Hvorfor regnbuefarver ikke er den bedste mulighed for datavisualiseringer

Datavisualiseringer er smukke, spændende måder at fortælle historier på. Men du skal vælge omhyggeligt, når du designer et kort eller diagram, og en af ​​de største fejl er at misbruge regnbuens farver.

Rainbow farveskemaer - også kaldet spektrale farveskemaer - er hyppige valg til visualisering af data, både fordi de ser dristige og spændende ud, og fordi de er standard for mange visualiseringssoftwareværktøjer. Men de gør normalt mere skade end gavn. At opdage farverne overhovedet er et problem for flere læsere, end du måske gætter, og resten af ​​publikum vil finde det nemmere at forstå visualiseringen, hvis den præsenteres med en anden palet.

Regnbuens farveskemaer er 'næsten altid forkert valg ', skrev Anthony C. Robinson, geografiprofessor ved Pennsylvia State University, i en onlinetime på Coursera, som lærte eleverne, hvordan man bruger geospatiale teknologier til at kortlægge data.

Her er nogle grunde til, at regnbuefarver er det 'forkerte valg':

Farveblindhed og bestilling af farver

Folk, der er farveblinde, har svært ved at opdage farver, især rød og grøn. (Prøve denne farvesynstest for at se, om du er en af ​​dem.) Farveblindhed påvirker op til 10 procent af mændene . Det betyder, at hvis du serverer visuals til et publikum på hundredtusindvis, går du glip af en stor del af dit publikum.

Selvom de fleste mennesker ikke er farveblinde, kan regnbuens farveskemaer være forvirrende, fordi der ikke er nogen klar 'større end' eller 'mindre end ” logik til at bestille farverne, advarer datalogiforskere David Borland og Russell M. Taylor II. Folk er generelt enige om progressionen fra lys til mørk, men sorterer farver forskelligt, som vist her:

'Hvis folk får en række grå malingsspåner og bliver bedt om at sætte dem i rækkefølge, vil de konsekvent placere dem i enten en mørk-til-lys eller lys-til-mørke rækkefølge. Men hvis folk får malingsspåner farvet rød, grøn, gul og blå og bedt om at sætte dem i rækkefølge, resultaterne varierer,' ifølge forskere David Borland og Russell M. Taylor II , professor i datalogi ved University of North Carolina i Chapel Hill.

Ændringer kan være svære at se

Visualiseringer fortæller historien bag ændringer i data; deres job er at forenkle komplekse mønstre til en illustration, der lader dig forstå - ideelt set med et blik - hvad der foregår. Men menneskelige øjne er ikke gode til at opdage kanterne af forskellige farver, der sidder side om side. Vi er bedre til at se små ændringer inden for enkelte farveområder, fordi luminans- og mætningsværdier ændrer sig jævnt, hvor farverne ikke gør det, skrev Robert Kosara , visuel analyseforsker ved Billede og en ekspert i, hvordan vi ser farve, på hans personlige hjemmeside, EagerEyes.

Detaljerne bliver meget hurtigt tekniske, men den vigtigste lektie er, at regnbuefarver kun viser forskelle, når den faktiske farve ændres, mens farvegradienter give folk mulighed for at se gradvise ændringer.

Dit publikum kommer til at kæmpe for at skelne nuancerne fra hinanden, hvis du bruger regnbuefarver i stedet for at holde dig til en gradueret skala af én farve.

Vildledende konklusioner

Afhængigt af dit publikum kan det forkerte valg have alvorlige konsekvenser. I et Harvard-studie , fandt forskere, at 2-D-diagrammer af hjertearterier, der brugte en gradient fra sort til rød, var mere effektive værktøjer til læger, der stiller diagnoser, end 3-D-modeller, der bruger regnbuens farver. Kliniske undersøgelser viste, at diagrammerne, der brugte en gradient, øgede nøjagtigheden af ​​lægers diagnoser af åreforkalkning og hjertesygdomme fra 39 procent til 91 procent.

