College 10

Question 1

chart junk

Answer 1

Versieringen die niet per se bijdragen aan het verwerken van informatie.

Question 2

De lie factor

Answer 2

Iets wat je kunt gebruiken om te berekenen hoe groot de misleiding is in een grafiek. Je wilt dat deze zo dicht mogelijk bij 1 ligt. Dat de data die gevisualiseerd wordt zo veel mogelijk overeenkomt met hoe die gepresenteerd wordt.

Grootte van effect in visualisatie / grootte van effect in data

→ Dus hoe dichter de Lie Factor bij de 1.0 ligt, hoe accurater de visualisatie is

Question 3

De 3 meestvoorkomende misleidende visualisaties

Cairo (2015)

Answer 3

1. Het weglaten van relevante data ten gunste van de afzender
2. Het weergeven van te veel data om de werkelijkheid te verhullen
3. Het gebruiken van grafische vormen op ongeoorloofde manieren (ofwel, de data vervormen)

Question 4

het truncation effect

Answer 4

Het truncation effect bij grafieken verwijst naar de vervorming of misleiding die optreedt wanneer een grafiek niet de volledige schaal of het volledige bereik van de gegevens weergeeft. Dit gebeurt vaak wanneer de y-as (of soms de x-as) van een grafiek niet bij nul begint of wanneer een deel van de data wordt afgekapt. Hierdoor kan de grafiek de informatie op een manier presenteren die de werkelijke verschillen of trends vertekent.

Question 5

Yang et al. (2021)

Answer 5

3 doelen van het onderzoek:
1. Het verschaffen van een methodologie voor het bestuderen van y-as truncation.
2. Onderzoeken of we mensen kunnen inoculeren tegen het truncation effect – door ze te waarschuwen tegen de gevaren van truncation.
3. Het onderzoeken van de verschillen tussen mensen in hun gevoeligheid voor het truncation effect. Onderzocht worden:
- Visuele geletterdheid (in het paper: graph literacy)
- Expertise / ervaring (in het paper: expertise)

Er werden 4 experimenten gedaan. De deelnemers werd telkens gevraagd om het verschil tussen de linker en rechter staaf in te schatten. Het was binnen proefpersonen dus ze kregen allemaal zowel truncated als niet-truncated staafdiagrammen te zien. Ook werd getest wat er gebeurt als je mensen een uitleg geeft over truncation van de y-as en of het verschil maakt of mensen experise hebben binnen dit gebied of niet.

Resultaten:
- De centrale bevinding is dat afgeknotte staafdiagrammen (waarbij de y-as niet bij 0 begint) mensen er consistent toe brengen de verschillen tussen de staafhoogtes groter in te schatten dan bij normale diagrammen. Dit “afknottingseffect” was robuust aanwezig in alle experimenten.
- Uitleg vermindert effect maar elimineert het niet: een uitleg vooraf over afgeknotte assen verminderde het afknottingseffect enigszins, maar elimineerde het niet volledig. Zelfs na een vertraging van een dag tussen de uitleg en het beoordelen van nieuwe diagrammen, bleef het effect significant aanwezig.
- Effect aanwezig bij experts: het afknottingseffect was zelfs zichtbaar bij PhD-studenten in kwantitatieve vakgebieden, hoewel in mindere mate dan bij geesteswetenschappers. Formele statistische training en uitleg verminderde, maar elimineerde niet het effect bij deze experts.
- Conclusie: vermijd afgeknotte diagrammen
De onderzoekers concluderen dat afgeknotte staafdiagrammen hardnekkig misleidend zijn, zelfs na uitleg en bij experts. Ze adviseren dergelijke visualisaties te vermijden vanwege het robuuste vertekende effect op de perceptie van dataverhoudingen.