, redigere tabeller og se etter misvisende design. Men hvert tall nederst i diagrammet må komme fra dine faktiske data; En vakker graf produsert av AIs "prøvedata" er ikke ditt funn. Gjør budskapet klart, velg riktig sjanger, hold aksen og skalaen ærlig, gjør den tilgjengelig, og sett aldri «imponerende» før «ærlig».
Søknadsoppgave
Velg et lite sett med fakta eller data du har samlet inn selv. Velg typen som passer til budskapet ditt med malen "Karttypevalg". Med "visualiseringskode"-malen, ta kode fra AI-en og kjør den på dine egne data (aldri med tall AI-en har laget). Plott de samme dataene med en stiplet akse, legg de to grafene side om side, og vis hvordan forskjellen er overdrevet med malen "ærlighetssjekk".
sjekkliste
- [ ] Jeg har tydeliggjort den enkeltmeldingen som diagrammet prøver å formidle.
- [ ] Jeg valgte riktig grafikktype for meldingen med begrunnelse.
- [ ] Jeg genererte diagrammet med min egen virkelige produksjon, ikke en AI-fabrikasjon.
- [ ] Jeg startet aksen på null og holdt skalaen proporsjonal.
- [ ] Jeg brukte tilgjengelige farger og klare etiketter.