WEBVTT

00:00:07.738 --> 00:00:10.839
某個牙膏品牌宣稱他們的產品
能消滅的牙菌斑數量

00:00:10.839 --> 00:00:12.910
比有史以來任何產品更多

00:00:12.910 --> 00:00:16.411
一位政治家告訴你
他的計畫能產生最多就業機會

00:00:16.411 --> 00:00:18.501
在廣告和政治活動中

00:00:18.501 --> 00:00:20.850
我們對於這類的誇飾習以為常

00:00:20.850 --> 00:00:23.131
甚至眼睛連眨都不眨一下

00:00:23.131 --> 00:00:26.111
但如果提出的論點搭配了圖表呢？

00:00:26.111 --> 00:00:28.471
畢竟，圖表並非只是個人的觀點

00:00:28.471 --> 00:00:32.301
它呈現出實際、明確的數字
而誰能夠質疑這些數字？

00:00:32.301 --> 00:00:36.023
是的，事實證明
圖表有很多方法誤導他人

00:00:36.023 --> 00:00:37.972
甚至是肆無忌憚地進行操弄

00:00:37.972 --> 00:00:40.385
這裡有幾件事需要密切注意

00:00:40.385 --> 00:00:44.510
在這則 1992 年的廣告中
雪佛蘭汽車使用這張圖表

00:00:44.510 --> 00:00:47.510
宣稱他們製造出全美國最可靠的貨車

00:00:47.510 --> 00:00:50.763
它不僅顯示過去十年來
雪佛蘭銷售的貨車

00:00:50.763 --> 00:00:53.482
有 98% 還能在路上行駛

00:00:53.482 --> 00:00:57.188
而且可靠性看起來像是
豐田貨車的兩倍

00:00:57.188 --> 00:01:00.634
似乎如此
但是當你仔細看左邊的數字

00:01:00.634 --> 00:01:05.312
可以注意到 豐田的數據
大概是 96.5%

00:01:05.312 --> 00:01:09.313
整個圖表的刻度範圍
是 95%～100%

00:01:09.313 --> 00:01:12.963
如果將範圍改成 0～100%
看起來就會像這樣

00:01:12.963 --> 00:01:15.833
用圖表來曲解資料時

00:01:15.833 --> 00:01:18.333
最常見的方式之一
就是扭曲刻度範圍

00:01:18.333 --> 00:01:20.804
放大 y 軸的一小部分

00:01:20.804 --> 00:01:25.533
會放大項目之間
幾乎無法察覺的微小差距

00:01:25.533 --> 00:01:28.274
而且長條圖特別容易產生誤導

00:01:28.274 --> 00:01:30.783
因為我們會認定長條的面積

00:01:30.783 --> 00:01:33.233
與其數值大小成等比關係

00:01:33.233 --> 00:01:36.125
但 x 軸尺度也可能被扭曲

00:01:36.125 --> 00:01:40.414
通常是想要在曲線圖中
顯示某件事隨著時間而改變

00:01:40.414 --> 00:01:44.747
這張圖顯示 2008 到 2010 年間
美國失業率的攀升

00:01:44.747 --> 00:01:47.996
圖中用了兩種方式來操弄 x 軸

00:01:47.996 --> 00:01:50.395
首先，刻度範圍並不一致

00:01:50.395 --> 00:01:53.416
從 2009 年 3 月
之後的 15 個月被壓縮

00:01:53.416 --> 00:01:56.755
使其看起來比前面的六個月更短

00:01:56.755 --> 00:02:00.106
當我們用前後一致的資料點
會得到截然不同的圖形

00:02:00.106 --> 00:02:03.705
失業率在 2009 年底逐漸停止攀升

00:02:03.705 --> 00:02:06.675
而如果你想瞭解
為何一開始失業率是上升的

00:02:06.675 --> 00:02:09.465
那是因為時間軸的起點正好緊接著


00:02:09.465 --> 00:02:12.626
美國從經濟大蕭條以來
最嚴重的一次金融風暴

00:02:12.626 --> 00:02:15.219
這種手法被稱為「採櫻桃謬誤」

00:02:15.219 --> 00:02:17.229
就是小心地選擇某一段時間

00:02:17.229 --> 00:02:20.538
並且將這段時間之外的
重要影響因素排除

00:02:20.538 --> 00:02:24.762
而且，挑選某些特定的資料點
還能隱藏這段期間的重要變化

00:02:24.762 --> 00:02:27.356
即使圖表本身沒有錯誤

00:02:27.356 --> 00:02:30.937
刻意省略相關資料
也會產生誤導他人的印象

00:02:30.937 --> 00:02:33.997
這張圖表是關於
每年有多少人觀看超級盃比賽

00:02:33.997 --> 00:02:37.626
看起來超級盃的受歡迎度
似乎每年急遽上升

00:02:37.626 --> 00:02:40.198
但它沒有將人口數的增加列入計算

00:02:40.198 --> 00:02:41.967
實際上，收視率一直維持穩定

00:02:41.967 --> 00:02:45.109
因為足球迷的人數雖然增加

00:02:45.109 --> 00:02:47.959
但是佔所有觀眾的比例卻沒有改變

00:02:47.959 --> 00:02:50.678
如果你不能充分理解
圖表所呈現資訊的真正意義

00:02:50.678 --> 00:02:53.318
圖表無法告訴你很多事情

00:02:53.318 --> 00:02:55.507
以下兩張圖同樣都使用

00:02:55.507 --> 00:02:59.719
來自國家環境資訊中心的
海洋溫度資料

00:02:59.719 --> 00:03:02.490
為什麼會帶給人們
截然不同的感覺呢？

00:03:02.490 --> 00:03:04.139
第一張圖所畫的是

00:03:04.139 --> 00:03:07.987
從 1880 到 2016 年的
年平均海洋溫度

00:03:07.987 --> 00:03:10.149
看起來變化並不顯著

00:03:10.149 --> 00:03:12.878
但事實上，即使只是增加攝氏 0.5 度

00:03:12.878 --> 00:03:15.739
就可能造成嚴重的生態破壞

00:03:15.739 --> 00:03:17.469
這就是為什麼在第二張圖中

00:03:17.469 --> 00:03:19.858
顯示的每年平均溫度變化

00:03:19.858 --> 00:03:22.390
看起來更為明顯

00:03:22.390 --> 00:03:27.379
當運用得當時，圖表能幫助我們
憑直覺就能瞭解複雜的資料

00:03:27.379 --> 00:03:31.180
但是當影像軟體普及
圖表就更常被用在各種媒體中

00:03:31.180 --> 00:03:35.900
同時也更容易
被以草率或欺騙的方式運用

00:03:35.900 --> 00:03:39.560
所以下次當你看到圖表時
不要被線條和曲線所操弄

00:03:39.560 --> 00:03:41.021
看清楚標示

00:03:41.021 --> 00:03:42.073
數字

00:03:42.073 --> 00:03:43.050
量測刻度

00:03:43.050 --> 00:03:44.028
以及前後脈絡

00:03:44.028 --> 00:03:46.810
並且提出質疑：
這張圖到底想表達什麼？