WEBVTT

00:00:07.808 --> 00:00:10.839
一个牙膏品牌声称他们的产品
可以比以往任何的产品

00:00:10.839 --> 00:00:12.910
除掉更多的牙菌斑。

00:00:12.910 --> 00:00:16.411
一位政客告诉人们
他们的计划会制造最多的就业机会。

00:00:16.411 --> 00:00:18.951
我们已经太习惯在广告和政治宣传中

00:00:18.951 --> 00:00:20.850
听到这些夸大其词了，

00:00:20.850 --> 00:00:23.131
以至于有时我们根本不把这些东西放在眼里。

00:00:23.131 --> 00:00:26.111
但是假如这些说法同时伴随着一个图表呢？

00:00:26.111 --> 00:00:28.471
毕竟，图表并不是主观意见，

00:00:28.471 --> 00:00:32.611
它呈现的只是冰冷确切的数字，
谁又能来质疑这些冷冰冰的数字呢？

00:00:32.611 --> 00:00:36.403
然而，事实是，图表可以通过很多方法误导人们

00:00:36.403 --> 00:00:38.192
并完全地操纵人们的想法。

00:00:38.192 --> 00:00:40.745
下面便是一些图表误导人们的方式。

00:00:40.745 --> 00:00:45.760
在这则1992年的广告中，
雪弗兰利用这张图表声称

00:00:45.760 --> 00:00:47.510
他们制造了全美最耐用的卡车。

00:00:47.510 --> 00:00:51.963
这张图表不仅显示雪弗兰过去的十年间卖出的卡车


00:00:51.963 --> 00:00:53.592
有98%目前仍在使用中，

00:00:53.592 --> 00:00:57.338
图表还暗示他们的卡车比丰田要耐用一倍。

00:00:57.338 --> 00:01:00.634
事实看上去就是如此，
直到你仔细观察纵坐标上对应的数值，

00:01:00.634 --> 00:01:05.472
你才会发现丰田（十年间卖出的）卡车的使用率为96.5%左右。

00:01:05.472 --> 00:01:09.313
该图表的问题在于
纵坐标的范围仅仅是95到100.

00:01:09.313 --> 00:01:12.963
如果范围是从0到100，
图表会是这个样子。

00:01:12.963 --> 00:01:16.243
这便是图表误传数据的最普遍方法之一，

00:01:16.243 --> 00:01:18.333
也就是扭曲某一坐标的尺度。

00:01:18.333 --> 00:01:20.804
将y轴的某一小部分放大

00:01:20.804 --> 00:01:25.703
可使两个被比较的事物之间
难以察觉的差距被夸张放大。

00:01:25.703 --> 00:01:27.974
这个方法对于柱状图来说尤其起效。

00:01:27.974 --> 00:01:30.583
因为我们总是假设柱状图的长度与数值

00:01:30.583 --> 00:01:32.803
是成比例对应的。

00:01:33.233 --> 00:01:36.125
另一方面，x轴的间距也是可以被扭曲的，

00:01:36.125 --> 00:01:40.414
这种扭曲通常发生在
呈现某事物随着时间改变的线形图上。

00:01:40.414 --> 00:01:44.747
这张图标呈现的是美国2008年
到2010年的失业情况，

00:01:44.747 --> 00:01:47.996
其使用了两种方法操纵x轴。

00:01:47.996 --> 00:01:50.395
首先，x轴的间距是不一致的。

00:01:50.395 --> 00:01:53.416
2009年3月之后的15个月的跨度被压缩

00:01:53.416 --> 00:01:56.755
使其看起来比之前的6个月还短。

00:01:56.755 --> 00:02:00.106
如果使用一致的数据点，
我们将会看到一张截然不同的图表，

00:02:00.106 --> 00:02:03.705
其中的失业情况在2009年年底之后逐渐减弱。

00:02:03.705 --> 00:02:06.675
如果你对图表前一部分的
失业情况为何会加重感到不解，

00:02:06.675 --> 00:02:10.615
其原因是该图表中时间线的起点正是金融海啸之后

00:02:10.615 --> 00:02:12.626
美国开始财政崩溃之后的时刻。

00:02:12.626 --> 00:02:15.219
这种技巧被称为“计划性选择”。

00:02:15.219 --> 00:02:18.869
也就是通过别有用心地选择一个时间段


00:02:18.869 --> 00:02:20.648
来排除该时间段之外发生的某一事件的影响。

00:02:20.648 --> 00:02:24.762
而选择某些特定的数据点
可以掩盖该时间段内的重要变化。

00:02:24.762 --> 00:02:27.356
即使图表本身没有任何错误，

00:02:27.356 --> 00:02:30.937
省略某些相关的数据点
也会让人留下错误的印象。

00:02:30.937 --> 00:02:33.997
统计每年观看超级碗观众人数的表格

00:02:33.997 --> 00:02:37.626
让人们以为超级碗的人气火爆。

00:02:37.626 --> 00:02:40.198
但事实上它统计的并不是观众人数的成长。

00:02:40.198 --> 00:02:41.967
事实上，超级碗的收视率是保持稳定的，

00:02:41.967 --> 00:02:45.109
因为虽然球迷的数量在增加，

00:02:45.109 --> 00:02:47.959
但是每名观众的收视占有率却并没有增加。

00:02:47.959 --> 00:02:49.888
最后，在不知道图表呈现的重点的情况下，

00:02:49.888 --> 00:02:53.318
人们很难从其中获得有用的信息。

00:02:53.318 --> 00:02:56.457
以下的两幅图利用了国家环境信息中心提供的

00:02:56.457 --> 00:02:59.719
同一组海洋温度的数据。

00:02:59.719 --> 00:03:02.490
然而为什么它们却看起来完全相反呢？

00:03:02.490 --> 00:03:05.279
第一幅图描绘了1880年到2016年的

00:03:05.279 --> 00:03:07.987
年平均海洋温度。

00:03:07.987 --> 00:03:10.149
虽然温度的变化看起来并不明显，

00:03:10.149 --> 00:03:12.878
但是，即使是半摄氏度的温度上升

00:03:12.878 --> 00:03:15.799
也可能导致严重的生态问题。

00:03:15.799 --> 00:03:17.219
这也就是为什么

00:03:17.219 --> 00:03:19.858
呈现了年平均温度波动的第二张图表

00:03:19.858 --> 00:03:22.390
重要性远大于第一张。

00:03:22.390 --> 00:03:27.379
如果使用得当，图表可以帮助我们
更直观地了解复杂的数据。

00:03:27.379 --> 00:03:31.180
但是可视化软件一方面大大
增加了图表在各种媒体上的应用，

00:03:31.180 --> 00:03:35.900
另一方面粗心大意和刻意误导也变得更加频繁。

00:03:35.900 --> 00:03:39.560
因此，下一次在遇到图表时，
不要被直线和曲线的走向误导。

00:03:39.560 --> 00:03:40.882
仔细看一看单位、

00:03:40.882 --> 00:03:42.130
数值、

00:03:42.130 --> 00:03:43.048
间距

00:03:43.048 --> 00:03:44.360
以及该图表的背景，

00:03:44.360 --> 00:03:46.780
问问自己这张图标到底要传递什么信息。