Lợi nhuận:
- Khả năng chọn loại biểu đồ phù hợp cho thông điệp bạn muốn đưa ra (so sánh, xu hướng, phân phối, mối quan hệ)
- Khả năng tránh tạo biểu đồ với dữ liệu được tạo bởi trí tuệ nhân tạo bằng cách đảm bảo rằng mỗi số trong biểu đồ đều đến từ dữ liệu thực của chính nó.
- Khả năng kiểm soát các thiết kế sai lệch như trục bị hỏng và tỷ lệ không cân xứng và tạo ra hình ảnh trung thực, dễ tiếp cận
Cho dù kết quả nghiên cứu có vững chắc đến đâu thì nó cũng vô dụng trừ khi nó được hiểu rõ. Trực quan hóa dữ liệu là nghệ thuật đưa dữ liệu số và phân loại vào biểu đồ, bảng và biểu đồ để người đọc có thể nhìn thoáng qua mẫu. Một biểu đồ tốt sẽ giảm hàng nghìn dòng dữ liệu thành một thông điệp duy nhất; Một biểu đồ xấu có thể làm cho dữ liệu thậm chí chính xác cũng có vẻ sai lệch. Trong phần này, bạn sẽ học cách sử dụng AI để chọn loại biểu đồ phù hợp, soạn thảo mã trực quan, sắp xếp bảng và trình bày các phát hiện một cách trung thực.
Vai trò của AI trong trực quan hóa có hai mặt. Đầu tiên là tư vấn: “biểu đồ nào phù hợp với dữ liệu này?” trả lời tốt câu hỏi; chẳng hạn như biểu đồ thanh để so sánh hai loại, biểu đồ đường để thay đổi theo thời gian và - nếu được sử dụng cẩn thận - biểu đồ hình tròn cho các phần của tổng thể. Thứ hai là tạo mã: soạn thảo mã đồ họa cho các công cụ như R (ggplot2) hoặc Python (matplotlib, seaborn). Nhưng hãy cẩn thận: những con số bên dưới biểu đồ mà AI tạo ra phải đến từ dữ liệu thực của bạn; Một biểu đồ đẹp mắt mà AI tạo ra bằng "dữ liệu mẫu" không phải là phát hiện của bạn. Ngoài ra, AI có thể vô tình đề xuất một biểu đồ gây hiểu lầm (trục nét đứt, tỷ lệ không cân xứng); Việc kiểm tra tính toàn vẹn là của bạn.
Từng bước: từ dữ liệu đến biểu đồ trung thực
1. Xác định thông điệp. Mỗi biểu đồ phải trả lời một câu hỏi duy nhất: "Tôi muốn thể hiện điều gì?" So sánh, xu hướng, phân phối, mối quan hệ? Không thể chọn loại biểu đồ cho đến khi có thông báo rõ ràng.
2. Chọn loại biểu đồ chính xác. Loại khác nhau tùy thuộc vào tin nhắn. AI đưa ra gợi ý hợp lý cho câu hỏi "Tôi muốn hiển thị dữ liệu này bằng thông báo này, biểu đồ nào?"
3. Áp dụng các quy tắc toàn vẹn. Trục có nên bắt đầu từ số 0 không, tỷ lệ có tỷ lệ thuận không, màu sắc có gây hiểu nhầm không? AI giúp bạn kiểm tra xem biểu đồ có gây hiểu nhầm hay không.
4. Soạn thảo mã và chạy nó với dữ liệu CỦA BẠN. Hãy để AI viết mã đồ họa; Chạy nó với dữ liệu thực của riêng bạn và kiểm tra kết quả.
5. Làm cho nó có thể truy cập được. Bảng màu thân thiện với người mù màu, nhãn rõ ràng, tiêu đề dễ đọc. AI gợi ý những cải tiến này.
