WEBVTT

00:00:07.658 --> 00:00:10.839
Một hãng kem đánh răng khẳng định
sản phẩm của họ sẽ diệt mảng bám

00:00:10.839 --> 00:00:12.890
sạch hơn mọi sản phẩm khác.

00:00:12.890 --> 00:00:16.411
Một chính trị gia nói rằng chiến lược
của họ sẽ tạo ra nhiều việc làm nhất.

00:00:16.411 --> 00:00:18.951
Ta đã quá quen khi phải nghe
các thông tin phóng đại

00:00:18.951 --> 00:00:20.850
từ quảng cáo hay chính trị,

00:00:20.850 --> 00:00:23.131
nhiều đến mức ta chẳng còn để ý đến nữa.

00:00:23.131 --> 00:00:25.991
Nhưng nếu những khẳng định đó
có biểu đồ đi kèm thì sao?

00:00:26.111 --> 00:00:28.471
Biểu đồ không chỉ là một quan điểm.

00:00:28.471 --> 00:00:32.611
Chúng thể hiện các số liệu chính xác
và ai có thể tranh cãi với chúng ?

00:00:32.611 --> 00:00:36.393
Nhưng thực ra, có rất nhiều cách
để biểu đồ bị sai lệch,

00:00:36.403 --> 00:00:38.192
thậm chí bị bóp méo hoàn toàn.

00:00:38.192 --> 00:00:40.715
Sau đây là vài ví dụ tiêu biểu.

00:00:40.745 --> 00:00:45.760
Năm 1992, Chevy tuyên bố đã tạo ra
những chiếc xe tải tốt nhất nước Mĩ

00:00:45.760 --> 00:00:47.480
bằng biểu đồ này.

00:00:47.510 --> 00:00:51.963
Không những nó chỉ ra 98% số xe tải Chevy
đã được bán trong vòng mười năm gần nhất

00:00:51.963 --> 00:00:53.592
hiện vẫn còn được sử dụng,

00:00:53.592 --> 00:00:57.258
mà nó còn trông giống như
xe Chevy bền gấp đôi xe Toyota.

00:00:57.338 --> 00:01:00.634
Nhưng hãy để ý kỹ hơn
các con số ở trục tung bên trái,

00:01:00.634 --> 00:01:05.472
bạn sẽ thấy số liệu của xe Toyota
vào khoảng 96,5%,

00:01:05.472 --> 00:01:09.303
và thang chia chỉ từ 95 tới 100%.

00:01:09.313 --> 00:01:12.963
Nếu thang chia từ 0 tới 100%,
biểu đồ sẽ nhìn như thế này.

00:01:12.963 --> 00:01:16.243
Đây là cách phổ biến
để thể hiện sai lệch dữ liệu trên biểu đồ,

00:01:16.243 --> 00:01:18.163
bằng việc thay đổi độ chia của trục.

00:01:18.163 --> 00:01:20.804
Dù chỉ phóng to một phần nhỏ
trên trục tung,

00:01:20.804 --> 00:01:25.703
nhưng nó đã phóng đại lên sự chênh lệch 
ít bị phát hiện giữa các chỉ số so sánh.

00:01:25.703 --> 00:01:27.974
Cách này cực hiệu quả với biểu đồ cột,

00:01:27.974 --> 00:01:31.013
vì ta hay lầm tưởng độ cao của các cột

00:01:31.023 --> 00:01:33.233
tỷ lệ với giá trị thực của nó.

00:01:33.233 --> 00:01:36.125
Nhưng trục hoành cũng có thể
dễ dàng bị bóp méo

00:01:36.125 --> 00:01:40.414
khi thể hiện sự thay đổi theo thời gian
ở biểu đồ đường.

00:01:40.414 --> 00:01:44.747
Biểu đồ này thể hiện sự gia tăng số người
thất nghiệp ở Mỹ từ năm 2008 đến năm 2010,

00:01:44.747 --> 00:01:47.996
trục hoành của nó
đã bị bóp méo theo hai cách.

00:01:47.996 --> 00:01:50.405
Thứ nhất, độ chia thời gian
không thống nhất,

00:01:50.405 --> 00:01:53.416
cắt ngắn độ dài khoảng 15 tháng
sau mốc tháng ba năm 2009,

00:01:53.416 --> 00:01:56.755
để khiến nó trông ngắn hơn
khoảng thời gian sáu tháng trước đó.

00:01:56.755 --> 00:02:00.106
Sử dụng các mốc dữ liệu đồng nhất
sẽ đưa ra một cái nhìn khác

00:02:00.106 --> 00:02:03.705
với lượng người thất nghiệp giảm dần
vào cuối năm 2009.

