Colour Blinded by the Noise
Dit artikel introduceert een nieuw evaluatiekader dat de Ishihara-kleurenblindheidstest aanpast om onzekerheidsvisualisatiemethoden te beoordelen door onzekerheid als ruis te behandelen, waardoor de fundamentele theorie voor signaalonderdrukking wordt vastgesteld en tegenstrijdige resultaten in het vakgebied worden opgelost.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Kaarten zijn krachtige instrumenten om patronen in de wereld te zien, van de verspreiding van een ziekte tot de stemgewoonten van een staat. Maar elke kaart is gebouwd op gegevens die nooit perfect zeker zijn. Wanneer onderzoekers mensen tellen of regenval meten, is er altijd een foutenmarge, een reeks mogelijkheden in plaats van één enkel, hard getal. De uitdaging voor kaartenmakers is hoe ze deze onzekerheid kunnen tonen zonder de echte patronen te verbergen. Als een kaart te veel detail over de fout weergeeft, raakt het ware signaal verloren in de ruis. Als het geen enkele fout weergeeft, kan de kaart de kijker misleiden door een patroon te laten zien dat er eigenlijk niet is, wat leidt tot slechte beslissingen. Decennialang hebben wetenschappers gedebatteerd over de beste manier om deze behoeften in balans te brengen, waarbij ze methoden vaak testten door mensen complexe grafieken te laten interpreteren. Deze aanpak verwart echter vaak het vermogen van de kijker om een grafiek te lezen met hun vermogen om de waarheid te zien.
Een team van onderzoekers probeerde dit op te lossen door de vraag volledig te veranderen. In plaats van mensen te vragen statistieken te interpreteren, stelden ze een simpelere vraag: kun je de vorm zien? Ze behandelden onzekerheid niet als informatie die gelezen moet worden, maar als ruis die valse patronen moet verbergen. Om dit te doen, leenden ze een truc uit een klassieke test voor kleurenblindheid. In die test kijkt een persoon naar een plaat met gekleurde stippen en probeert een verborgen nummer te vinden. Als de persoon normaal zicht heeft, springt het nummer eruit; als de persoon een specifiek type kleurenblindheid heeft, versmelten de stippen met elkaar en verdwijnt het nummer. De onderzoekers realiseerden zich dat ze hetzelfde principe voor kaarten konden gebruiken. Ze creëerden kaarten waarbij het "nummer" een echt patroon in de data was, en de "kleurenblindheid" de statistische onzekerheid. Als een kaart goed was in het tonen van onzekerheid, zou het het verborgen nummer laten verdwijnen wanneer de data wankel was, net zoals kleurenblindheid een nummer laat verdwijnen wanneer de kleuren te veel op elkaar lijken.
Het team testte vijf verschillende manieren om deze kaarten te tekenen. De eerste was de standaardkaart, waarbij elke regio een enkele egale kleur heeft die de gemiddelde waarde vertegenwoordigt. De tweede was een kaart met twee variabelen die zowel kleur als helderheid gebruikte om het gemiddelde en de fout weer te geven. De derde was een speciaal palet dat kleuren in elkaar liet overvloeien naarmate de fout groter werd. De vierde en vijfde methode waren radicaler: in plaats van een enkel gemiddelde te tonen, toonden ze de data als een verzameling van vele kleine puntjes of transparante lagen, wat in feite de kaart schildert met een steekproef van mogelijke uitkomsten. Ze genereerden honderden van deze kaarten, elk met een verborgen nummer bestaande uit regio's die net iets anders waren dan de achtergrond. Ze varieerden de sterkte van het patroon en de hoeveelheid onzekerheid in de data om te zien welke kaarten het nummer alleen zichtbaar maakten wanneer het statistisch gezien echt was.
De resultaten waren duidelijk en verrassend. De standaardkaart en de kaart met twee variabelen slaagden er niet in om de valse patronen te verbergen. Ongeacht hoeveel onzekerheid er in de data zat, deze kaarten toonden het nummer nog steeds duidelijk. Ze gedroegen zich alsof de data perfect waren, zelfs toen dat niet zo was. Dit betekent dat het simpelweg toevoegen van een tweede kleur of een helderheidsschaal de kijker niet tegenhoudt om een patroon te zien dat misschien een statistische toevalstreffer is. De derde methode, die kleuren mengde, verborg wel enkele patronen, maar deed dit op een onhandige manier. Het verborg het nummer alleen wanneer de onzekerheid op zijn absoluut maximaal was, en paste zich niet soepel aan naarmate de data minder onzeker werd.
De kaarten die het beste werkten, waren de kaarten die het volledige bereik van mogelijkheden lieten zien. De kaarten bestaande uit kleine puntjes en de transparante lagen slaagden er beide in om het nummer te verbergen wanneer de data te ruizig waren om het te ondersteunen, en het te onthullen wanneer het patroon sterk was. Deze methoden vertrouwden niet op complexe kleurmenging of speciale paletten. In plaats daarvan vertrouwden ze op de eenvoudige handeling om de data te tonen als een verzameling van vele mogelijkheden. Wanneer de data onzeker waren, mengden de puntjes of lagen zich zo grondig dat de vorm van het nummer oploste in de achtergrond. Wanneer de data zeker waren, vormden de puntjes een duidelijk beeld. Dit suggereert dat om onzekerheid echt te tonen, een kaart moet stoppen met proberen de data samen te vatten in één enkel getal en moet beginnen met het tonen van de data zoals ze werkelijk zijn: een verzameling van mogelijkheden.
De studie betrok 137 mensen die naar deze kaarten op een scherm keken en probeerden de verborgen nummers te identificeren. De onderzoekers ontdekten dat het vermogen om het nummer te zien veranderde afhankelijk van het type kaart en de hoeveelheid onzekerheid, precies zoals de theorie voorspelde. De kaarten die de volledige distributie van de data toonden, waren de enigen die zich gedroegen als een echte statistische test, waarbij ze het signaal verborgen wanneer het zwak was en het toonden wanneer het sterk was. Deze bevinding biedt een nieuwe weg vooruit voor iedereen die beslissingen moet nemen op basis van kaarten. Het suggereert dat de beste manier om valse conclusies te voorkomen niet is om meer kleuren of labels toe te voegen, maar om de kijker de rauwe, rommelige realiteit van de data te laten zien. Door dit te doen, wordt de kaart zelf een instrument voor oordeelsvorming, waarbij de ruis wordt vervaagd zodat alleen het ware signaal zichtbaar blijft.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.