Mẹo: Cách đơn giản để kiểm tra tính trung thực của biểu đồ: "Làm sao một người có ý định xấu có thể khiến biểu đồ này gây hiểu lầm?" là để hỏi. Trục y nét đứt làm cho sự khác biệt nhỏ trông rất lớn; Một khoảng thời gian đã chọn có thể đảo ngược xu hướng. Yêu cầu AI quét những cái bẫy này.
ba trường hợp nhỏ
Trường hợp 1 - Trục sai đã được sửa. Trong một báo cáo, sự khác biệt giữa hai nhóm (51% so với 54%) trông giống như một "khoảng cách khổng lồ" trên biểu đồ với trục y bắt đầu từ 50. Khi AI gợi ý rằng trục bắt đầu từ 0, sự khác biệt đã giảm xuống kích thước thực tế của nó, một sự khác biệt nhỏ. Biểu đồ trở nên trung thực.
Trường hợp 2 - Đúng loại tiết kiệm thời gian. Một nhà nghiên cứu đã có dữ liệu về tỷ lệ tham gia trong 5 năm nhưng lại sử dụng biểu đồ hình tròn; Xu hướng đã không xuất hiện. YZ đề xuất một "biểu đồ đường thay đổi theo thời gian" và ggplot2 đã soạn thảo mã. Xu hướng giảm đột nhiên trở nên rõ ràng.
Trường hợp 3 - Bẫy dữ liệu giả. Khi người dùng yêu cầu AI về "biểu đồ sử dụng mạng xã hội của giới trẻ", AI sẽ tạo ra một biểu đồ đẹp mắt với các con số được tạo nên. Người dùng gần như đã đưa nó vào báo cáo; Sau đó, anh nhận ra rằng những con số này không phải là dữ liệu của anh mà là phát minh của AI. Biểu đồ đã được làm lại với dữ liệu thực.
Bốn mẫu có thể sao chép
1) Lựa chọn loại biểu đồ:
Tôi muốn hiển thị dữ liệu sau: [mô tả dữ liệu]. Thông điệp tôi muốn đưa ra: [so sánh/xu hướng/phân phối/mối quan hệ]. Đề xuất 2 loại biểu đồ phù hợp nhất cho thông báo này, có căn cứ giải thích. Hãy cho tôi biết lý do tại sao tôi nên tránh những thứ có thể gây hiểu nhầm (ví dụ: bánh có nhiều lát).
2) Mã trực quan hóa (Tôi sẽ chạy nó với dữ liệu của riêng tôi):
Phác thảo mã [loại cốt truyện] cho [R ggplot2 / Python matplotlib]. Các biến của tôi: [x], [y], [group]. Viết mã kèm theo nhận xét, bắt đầu các trục từ đầu, sử dụng bảng màu có thể truy cập, đặt tiêu đề và nhãn bằng tiếng Thổ Nhĩ Kỳ. Làm số ví dụ; Tôi sẽ kết nối dữ liệu của tôi.
3) Kiểm tra tính liêm chính:
Tôi mô tả biểu đồ sau: [biểu đồ]. Nó có thể gây hiểu nhầm? Kiểm tra: trục có bằng 0 không, tỷ lệ có tỷ lệ thuận không, khoảng thời gian có được chọn không, màu sắc có phóng đại một nhóm không, hiệu ứng 3D có làm sai lệch nhận thức không? Đề xuất cách khắc phục cho từng rủi ro.
4) Chỉnh sửa bảng:
Chuyển đổi các kết quả thô sau đây thành bảng kết quả rõ ràng, dễ đọc: [x] theo hàng, [y] theo cột, giá trị trong ô và tỷ lệ phần trăm nếu cần. Làm tròn số thập phân một cách nhất quán, ghi rõ nguồn ở phần chú thích. Thay đổi số; chỉ cần chỉnh sửa. Dữ liệu: [tại đây]
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Hãy cho tôi một hình ảnh ấn tượng về chủ đề này.
Mong muốn “ấn tượng” khuyến khích AI bằng dữ liệu bịa đặt hoặc thiết kế sai lệch nhằm phóng đại sự khác biệt. Trở nên ấn tượng không nên đến trước sự trung thực.
