How to spot a misleading graph - Lea Gaslowitz

چطور یک نمودار گمراه کننده را شناسایی کنیم - لی گاسلویتز

Translator: sadegh zabihi Reviewer: Leila Ataei

A toothpaste brand claims their product will destroy more plaque

یک برند خمیردندان ادعا می‌کند که محصول آنها جرم‌های بیشتری را

than any product ever made.

از هر محصولی که تا به حال ساخته شده است از بین می‌برد.

A politician tells you their plan will create the most jobs.

یک سیاست‌مدار می‌گوید که بیشترین شغل‌ها را ایجاد می‌کند.

We're so used to hearing these kinds of exaggerations

خیلی به شنیدن اینگونه بزرگنمایی‌ها

in advertising and politics

در تبلیغات و سیاست عادت کرده‌ایم

that we might not even bat an eye.

و دیگر حنایشان پیش ما رنگی ندارد.

But what about when the claim is accompanied by a graph?

اما وقتی که نموداری هم کنار ادعا قرار دارد چطور؟

Afterall, a graph isn't an opinion.

هر چه باشد نمودار یک نظر صرف نیست.

It represents cold, hard numbers, and who can argue with those?

اعداد سفت سختی ارائه می‌کند و کی می‌تواند با آن در بیافتد؟

Yet, as it turns out, there are plenty of ways graphs can mislead

اما باز هم مشخص شده که راه‌های زیادی هست که نمودارها هم گمراه کننده

and outright manipulate.

و دستکاری شده باشند.

Here are some things to look out for.

در ادامه چند نکته برای جستجو بیان می‌شود.

In this 1992 ad, Chevy claimed to make the most reliable trucks in America

در این تبلیغ مربوط به سال ۱۹۹۲، شورلت با اتکا به این نمودار

using this graph.

ادعا کرد که قابل اطمینان‌ترین وانت‌ها را می‌سازد.

Not only does it show that 98% of all Chevy trucks sold in the last ten years

نه تنها نشان می‌دهد ۹۸% از وانت‌های شورلت فروخته شده در سال گذشته

are still on the road,

هنوز در جاده هستند،

but it looks like they're twice as dependable as Toyota trucks.

به نظر می‌رسد دوبرابر بیش از وانت‌های تویوتا قابل اعتماد هستند.

That is, until you take a closer look at the numbers on the left

این تنها تا وقتی است که نگاهی به اعداد سمت چپ می‌اندازید

and see that the figure for Toyota is about 96.5%.

و می‌بینید که نمودار تویوتا حدود ۹۶.۵% است.

The scale only goes between 95 and 100%.

این مقیاس تنها بین ۹۵ تا ۱۰۰% قرار دارد.

If it went from 0 to 100, it would look like this.

اگر بین ۰ و ۱۰۰% بود این شکلی می‌شد.

This is one of the most common ways graphs misrepresent data,

این یکی از پرکاربردترین راه‌ها است که با تحریف مقیاس

by distorting the scale.

نمودار اطلاعات دروغین ارائه می‌دهد.

Zooming in on a small portion of the y-axis

بزرگنمایی یک قسمت کوچک محور عمودی

exaggerates a barely detectable difference between the things being compared.

اختلاف بسیار جزئی چیزهایی که با هم مقایسه می‌کنیم را بسیار بزرگ نشان می‌دهد.

And it's especially misleading with bar graphs

و به خصوص در نمودارهای میله‌ای

since we assume the difference in the size of the bars

که اختلاف بین اندازه میله‌ها را متناسب با مقادیر می‌دانیم

is proportional to the values.

بسیار گمراه کننده است.

But the scale can also be distorted along the x-axis,

اما تحریف مقیاس در محور افقی هم انجام می‌شود،

usually in line graphs showing something changing over time.

به خصوص وقتی در نمودارهای خطی تغییرات چیزی در طول زمان نشان داده می‌شود.

This chart showing the rise in American unemployment from 2008 to 2010

در این نمودار نشان‌دهنده افزایش بیکاری در آمریکا از ۲۰۰۸ تا ۲۰۰۹

manipulates the x-axis in two ways.

محور افقی به دو روش دستکاری شده است.

First of all, the scale is inconsistent,

اول از همه، مقیاس متغیر است،

compressing the 15-month span after March 2009

و ۱۵ ماه بعد از مارس ۲۰۰۹ فشرده شده

to look shorter than the preceding six months.

