tomber enceinte avec le liquide séminal
Nombres, faits et tendances façonnant votre monde
L'équipe graphique du Centre de recherche sur Pew crée des centaines de graphiques, de cartes et d'autres visualisations de données chaque année. Nous dépendons de ces visuels pour communiquer clairement nos conclusions de recherche. Dans le même temps, nous essayons de rendre nos conclusions attrayantes visuellement aux lecteurs.
Alors qu'est-ce qui fait un graphique réussi? De manière générale, il doit avoir une empreinte claire, engager des lecteurs et afficher des couches d'informations au-delà du point immédiat qui attire d'abord l'œil. Les graphiques doivent également être digestibles pour les lecteurs sur un petit écran, d'autant plus que les smartphones et l'adoption sur Internet sont devenus si généralisés.
Surtout, les graphiques devraient raconter une histoire sur nos recherches, qu'il s'agisse de changer de données démographiques ou de valeurs politiques des Américains. À la fin de 2019, voici quelques-uns de nos graphismes préférés de l'année, avec quelques notes sur ce qui est allé dans les casser.
Nous utilisons fréquemment des "petits multiples", qui constituent un procédé d'affichage du même type de graphique dans une disposition à gridade pour communiquer plusieurs séries de données dans une zone compacte. Il y a plusieurs raisons c'est une approche efficace, notamment la facilité d'étiquetage et la capacité d'inclure de nombreux points de données sans accabler le lecteur en mettant tout dans le même tableau.
Un graphique montrant des préoccupations sur le changement climatique a utilisé cette technique à grand effet plus tôt cette année. Cela aurait été difficile, voire impossible, d'étiqueter clairement chacune des 10 lignes de ce graphique si elles étaient toutes sur le même tableau. Les lignes auraient des chevauchements et la principale attirance de la carte - que les habitants de chacun des 10 pays examinés sont devenus plus préoccupés par la menace de changement climatique depuis 2013 - peut avoir été perdue.
La petite approche multiple ne fonctionne pas pour chaque ensemble de données, mais lorsqu'elle le fait, il peut être particulièrement efficace pour montrer des tendances pour différents groupes ou pays sans faire du lecteur à travers des étiquettes difficiles à déchiffrer. Ici, le fait que les lignes de tendance se déplacent tous dans la même direction s'ajoute à l'impact du graphique.
Il y a un an, le gouvernement fédéral était au milieu de son dernier arrêt partiel. Avec des centaines de milliers de travailleurs fédéraux congulés, nous nous sommes demandé s'il y avait une différence dans le nombre moyen d'employés fédéraux dans les districts de la maison détenus par des républicains par rapport à ceux des démocrates. Nous avons constaté que les travailleurs fédéraux sont représentés équitablement équitablement par chaque partie. Pour montrer que, nous avons utilisé un cartogramme de districts du Congrès, montrant la répartition globale des travailleurs fédéraux et les rompre par le parti de leur représentant élu.
Étant donné que ce type de visualisation pourrait être nouveau pour les lecteurs, nous avons inclus une petite clé en haut, montrant comment une carte typique des États-Unis se traduit par un cartogramme. Dans le cartogramme lui-même, chaque district du Congrès est représenté par une zone de taille égale plutôt que sa zone géographique réelle. Cela empêche la surreprésentation visuelle des districts qui couvrent beaucoup de superficie, mais ont une petite population, ainsi que l'inverse. Dans une carte géographiquement précise, le 8ème district du Congrès de Virginie - qui couvre une petite zone terrestre dans et autour d'Alexandrie, mais abrite les employés les plus fédéraux de tout district de la maison - tout sauf disparaître. En utilisant un cartogramme et dimensionnez tous les districts du Congrès de manière égale, nous pouvons facilement constater que le district d'Alexandrie se distingue par son nombre de travailleurs fédéraux.
L'identité politique est un élément clé de la plupart de nos conclusions liées à la politique américaine et à la partisanerie est la fracture prédominante observée dans le point de vue du public sur les questions politiques. Mais tout le monde ne fait pas partie des États-Unis identifie avec l'un des deux principaux partis politiques. En fait, les indépendants auto-identifiés représentent environ 38% des adultes américains, en comptant des indépendants qui "maigres" vers une partie ou l'autre.
Pour un rapport sur les Américains politiquement indépendants, nous voulions visualiser deux choses: quelle part une part de la population se considère indépendante et que peu de choses dans ce groupe sont «vrais» indépendants - c'est-à-dire des adultes qui ne se penchent pas vers la fête.