En sammenligning af effektiviteten af ​​2-D arterielle diagrammer med sorte til røde gradienter og 3-D regnbuefarvede modeller. (Billeder: Michelle Borkin / Harvard School of Engineering and Applied Sciences)

Ikke alle datavisualiseringer bruges til at foretage kritiske lægeopkald, men regnbuefarver kan vildlede, når journalister bruger dem til forkert at vise kvantitative data.

'Regnbuefarver er ikke dårlige, hvis du bruger dem til kategoriske data,' Drew Skau, visualiseringsarkitekt hos Visual.ly , fortalte Poynter i et videointerview. 'De er dårlige, hvis du bruger dem til at repræsentere kontinuerlige data.'

Hvad er forskellen? Kontinuerlige data er kvantitative og beskrevet med tal; kategoriske data er kvalitative og beskrevet med ord. Sammenlign f.eks. disse grupperinger:

• Eksotiske kæledyr: chinchilla, ocelot, skorpioner, hvæsende kakerlakker, pytonslanger
• Temperatur i Fahrenheit: -459,67°F, 32°F, 212°F
• Valgmandsstemmer under valg: 206, 270, 332

De eksotiske kæledyr er relateret til hinanden, men ikke kontinuerlige - du kan ikke måle forskellen mellem en chinchilla og en ocelot. Temperaturaflæsningerne er på den anden side kontinuerlige - de er tal på en skala med målbare afstande.

Valgstemmer er kontinuerlige data, men de er også divergerende. Vi vil gerne vide, hvad midtpunktet er (270 valgmandsstemmer), fordi den, der modtager mere end 50 procent af stemmerne, vinder. Datavisualiseringen viser således normalt blå for at repræsentere demokrater i den ene ende og rød for republikanere i den anden ende, hvilket er den ideelle måde at repræsentere divergerende data.

Denne øvelse fra Robinson viser, hvordan spektrale farver gør det meget sværere at se forskellen i mængden af ​​tweets (som er kvantitative data) under præsidentvalget i 2012:

Dette kort viser mængden af ​​Obama og Romneys tweets fra præsidentvalget i 2012 ved hjælp af spektrale farver.
(Billede: Dr. Anthony C. Robinson / Penn State)

Her er det samme kort, men Robinson har ændret regnbuens farver til en enkelt nuance (lilla) med varierende mætning.

(Billede: Dr. Anthony C. Robinson / Penn State)

Men regnbuefarver bruges ofte til at illustrere kvantitative data, selv ved NASA videnskabsmænd. Akademikere har opfordret det videnskabelige samfund til at stoppe med at bruge spektrale farver, og videnskabsmænd og ingeniører er bekymret for nøjagtigheden af farvebrug. Som journalister kan vi lære af både researchen og argumenterne.

Hjælp fra eksperterne

Mange dataeksperter har bygget nyttige værktøjer til at hjælpe dig med at vælge farver:

• ColorBrewer af Cynthia Brewer, Mark Harrower og Penn State hjælper dig med at designe farvepaletter til kort; du kan vælge antallet af dataelementer, typen af ​​data og endda farveblindesikre farver.
• Farveværktøj , skabt af tidligere NASA-forskere, tilbyder en app i professionel kvalitet til kompleks infografik og aeronautiske skærme.
• Adobes Kuler er et smart farvehjul, der tilbyder farvesammensætninger.
• Poynter's NewsUs digitale værktøjskatalog har en række værktøjer, som du kan komme i gang med at visualisere data med.

Farver er vidunderlige - da jeg undersøgte denne artikel, opdagede jeg ting om dem, jeg aldrig vidste, såsom det faktum, at gul er den lyseste farve af regnbuen og at folk, der taler andre sprog kan se farver Engelsktalende kan ikke. Farver hjælper med at gøre visualiseringer spændende, men et par kloge farvevalg kan sikre, at disse visualiseringer er vigtigere informative.