تا کوتاه‌تر از شش ماه پیش از آن به نظر بیاید.

Using more consistent data points gives a different picture

استفاده از نقاط داده دقیق‌تر می‌تواند تصویری متفاوت

with job losses tapering off by the end of 2009.

از روند تغییر بیکاری‌ها در انتهای سال ۲۰۰۹ ایجاد کند.

And if you wonder why they were increasing in the first place,

و اگر بپرسید چرا در ابتدا در حال زیاد شدن بودند،

the timeline starts immediately after the U.S.'s biggest financial collapse

محور زمان درست بعد از بزرگترین فروپاشی اقتصادی ایالات متحده

since the Great Depression.

بعد از افسردگی بزرگ شروع می‌شود.

These techniques are known as cherry picking.

به این روش‌ها روش آلبالو چینی می‌گویند.

A time range can be carefully chosen to exclude the impact of a major event

بازه زمانی را می‌توان طوری بادقت انتخاب کرد که تاثیر یک اتفاق بزرگ

right outside it.

درست بعد از وقوع آن ناچیز جلوه داده شود.

And picking specific data points can hide important changes in between.

و انتخاب نقاط داده خاص می‌تواند تغییرات مهم میانی را پنهان کند.

Even when there's nothing wrong with the graph itself,

حتی وقتی که خود نمودار هیچ مشکلی نداشته باشد،

leaving out relevant data can give a misleading impression.

جا انداختن اطلاعات مربوط می‌تواند باعث دریافت اشتباه شود.

This chart of how many people watch the Super Bowl each year

این نمودار درباره بینندگان سالانه فوتبال

makes it look like the event's popularity is exploding.

نشان می‌دهد که شدت محبوبیت در حال انفجار است.

But it's not accounting for population growth.

اما افزایش جمعیت در آن لحاظ نشده است.

The ratings have actually held steady

رتبه بندی درواقع ثابت مانده است

because while the number of football fans has increased,

زیرا همانطور که تعداد بینندگان فوتبال زیاد شده است،

their share of overall viewership has not.

اما سهم آنها از همه بینندگان تغییری نکرده است.

Finally, a graph can't tell you much

در پایان، نمودار نمی‌تواند چیز زیادی به شما بگوید

if you don't know the full significance of what's being presented.

اگر از معنای کامل چیزی که ارائه می‌شود بی‌اطلاع باشید.

Both of the following graphs use the same ocean temperature data

هردوی این نمودارها از اطلاعات یکسانی درباره دمای اقیانوس

from the National Centers for Environmental Information.

از مراکز اطلاعات محیط زیستی ملی استفاده کرده‌اند.

So why do they seem to give opposite impressions?

پس چرا تصورات متضادی ایجاد می‌کنند؟

The first graph plots the average annual ocean temperature

نمودار اول دمای میانگین سالانه اقیانوس را

from 1880 to 2016,

بین سال‌های ۱۸۸۰ تا ۲۰۱۶ نشان می‌دهد،

making the change look insignificant.

و تغییرات ناچیز به نظر می‌رسند.

But in fact, a rise of even half a degree Celsius

اما در واقع، افزایش حتی نیم درجه سانتی گراد

can cause massive ecological disruption.

می‌تواند به فجایع عظیم زیست محیطی دامن بزند.

This is why the second graph,

به همین دلیل است که نمودار دوم،

which show the average temperature variation each year,

که تغییرات دمای میانگین هر سال را نشان می‌دهد،

is far more significant.

معنی خیلی بیشتری دارد.

When they're used well, graphs can help us intuitively grasp complex data.

اگر از نمودارها درست استفاده شود، می‌تواند به درک مستقیم مطالب پیچیده کمک کنند.

But as visual software has enabled more usage of graphs throughout all media,

اما همانطورکه نرم‌افزارهای بصری استفاده از نمودار را در همه زمینه‌ها آسان کرده است،

it's also made them easier to use in a careless or dishonest way.

استفاده بی دقت و بی صداقت از آنها را هم راحت کرده است.

So the next time you see a graph, don't be swayed by the lines and curves.

پس دفعه بعد که نموداری دیدید غرق در خطوط و منحنی‌ها نشوید.

Look at the labels,

به نامگذاری‌ها،

the numbers,

اعداد،

the scale,

مقیاس‌ها،

and the context,

و محتوای آن دقت کنید،

and ask what story the picture is trying to tell.

و ببینید تصویر چه داستانی را بیان می‌کند.