00:02:03.705 --> 00:02:06.675
Nếu bạn thắc mắc lý do tại sao 
số người thất nghiệp lại tăng

00:02:06.675 --> 00:02:10.615
thì biểu đồ đó được lập ngay sau
cuộc khủng hoảng tài chính lớn nhất ở Mỹ

00:02:10.615 --> 00:02:12.586
kể từ sau Đại suy thoái.

00:02:12.626 --> 00:02:15.219
Thủ thuật này được gọi
với cái tên "hái cherry".

00:02:15.219 --> 00:02:18.869
Các khoảng thời gian được chọn cẩn thận
để lấp liếm những ảnh hưởng

00:02:18.869 --> 00:02:20.648
diễn ra quanh một sự kiện chính.

00:02:20.648 --> 00:02:24.762
Và chỉ lấy một số mốc thời gian cụ thể
để che giấu các thay đổi lớn giữa chúng.

00:02:24.762 --> 00:02:27.356
Thậm chí khi bản thân biểu đồ không sai,

00:02:27.356 --> 00:02:30.937
việc bỏ qua các dữ liệu liên quan
sẽ khiến biểu đồ gây cảm giác sai lệch.

00:02:30.937 --> 00:02:33.997
Biểu đồ dưới đây thể hiện
số người xem giải Super Bowl mỗi năm,

00:02:33.997 --> 00:02:37.626
khiến ta lầm tưởng rằng
giải đó đang ngày càng được biết đến.

00:02:37.626 --> 00:02:40.098
Nhưng biểu đồ chưa tính đến
sự gia tăng dân số.

00:02:40.098 --> 00:02:41.967
Tỷ lệ người xem giải hầu như không đổi,

00:02:41.967 --> 00:02:45.109
bởi vì số người hâm mộ
bóng bầu dục gia tăng,

00:02:45.109 --> 00:02:47.939
nên tỷ lệ của họ
so với tổng lượng người xem không đổi.

00:02:47.969 --> 00:02:49.888
Cuối cùng, biểu đồ hầu như ít hiệu quả

00:02:49.888 --> 00:02:53.318
nếu bạn không hiểu đầy đủ
về vấn đề đang được đề cập tới.

00:02:53.318 --> 00:02:56.457
Cả hai biểu đồ sau đây đều dùng
dữ liệu về nhiệt độ của đại dương

00:02:56.457 --> 00:02:59.689
từ Trung tâm Dự báo Khí tượng Mỹ.

00:02:59.719 --> 00:03:02.490
Vậy vì sao hai biểu đồ
trông hoàn toàn đối nghịch như vậy?

00:03:02.490 --> 00:03:05.279
Biểu đồ thứ nhất đo nhiệt độ
trung bình hằng năm của biển

00:03:05.279 --> 00:03:07.987
từ năm 1880 tới năm 2016,

00:03:07.987 --> 00:03:10.149
có vẻ như chẳng có thay đổi gì đáng kể.

00:03:10.149 --> 00:03:12.878
Nhưng thực ra, nhiệt độ
chỉ cần tăng thêm nửa độ C

00:03:12.878 --> 00:03:15.799
là đủ để gây ra thảm hoạ sinh học
trên quy mô cực lớn.

00:03:15.799 --> 00:03:17.219
Đó là lý do biểu đồ thứ hai

00:03:17.219 --> 00:03:19.858
thể hiện sự chênh lệch 
nhiệt độ trung bình theo năm,

00:03:19.868 --> 00:03:22.390
đã nhấn mạnh tầm quan trọng 
của vấn đề hơn nhiều.

00:03:22.390 --> 00:03:27.169
Khi được dùng đúng cách, biểu đồ giúp ta
khái quát được các dữ liệu phức tạp.

00:03:27.179 --> 00:03:31.180
Công nghệ đồ hoạ đã giúp biểu đồ
được dùng rộng rãi trong truyền thông,

00:03:31.180 --> 00:03:35.900
nhưng điều đó cũng khiến chúng
dễ bị lạm dụng vào mục đích không tốt.

00:03:35.900 --> 00:03:39.560
Lần tới khi bạn thấy một biểu đồ,
đừng để bị chúng thuyết phục dễ dàng.

00:03:39.560 --> 00:03:40.882
Hãy để ý kỹ vào các trục,

00:03:40.882 --> 00:03:42.130
các con số,

00:03:42.130 --> 00:03:43.048
cách chia thang đo,

00:03:43.048 --> 00:03:44.370
và bối cảnh,

00:03:44.370 --> 00:03:47.060
và hãy thắc mắc về điều
mà biểu đồ đó muốn thể hiện.