收益：
- 认识常见的扭曲技术，例如虚轴、3D 效果、面积错觉、樱桃采摘和非规范化。
- 能够使用人工智能，不是为了“让它令人印象深刻”，而是作为诚实检查器，并要求从图表中提供可读且诚实的输出
- 能够检查和更正图表的轴、比例、类型、范围、标准化、标签和可访问性
图表并不是最危险的，而是最危险的。它会误导。它使用技术上“正确”的数据，但以欺骗眼睛的方式呈现它。在人工智能时代，这种风险有所增加，因为模型经常偏爱“令人印象深刻”而不是“诚实”，并且如果您没有注意到，很快就会产生误导性的图表。本单元教您识别常见的失真技术，使用人工智能作为诚实检查器，并清除您自己的图表中的这些陷阱。
最常见的欺骗手段
让我们通过具体示例来了解一些概念。
- 截断轴：y轴不是从0开始，而是从90开始；微小的差异似乎很大。 2% 的增长看起来就像 50% 一样。
- 双/逆轴：根据需要显示两个系列“一起移动”，具有两个不同的 y 轴。
- 3D和体积：三维饼图/条形图使前面的切片看起来比实际更大；价值与数量相混淆。
- 面积错觉：用圆的直径表示一个值并乘以面积（从而感知）。
- 反转/移动轴：反转 Y 轴并使增加看起来像减少（有一些臭名昭著的例子）。
- 精挑细选：选择适合叙述的时间段/片段并隐藏其余部分。
- 非标准化：比较绝对数字而不除以人口/基数（大城市在所有方面都显得“领先”）。
- 总计不正确：饼图切片之和未达到 100%，类别重叠。
技术性的
怎么会误导呢？
诚实的替代方案
虚线 y 轴
让微小的差异变得更大
从 0 开始轴
3D蛋糕/酒吧
观点扭曲了价值
普通 (2D) 条形图
面积/直径
将面积增加至 4 倍
线性刻度，清晰标签
樱桃采摘
隐藏异常值期间
显示整个期间
非规范化
保持大底座在前面
费用/每人
双轴
建立虚假关系
单轴或单独图表
注意：“轴必须从 0 开始”规则对于条形图来说几乎是绝对的（条形的长度代表值）。有时折线图上的窄范围是合理的，但随后要明确；切勿夸大差异。
让人工智能成为完整性检查者
最强大的用途之一：让模型批评您自己的图表。提供屏幕截图或描述以避免误导性项目。
您的角色：数据可视化道德审核员。检查此图表是否具有误导性（附图/说明：[...]）。逐一检查这些内容，如果发现以下情况请标记：1) y 轴是否从 0 开始？是否有任何剪切？2) 3D/体积效果是否扭曲了值？3) 值是否因面积/直径而被夸大？4) 是否应该选择一个时间段/段（择优选择）？5) 应该是绝对数字还是归一化？6) 双轴是否会产生虚假关系？7) 色盲者是否可读？针对每个问题提出具体修复建议。我希望它是诚实的，而不仅仅是“友善”。
要独立于图表审核断言：
以下图形声明：“[声明]”。这个说法真的有数据支持吗？评估轴、比例、选定范围和标准化。哪些数据可能被隐藏从而削弱了这一说法？图表/数据：[...]。
一步一步：诚实地传递图表
- 检查轴。条形图上的 y 是否从 0 开始？有切割吗？
- 检查秤。线性还是对数？是否指定日志？
- 检查类型。对 3D、体积或面积是否存在任何误解？
- 检查范围。整个时期/片段还是选定的？
- 检查标准化。是否需要每人/价格？
- 检查标签和来源。上面有写单位、期间、来源吗？
- 检查可访问性。色盲的人有区别吗？
三个迷你箱子
情况 1 — 截断轴。一家公司制作了一个y轴从95开始的条形图，以显示其相对于竞争对手的优势； 96 和 98 之间的差异似乎是双重的。印刷前检查，轴设置为0，实际差异2%；误导性图表带来了声誉风险。
案例 2 — 标准化。一个市政府说，“我们是种植树木最多的地区”；但他们是最大的区。当我们查看人均树木数量（标准化）时，它们跌至第六位。人工智能证明了这种差异；报告以“人均”衡量标准进行了诚实的表述。
案例3——樱桃采摘。一份投资报告仅显示了过去 4 个季度的增长；前两年的波动被隐藏起来。添加了审核中的所有历史记录。投资者说“至少他是诚实的”，信心增强了；如果是隐藏的话，以后发现的话就更糟糕了。
弱提示/强提示
弱：
让这个图形更加令人印象深刻。
对“令人印象深刻”的渴望将模型精确地推向了欺骗技术（轴切割、3D、强调膨胀）。
强：
您的角色：数据可视化道德审核员。使此条形图更具可读性和更诚实：使 y 轴从 0 开始，删除 3D/阴影，按值对条形图进行排序，使用单一突出显示颜色，添加单位和来源。不要做任何夸大差异的事情；让真正的差异显现出来。形象的： [ ... ]。
第二个要求“可读+诚实”而不是“令人印象深刻”，并一一强加每条诚实规则。
常见错误
- 条形图中的虚线轴：夸大差异的最常见方法。
- 3D/体积效应：透视扭曲数值；永远不要使用它。
- 面积/直径的价值：通过扩大圆圈来倍增感知。
- 樱桃采摘：选择合适的时期，隐藏其余的时期。
- 非规范化：与绝对数的不公平比较。
- “让它令人印象深刻”意味着：导致模型变形。
- 不指定对数刻度：使用对数轴而不解释。
综上所述
欺骗性图形不撒谎：截断轴、3D 效果、区域错觉、樱桃采摘、非规范化和双轴是最常见的陷阱。在条形图中，轴从 0 开始，不使用 3D，显示整个周期，在必要时进行标准化，写入单位和来源。使用人工智能作为完整性检查器，而不是为了“让人印象深刻”；要求模型提供清晰且诚实的输出。图表的诚实度就是您的声誉。
应用任务
选择您拥有（或找到）的图表。 (1) 应用七项诚实性检查（轴、尺度、类型、范围、标准化、标签、可访问性）。 （2）让AI以审计员的角色批评图表。 (3) 修正至少两项误导性内容。 (4) 制作相同数据的故意误导版本和诚实版本，并用一句话写出差异。
清单
- [ ] 在条形图中，y 轴从 0 开始。
- [ ] 无 3D/体积/面积错觉。
- [ ] 显示所有相关期间/片段（无精选）。
- [ ] 如有必要，我对数据进行了标准化（人均/比率）。
- [ ] 图表中记载的单位、期间和来源。
- [ ] 色盲观看者有区别（形状/标签）。
- [ ] 我希望模型“诚实且可读”，而不是“令人印象深刻”。