Lời nhắc mạnh mẽ:
Tôi muốn có mã biểu đồ thanh mà tôi có thể chạy với dữ liệu của riêng mình. Thông điệp của tôi: thể hiện TRUNG THỰC sự khác biệt về tỷ lệ tham gia giữa bốn nhóm. Trục phải bắt đầu từ số 0, màu sắc phải phù hợp với bệnh mù màu và sự khác biệt không được phóng đại. [R/Python] Tặng code, khớp số. Sau đó nêu tên 3 rủi ro mà biểu đồ này có thể gây hiểu nhầm.
Sự khác biệt: lời nhắc thứ hai tập trung vào tính trung thực, khả năng tiếp cận và dữ liệu thực.
Loại biểu đồ theo tin nhắn
Tin nhắn
đồ họa phù hợp
Để tránh
So sánh danh mục
biểu đồ thanh
Bánh 3D nhiều lát
thay đổi theo thời gian
biểu đồ đường
bánh ngọt
phân phối
Biểu đồ, biểu đồ hộp
trung bình đơn
Mối quan hệ hai biến
rải rác
gậy
các bộ phận của tổng thể
Thanh xếp chồng lên nhau/bánh pound
Bánh nhiều lát
Những lỗi thường gặp
- Tạo đồ thị với dữ liệu được tạo bởi AI. Mọi con số ở cuối biểu đồ đều phải đến từ dữ liệu thực tế của bạn.
- Phóng đại sự khác biệt bằng trục nét đứt. Sẽ là sai lầm khi khiến một sự khác biệt nhỏ trở nên to lớn.
- Chọn thể loại không phù hợp với thông điệp. Nó giống như thể hiện xu hướng thời gian bằng một chiếc bánh.
- Quên khả năng tiếp cận. Các nhóm chỉ được phân tách bằng màu sẽ loại trừ đầu đọc mù màu.
- Đặt “ấn tượng” trước “trung thực”. Mục đích của hình ảnh không phải là thuyết phục mà là giao tiếp chính xác.
Tóm lại
Trực quan hóa dữ liệu là cách truyền đạt kết quả tìm kiếm của bạn một cách trung thực và rõ ràng tới người đọc. AI; Nó là một công cụ hỗ trợ mạnh mẽ trong việc đề xuất loại biểu đồ phù hợp, soạn thảo mã trực quan, chỉnh sửa bảng và kiểm tra các thiết kế sai lệch. Nhưng mọi con số ở cuối biểu đồ đều phải đến từ dữ liệu thực tế của bạn; Một biểu đồ đẹp mắt do "dữ liệu mẫu" của AI tạo ra không phải là phát hiện của bạn. Đưa ra thông điệp rõ ràng, chọn thể loại phù hợp, giữ trục và tỷ lệ trung thực, làm cho nó dễ tiếp cận và không bao giờ đặt “ấn tượng” trước “trung thực”.
Nhiệm vụ ứng dụng
Chọn một tập hợp nhỏ các sự kiện hoặc dữ liệu mà bạn đã tự mình thu thập. Chọn loại phù hợp với thông điệp của bạn với mẫu "Lựa chọn loại biểu đồ". Với mẫu “mã trực quan hóa”, hãy lấy mã từ AI và chạy nó trên dữ liệu của riêng bạn (không bao giờ với những con số mà AI đã tạo ra). Vẽ cùng một dữ liệu bằng một trục nét đứt, đặt hai biểu đồ cạnh nhau và cho thấy sự khác biệt được phóng đại như thế nào với mẫu "kiểm tra tính trung thực".
danh sách kiểm tra
- [ ] Tôi đã làm rõ thông điệp duy nhất mà biểu đồ đang cố gắng truyền tải.
- [ ] Tôi đã chọn loại đồ họa phù hợp cho thông báo một cách hợp lý.
- [ ] Tôi đã tạo biểu đồ bằng kết quả thực của riêng mình chứ không phải do AI chế tạo.
- [ ] Tôi bắt đầu trục ở số 0 và giữ tỷ lệ theo tỷ lệ.
- [ ] Tôi đã sử dụng nhãn màu và nhãn rõ ràng.