数据可视化具有影响认知偏差的能力

作者：Ian Batterbee

译者：妍朵乐园

原文链接：https://uxdesign.cc/how-data-visualisation-can-distort-our-perception-of-reality-169713fc2b6e

What you see is all there is. —— 眼见为实。

无论你是在看一本书的封面，还是观察一对在街上争吵的夫妇，亦或是看电视新闻报道，我们都在不断地根据我们所能获得的有限信息做出判断。

我们都有以自己的方式来感知世界的权利；然而我们的大脑天生就有能力做出快速评估，但有时可能会导致做出错误和不合理的假设。

在2020年美国大选期间，用于代表政治事件结果的数据可视化地图引起了很多争论。

关键的争论是，每张地图都显示出对民主党或共和党的偏见。

数据可视化通常用于讲故事，有意或无意的，它们可以塑造我们的看法和偏见。

在本文中，我们将使用2020年美国大选作为一个小案例进行研究，以了解信息的图形化表示如何扭曲我们的判断。

但首先，让我们来看看认知偏见是来自于哪里的…

.   .   .

偏见来自快速和直觉的思考

诺贝尔奖得主和心理学家丹尼尔·卡尼曼在他的畅销书《思考快与慢》中解释说，我们的大脑有两种类型的思维，包括系统1和系统2。

系统1是一种快速、直观的认知类型。

它基于学习的技能和联想。这对于描绘即时信息或进行快速估算非常有用。例如，我们使用随机的，无意识的思考来快速评估人们的表情或解决复杂的问题。

系统2是我们大脑较慢的分析模式。

需要集中注意力。当我们做一些不自然的事或需要额外有意识的努力时，该思维类型通常会被激活。

当我们评估事物时，系统1会控制我们的思想，并使用内部或外部有限的可用信息来做出判断。

然而，系统2通常接受来自最初的自动估计，除非存在有与我们的想法所不一致的东西。

卡尼曼解释说，无论有多少证据，系统1都能构造出最好的故事。

例如，如果你看到一个穿着便服的年轻人戴着一副Apple AirPods耳机，眼睛盯着手里的智能手机屏幕，你可能会觉得他们是学生，因为它符合连贯的叙述。

当谈到数据可视化时，系统1会相信任何与我们思维一致的故事，不管它是对是错。

.   .   .

数据可视化讲述不同的故事

当我写完这篇文章的时候，2020年的美国大选可能还在争论中。在统计选票时，媒体使用各种数据可视化地图来预测结果。然而，统计数据的代表性因为显示出某些偏差而受到极大批评。

两张图，两个故事

“根据人口而不是土地面积投票”是反对常规州和县数据可视化地图的关键争议点。（来源：卫报）

在上面的数据可视化图中，我们可以看到投票是由土地而不是人口来表示的。

这立即给人的印象是共和党（红色）的票比民主党人（蓝色）更多，无论后者具有较大的人口票数差异。

现在让我们以不同的方式查看数据……

另一种表示民意差距的数据可视化地图。（来源：卫报）

下一张数据可视化地图提供了另一种视角。现在我们可以看到选择民主党的民意代表人数超过了共和党。

然而，由于民主党人和共和党人之间的选票仅相差4％，因此任何数据可视化都无法说明真实情况。你可以说两张地图都是真实的视觉扭曲，每一张都具有塑造感知和偏见的能力。

让我重复比较这两张地图。

第一张图给人的印象是一个庞大的偏向共和党的民意倾向，但与城市中心相比，农村地区的权重不成比例。

以北卡罗来纳州为例，它主要是红色的，但视觉化并不能立即告诉你答案，该州的民意支持率其实很接近。

第二张地图试图通过颜色和形状的强度来表示选票分布，来解决权重不均衡的问题。

现在，我们的注意力很容易就集中在沿海地区分布的大蓝色圆圈上。这增强了我们对民主党获得大多数选票的看法。

当我们看到上面的地图那样的视觉失真时，我们的系统1思维将做出最快和最简单的假设——不管是对是错。

这是数据最大的问题之一——它可以很容易地被操纵来讲述不同的故事。

.   .   .

认知偏差会扭曲我们对现实的感知

数据可视化可以通过多种不同方式扭曲我们对现实的感知。以下是一些值得一提的启发式方法……

可得性 Availability

诺贝尔奖获得者丹尼尔·卡尼曼（Daniel Kahneman）和阿莫斯•内森•特沃斯基（Amos-Nathan-Tversky）于1973年发明了可得性启发法（availability heuristic），它允许我们在需要即时信息时迅速得出结论。然而虽然心理捷径可能会有所帮助，但它也可能会导致错误的评估。

例如，在看了多起有关飞机失事的新闻报道后，你开始认为飞行是一种不安全的运输方式。当你下一次预订假期时，你决定不坐飞机，因为你认为飞机失事的可能性很大。

框架 Framing

一件事如何被描述的方式会影响我们建立一个与真实情况不同的个人现实。例如，以两瓶葡萄酒为例，其中一瓶的价格可能会高于另一瓶，以产生更高质量和更高价值的感觉。框架启发法也可以以价格、颜色和语调的形式发生。

锚定 Anchoring

锚定会在不同的场景中塑造我们的行为，无论是在服装店购物还是在讨价还价时。

当我们被一条信息所吸引时，我们的决策很可能会受到这个锚的影响。研究证明，人们往往被吸引到正在推广的东西上，而实际上却有更便宜的选择。例如，超市中一堆标有“每位顾客最多12罐”的汤罐会影响顾客购买更多该罐头。

代表性 Representativeness

卡尼曼和特沃斯基在20世纪70年代定义了另一种启发式方法。代表性启发法（Representativeness heuristic）加速了决策过程；然而，它也可能导致错误的选择、刻板印象和差错。

例如，当你在等公共汽车时，你看到一个人面带威胁，满脸邋遢，眼神凶狠。在没有任何证据表明此人可能是什么人的情况下，你的初步判断可能会告诉你他是一名罪犯，并且是不值得信任的人。我们所感知的未必总是真实的现实。

.   .   .

总结

我们的大脑天生就是要寻找一个符合我们叙述的真相的版本。无论我们认为自己多么公正，我们都容易根据可获得的有限信息做出判断。

正如我们在美国选举地图上看到的，数据可视化可以讲述不同的故事，但我们可能并不总是意识到这一点。

当涉及到与统计数据的可视化表现形式进行交互时，我们应该考虑到它的来源，并在我们对自己的判断过于迷恋之前寻找更多的证据。

万水千山总是情，点个 ???? 行不行。

---------End---------

公众号后台回复「微信群」，将邀请加入读者交流群。

• 《Python知识手册》

• 《Matplotlib可视化指南》

• 《Plotly可视化指南》

• 《Pandas使用指南》

• 《机器学习精选》

????分享、点赞、在看，给个三连击呗！????