Pour ce faire, nous avons construit un diagramme régional assez standard avec des tranches pour représenter les républicains, les démocrates et ceux qui se considèrent comme eux-mêmes. Étant donné que le rapport était axé sur les indépendants, nous avons souligné que 38% de tranche avec un grand contour noir. Combiné avec les couleurs saturées des identifiants de parti, cela a eu pour effet de faire la section centrale du graphique "pop". C'est la première chose que vous remarquez lorsque vous regardez le graphique. Ensuite, dans cette partie centrale du graphique, nous avons éclaté "maigres" et ceux qui déclinent de se pencher vers une fête.
Le tampon de la carte est que ceux qui s'appellent eux-mêmes indépendants sont un grand groupe, mais le véritable indépendant - la mince tranche de gris des Américains au milieu du graphique - sont un petit groupe dont la part de la population n'a pas beaucoup changé au fil du temps. .
L'un des rapports de signature du centre chaque année mesure des restrictions et des hostilités sociales à l'égard de la religion du monde entier. Pour la 10e édition de ce rapport, des concepteurs et des chercheurs souhaitaient un rénal visuel fort pour marcher sur des lecteurs jusqu'à 10 ans de données. Le résultat était-ce interactif.
En plus d'un cartogramme personnalisé animé et de petits multiples, l'interactif utilise desplits de dispersion connectés. Une dispersion connectée n'est pas une nouvelle idée: un concepteur peut utiliser ce format pour afficher la modification au fil du temps sur les deux axes, plutôt que d'une seule (comme un organigramme). Cependant, desplos de dispersion connectés viennent avec des défis. Ce n'est pas un type de visuel commun. Les lecteurs peuvent donc ne pas être familiarisés avec la façon de le lire. Et il y a un risque d'interprétation erronée car les lecteurs s'attendent généralement à lire une série de temps de gauche à droite. Pour atténuer ces préoccupations, nous avons utilisé l'animation.
Premièrement, lorsque la diffamation initiale apparaît, un seul point de données est affiché, à côté d'une explication de ce qu'elle représente. Lorsque le lecteur fait défiler le bas, une autre annotation apparaît, décrivant les données et comment lire le graphique. Lorsque le plate-forme complète apparaît à l'écran, la ligne Connexion de chaque point anime, soulignant chaque nouvelle année tel qu'il apparaît sur le graphique, en séquence. Nous répétons cette technique pour plusieurs pays tout au long de l'interactif, renforçant la lecture du graphique. L'utilisation de l'animation nous permet de montrer toutes les données - mais pas toutes en même temps, de manière à ne pas être accablante.
Centre de recherche sur Pew utilise de plus en plus les techniques de sciences sociales informatiques pour étudier le monde, ce qui signifie que nous avons également besoin de plus en plus d'explications visuelles de ces approches complexes. Pour un projet récent utilisant une analyse d'images en ligne à grande échelle, nous voulions expliquer de manière à ce que la vision de la machine fonctionne, tout en démontrant ainsi ses pièges et limitations. Pour ce faire, nous avons développé une fonctionnalité interactive qui permet aux utilisateurs d'essayer de faire trébucher un algorithme qui classant des photos comme décrivant un homme ou une femme.
Cette visualisation a présenté plusieurs défis. L'un était que l'apprentissage de la machine est un concept compliqué, ce qui est essentiel que les concepteurs et les chercheurs utilisent des visuels simples et des explications textuelles. Un autre était que les images généralement utilisées pour créer de tels algorithmes ne conviennent pas à la publication, en partie parce que des photos peuvent être trop granuleuses ou de mauvaise qualité. Pour résoudre ce problème, nous avons décidé de prendre des photos visuellement cohérentes et de haute qualité de notre propre personnel.
L'interactive résultante utilise une interface visuelle simple - une grille de carrés colorés placés sur chaque photo - pour montrer comment couvrir une petite partie d'une photo peut provoquer une modification d'un algorithme de modifier sa classification initiale d'une image de l'homme à la femme ou inversement. Comme avec lesplots de dispersion connectés, nous avons utilisé l'animation et l'interactivité pour créer une séquence claire que les lecteurs pouvaient marcher à leur rythme. L'interactif a révélé que les classifications de l'algorithme dépendaient souvent des intrants apparemment arbitraires.
Alissa Scheller est une concepteur graphique de l'information au Centre de recherche sur Pew.
En période d'incertitude, de bonnes décisions exigent de bonnes données. Veuillez soutenir nos recherches avec une contribution financière.
À propos du Centre de recherche sur Pew Centre de recherche sur Pew est un réservoir de fait non étagère qui informe le public sur les problèmes, les attitudes et les tendances qui façonnent le monde. Il mène des sondages d'opinion, des recherches démographiques, une analyse de contenu des médias et une autre recherche sur la science sociale empirique. Le Centre de recherche sur Pew ne prend pas de postes de politique. C'est une filiale des fiducies de charité de pew.
https://www.youtube.com/watch?v=XC42wfYpY4E
Nombres, faits et tendances façonnant votre monde
L'équipe graphique du Centre de recherche sur Pew crée des centaines de graphiques, de cartes et d'autres visualisations de données chaque année. Nous dépendons de ces visuels pour communiquer clairement nos conclusions de recherche. Dans le même temps, nous essayons de rendre nos conclusions attrayantes visuellement aux lecteurs.
