文章配图通过视觉方式呈现文章中最重要成果，翻看高分杂志，会发现大部分图表都非常精致。研究者在论文和基金写作过程中，将有很大一部分时间都用到了结果可视化上，显然呈现美观图表已经成为了发表高分文章，基金获批的重要一环。卷到可视化并非偶然，最近的这个研究表明，漂亮的配图会左右读者对结果/数据可信度的认知。
视觉作为人类最重要的一条感官通道，无形地影响人的认知。比如，当人们评判他人时，会表现出许多偏见，包括光环效应，更具体地说，就是 "美就是好 "的刻板印象：认为美貌的人更有可能拥有与美貌无关的积极品质，如能力。作者假设这样的偏见会延伸到数据可视化中：人们会从图表的一个品质(美观程度)过度扩展(overgeneralize)到另一个品质(数据的可信度)。
作者首先系统地从同行评审的科学杂志，热门杂志和新闻文章，论坛等地方抽样了100多张图片。从多渠道抽样可以增加实验刺激的多样性和代表性，有利于提高研究的效度。
之后在亚马逊的众包平台(Amazon Mechanical Turk)上招募被试，要求被试对每张图的美感、可信度以及其他一些潜在的重要特征进行评分(如下图👇)。
在所有四个预注册的研究中，作者发现可信度和美观程度评分之间存在着显著的正相关关系(如下图👇)，美观程度解释了大约15-20%的可信度差异。之后的分析还表明，图表的美观程度和现实中真实的评论数量以及论文引用数量有关。
接下来的实验中，作者系统性地操控了图表的美观程度和误导性(如截断的轴、非统一颜色)两个维度(如下图👇)。
结果表明(下图👇)，增加图形的美观程度会让被试认为结果/数据可信，而被试似乎对图表中具有误导性内容完全不敏感。
在科学领域，同行评议和引用的关键过程有可能被这种偏见所歪曲，导致有更多华丽图表的论文被发表和引用的情况。也许有人会认为，图表的美观程度就是质量的一个指标。它们的确可能是相关的，但通过相对较小的调整，非常容易使图表看起来更漂亮。
在新闻和社交媒体中，使用更漂亮的数据可视化可能有助于人们是否信任和帮助传播，因此作者认为，有必要将数据素养教育纳入各级教育，这样能使普通人正确理解媒体里华丽的图表，做出合理的判断。另一方面，有必要为数据可视化从业者提供进一步的培训，使图表更加统一美观，将实际的误导性降到最低，并确保为更多的受众(例如，有视觉障碍的人)所用。
Ref
Lin, C., & Thornton, M. A. (2021). Fooled by beautiful data: Visualization aesthetics bias trust in science, news, and social media.
Dion, K., Berscheid, E., & Walster, E. (1972). What is beautiful is good. Journal of Personality and Social Psychology, 24(3), 285–290. https://doi.org/10.1037/h0033731
这些内容放在文末作为补充。
1. Scatter->Density
Scatter图中点过多怎么办？之前遇到过类似的问题，这里作者使用了将scatter转成Density作图的方法。
2. 为什么Jet的heatmap更misleading？
看过一些关于color map的讨论有机会再写。
3. Amazon Mechanical Turk
众包网站，供企业雇用位于远程的“众包工人”来执行计算机当前无法完成的离散按需任务，比如人工给图片打标签用于机器学习训练。MTurk是以18世纪曾在欧洲巡演的国际象棋机器人命名的，但后来发现，这个机器的背后其实是人。
在两年前，一次开组会的时候第一次听说这个词，还专门去注册过，只不过在填申请目的时大概是选择了一个"我只是来玩玩的“意思的选项，就被拒绝了。
作为自媒体
可视化同样不能忽略
5038
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