Alors qu'est-ce qui fait un graphique réussi? De manière générale, il doit avoir une empreinte claire, engager des lecteurs et afficher des couches d'informations au-delà du point immédiat qui attire d'abord l'œil. Les graphiques doivent également être digestibles pour les lecteurs sur un petit écran, d'autant plus que les smartphones et l'adoption sur Internet sont devenus si généralisés.
Surtout, les graphiques devraient raconter une histoire sur nos recherches, qu'il s'agisse de changer de données démographiques ou de valeurs politiques des Américains. À la fin de 2019, voici quelques-uns de nos graphismes préférés de l'année, avec quelques notes sur ce qui est allé dans les casser.
Nous utilisons fréquemment des "petits multiples", qui constituent un procédé d'affichage du même type de graphique dans une disposition à gridade pour communiquer plusieurs séries de données dans une zone compacte. Il y a plusieurs raisons c'est une approche efficace, notamment la facilité d'étiquetage et la capacité d'inclure de nombreux points de données sans accabler le lecteur en mettant tout dans le même tableau.
Un graphique montrant des préoccupations sur le changement climatique a utilisé cette technique à grand effet plus tôt cette année. Cela aurait été difficile, voire impossible, d'étiqueter clairement chacune des 10 lignes de ce graphique si elles étaient toutes sur le même tableau. Les lignes auraient des chevauchements et la principale attirance de la carte - que les habitants de chacun des 10 pays examinés sont devenus plus préoccupés par la menace de changement climatique depuis 2013 - peut avoir été perdue.
La petite approche multiple ne fonctionne pas pour chaque ensemble de données, mais lorsqu'elle le fait, il peut être particulièrement efficace pour montrer des tendances pour différents groupes ou pays sans faire du lecteur à travers des étiquettes difficiles à déchiffrer. Ici, le fait que les lignes de tendance se déplacent tous dans la même direction s'ajoute à l'impact du graphique.
Il y a un an, le gouvernement fédéral était au milieu de son dernier arrêt partiel. Avec des centaines de milliers de travailleurs fédéraux congulés, nous nous sommes demandé s'il y avait une différence dans le nombre moyen d'employés fédéraux dans les districts de la maison détenus par des républicains par rapport à ceux des démocrates. Nous avons constaté que les travailleurs fédéraux sont représentés équitablement équitablement par chaque partie. Pour montrer que, nous avons utilisé un cartogramme de districts du Congrès, montrant la répartition globale des travailleurs fédéraux et les rompre par le parti de leur représentant élu.
Étant donné que ce type de visualisation pourrait être nouveau pour les lecteurs, nous avons inclus une petite clé en haut, montrant comment une carte typique des États-Unis se traduit par un cartogramme. Dans le cartogramme lui-même, chaque district du Congrès est représenté par une zone de taille égale plutôt que sa zone géographique réelle. Cela empêche la surreprésentation visuelle des districts qui couvrent beaucoup de superficie, mais ont une petite population, ainsi que l'inverse. Dans une carte géographiquement précise, le 8ème district du Congrès de Virginie - qui couvre une petite zone terrestre dans et autour d'Alexandrie, mais abrite les employés les plus fédéraux de tout district de la maison - tout sauf disparaître. En utilisant un cartogramme et dimensionnez tous les districts du Congrès de manière égale, nous pouvons facilement constater que le district d'Alexandrie se distingue par son nombre de travailleurs fédéraux.
L'identité politique est un élément clé de la plupart de nos conclusions liées à la politique américaine et à la partisanerie est la fracture prédominante observée dans le point de vue du public sur les questions politiques. Mais tout le monde ne fait pas partie des États-Unis identifie avec l'un des deux principaux partis politiques. En fait, les indépendants auto-identifiés représentent environ 38% des adultes américains, en comptant des indépendants qui "maigres" vers une partie ou l'autre.
Pour un rapport sur les Américains politiquement indépendants, nous voulions visualiser deux choses: quelle part une part de la population se considère indépendante et que peu de choses dans ce groupe sont «vrais» indépendants - c'est-à-dire des adultes qui ne se penchent pas vers la fête.
Pour ce faire, nous avons construit un diagramme régional assez standard avec des tranches pour représenter les républicains, les démocrates et ceux qui se considèrent comme eux-mêmes. Étant donné que le rapport était axé sur les indépendants, nous avons souligné que 38% de tranche avec un grand contour noir. Combiné avec les couleurs saturées des identifiants de parti, cela a eu pour effet de faire la section centrale du graphique "pop". C'est la première chose que vous remarquez lorsque vous regardez le graphique. Ensuite, dans cette partie centrale du graphique, nous avons éclaté "maigres" et ceux qui déclinent de se pencher vers une fête.
Le tampon de la carte est que ceux qui s'appellent eux-mêmes indépendants sont un grand groupe, mais le véritable indépendant - la mince tranche de gris des Américains au milieu du graphique - sont un petit groupe dont la part de la population n'a pas beaucoup changé au fil du temps. .
L'un des rapports de signature du centre chaque année mesure des restrictions et des hostilités sociales à l'égard de la religion du monde entier. Pour la 10e édition de ce rapport, des concepteurs et des chercheurs souhaitaient un rénal visuel fort pour marcher sur des lecteurs jusqu'à 10 ans de données. Le résultat était-ce interactif.
En plus d'un cartogramme personnalisé animé et de petits multiples, l'interactif utilise desplits de dispersion connectés. Une dispersion connectée n'est pas une nouvelle idée: un concepteur peut utiliser ce format pour afficher la modification au fil du temps sur les deux axes, plutôt que d'une seule (comme un organigramme). Cependant, desplos de dispersion connectés viennent avec des défis. Ce n'est pas un type de visuel commun. Les lecteurs peuvent donc ne pas être familiarisés avec la façon de le lire. Et il y a un risque d'interprétation erronée car les lecteurs s'attendent généralement à lire une série de temps de gauche à droite. Pour atténuer ces préoccupations, nous avons utilisé l'animation.
Premièrement, lorsque la diffamation initiale apparaît, un seul point de données est affiché, à côté d'une explication de ce qu'elle représente. Lorsque le lecteur fait défiler le bas, une autre annotation apparaît, décrivant les données et comment lire le graphique. Lorsque le plate-forme complète apparaît à l'écran, la ligne Connexion de chaque point anime, soulignant chaque nouvelle année tel qu'il apparaît sur le graphique, en séquence. Nous répétons cette technique pour plusieurs pays tout au long de l'interactif, renforçant la lecture du graphique. L'utilisation de l'animation nous permet de montrer toutes les données - mais pas toutes en même temps, de manière à ne pas être accablante.
Centre de recherche sur Pew utilise de plus en plus les techniques de sciences sociales informatiques pour étudier le monde, ce qui signifie que nous avons également besoin de plus en plus d'explications visuelles de ces approches complexes. Pour un projet récent utilisant une analyse d'images en ligne à grande échelle, nous voulions expliquer de manière à ce que la vision de la machine fonctionne, tout en démontrant ainsi ses pièges et limitations. Pour ce faire, nous avons développé une fonctionnalité interactive qui permet aux utilisateurs d'essayer de faire trébucher un algorithme qui classant des photos comme décrivant un homme ou une femme.
Cette visualisation a présenté plusieurs défis. L'un était que l'apprentissage de la machine est un concept compliqué, ce qui est essentiel que les concepteurs et les chercheurs utilisent des visuels simples et des explications textuelles. Un autre était que les images généralement utilisées pour créer de tels algorithmes ne conviennent pas à la publication, en partie parce que des photos peuvent être trop granuleuses ou de mauvaise qualité. Pour résoudre ce problème, nous avons décidé de prendre des photos visuellement cohérentes et de haute qualité de notre propre personnel.
L'interactive résultante utilise une interface visuelle simple - une grille de carrés colorés placés sur chaque photo - pour montrer comment couvrir une petite partie d'une photo peut provoquer une modification d'un algorithme de modifier sa classification initiale d'une image de l'homme à la femme ou inversement. Comme avec lesplots de dispersion connectés, nous avons utilisé l'animation et l'interactivité pour créer une séquence claire que les lecteurs pouvaient marcher à leur rythme. L'interactif a révélé que les classifications de l'algorithme dépendaient souvent des intrants apparemment arbitraires.
Alissa Scheller est une concepteur graphique de l'information au Centre de recherche sur Pew.
En période d'incertitude, de bonnes décisions exigent de bonnes données. Veuillez soutenir nos recherches avec une contribution financière.
À propos du Centre de recherche sur Pew Centre de recherche sur Pew est un réservoir de fait non étagère qui informe le public sur les problèmes, les attitudes et les tendances qui façonnent le monde. Il mène des sondages d'opinion, des recherches démographiques, une analyse de contenu des médias et une autre recherche sur la science sociale empirique. Le Centre de recherche sur Pew ne prend pas de postes de politique. C'est une filiale des fiducies de charité de pew.
https://www.youtube.com/watch?v=XC42wfYpY4E