خطای خط مبنای متغیر: چرا نمودارهای مساحتی انباشته روند لایه‌های میانی را تحریف می‌کنند

طرفداران مصورسازی داده معتقدند نمودارهای مساحتی انباشته (Stacked Area Charts) نمایی بی‌نقص از مقادیر تجمعی و سهم جزء از کل را در طول زمان نمایش می‌دهند. در مقابل، روان‌شناسان شناختی تأکید دارند که چشم انسان قادر نیست هر لایه‌ای را که بالاتر از خط مبنای اولیه قرار می‌گیرد بادقت بخواند و همین امر، لایه‌های میانی را به تصاویری توهم‌زا و گمراه‌کننده تبدیل می‌کند.[1]

ریشه این مشکل به ساختار پردازش هندسی در مغز انسان بازمی‌گردد. وقتی خط مبنا جابه‌جا می‌شود و نوسان می‌کند، سیستم بینایی در تفکیک فاصله عمودی روی محور y — که ارزش عددی واقعی داده‌ها را در دستگاه مختصات دکارتی نشان می‌دهد — دچار چالش شدید می‌شود.[1]

به جای آن، چشم ناخودآگاه فاصله متعامد (عمود بر شیب منحنی) را که کوتاه‌ترین مسیر میان دو منحنی است معیار قضاوت قرار می‌دهد. این واکنش زیست‌شناختی اساساً داده دریافتی را دگرگون می‌کند، واقعیت ریاضی مندرج روی محور را نادیده می‌گیرد و درک مخاطب از روند واقعی را به انحراف می‌کشاند.[6]

در نتیجه این خطای ادراکی، یک سری میانی که در داده‌های خام به‌صورت کاملاً ثابت روی عدد ۱۰۰ واحد مانده است، بسته به صعود یا سقوط لایه زیرین خود، منبسط یا فشرده به نظر می‌رسد.[6]

این اختلال ادراکی ارتباطی به ضعف در طراحی یا داده‌های نادقیق ندارد، بلکه پیامد اجتناب‌ناپذیر روی‌هم‌چیدن متغیرهای پیوسته روی یک صفحه دوبعدی است؛ سنتی در رسم نمودار که پیشینه آن به انتشارات ویلیام پلی‌فر در سال ۱۷۸۶ بازمی‌گردد.[2]

سلسله‌مراتب ادراک دیداری

در سال ۱۹۸۴، ویلیام کلیولند و رابرت مک‌گیل، دو دانشمند آمار، مقاله‌ای بنیادین منتشر کردند که دقت ارزیابی انسان را در میان انواع نشانه‌گذاری‌های بصری رتبه‌بندی می‌کرد. آزمایش‌های دقیق آن‌ها سلسله‌مراتبی از ادراک بصری بنا نهاد که تا امروز ساختار مصورسازی داده‌ها و طراحی داشبوردهای تحلیلی را هدایت می‌کند.[5]

آن‌ها دریافتند انسان‌ها در ارزیابی موقعیت در امتداد یک مقیاس مشترک، مانند مقایسه ارتفاع ستون‌هایی که بر یک خط مبنای صفرِ صاف مستقر شده‌اند، دقتی فوق‌العاده بالا دارند. نمودارهای پراکندگی و نمودارهای خطی استاندارد نیز از مزیت این مقیاس مشترک دقیق بهره‌مند هستند.[5]

اما هنگامی که مخاطب ناچار شود طول یا مساحت را بدون خط مبنای مشترک بسنجد، دقت ارزیابی به‌شدت افت می‌کند. نمودارهای مساحتی انباشته مخاطب را مجبور می‌کنند برای تک‌تک لایه‌ها — به‌جز لایه اول — دست به همین محاسبات بصری کم‌دقت بزند.[5]

جفری هیر و مایکل بوستاک، پژوهشگران علوم رایانه، در مقاله سال ۲۰۱۰ خود نوشتند: «درک فرایند ادراک، پیش‌شرطی حیاتی برای طراحی اثربخش مصورسازی داده‌ها است.»[4]

آن‌ها با آزمودن مشارکت‌کنندگان در پلتفرم آمازون مکانیکال ترک، یافته‌های کلیولند را بازآزمایی کردند. نتایج به‌دست‌آمده بار دیگر ثابت کرد ارزیابی بصری مساحت‌هایی که مبنای هم‌تراز ندارند، نسبت به ارزیابی موقعیت روی خط مبنای مشترک، ضریب خطای بسیار بیشتری تولید می‌کند.[4]

از آنجا که فقط پایین‌ترین نوار یک نمودار مساحتی انباشته روی محور افقی صفر قرار دارد، تنها بخشی است که کاربر می‌تواند آن را بادقت و بدون سوگیری بخواند. هر لایه‌ای که بالاتر از آن قرار می‌گیرد، تحت تأثیر نوسانات بستر زیرین خود مخدوش می‌شود.[4]

سازوکار هندسی خطای دید سینوسی

تحریف لایه‌های میانی ناشی از یک پدیده هندسی موسوم به «خطای دید سینوسی» (Sine Illusion) یا خطای دید پهنای خط است. هنگامی که دو منحنی موازی با شیب تند رو به بالا یا پایین حرکت می‌کنند، به نظر می‌رسد که به یکدیگر نزدیک‌تر شده‌اند.[6]

سوزان واندرپلاس و هایکه هوفمان در سال ۲۰۱۵ با استفاده از داده‌های سری‌های زمانی این پدیده را مستندسازی کردند. آن‌ها اثبات کردند زمانی که منحنی‌ها دارای نوسانات شدید فصلی یا قله‌های ناگهانی هستند، سیستم ادراک انسانی به‌صورت ساختاریافته در سنجش محرک‌های نوری دچار سوگیری می‌شود.[6]

مبنای ریاضی این خطای دید بر مثلثات ساده استوار است: ضخامت درک‌شده یک نوار برابر است با ضخامت واقعی عمودی آن ضرب در کسینوس زاویه شیب خط مبنا.[6]

اگر سری پایینی جهش کند و شیبی ۴۵ درجه به سمت بالا بسازد، نوار بالایی آن ۲۹.۳ درصد باریک‌تر از اندازه واقعی به نظر می‌رسد. در داده‌ها هیچ تغییری رخ نداده، اما بازنمایی بصری آن فشرده شده است.[6]

این یعنی در یک نمودار پایش سلامت، طغیان ناگهانی یک بیماری در یک منطقه می‌تواند این تصور غلط را ایجاد کند که آمار مبتلایان در منطقه مجاور در حال کاهش است؛ شیب تند لایه زیرین، عرض بصری نوار بالاتر را فشرده کرده و روند واقعی را پنهان می‌کند.[1]

انحراف شیب و خوانش نادرست روندها

علاوه بر ضخامت، خطوط مبنای متغیر شیب ظاهری سری‌های میانی را نیز دگرگون می‌کنند. بیننده‌ای که درصدد بررسی رشد یا افت یک دسته خاص است، باید به‌صورت ذهنی شیب لایه زیرین را از لایه مورد نظر تفریق کند.[1]

اگر لایه زیرین با نرخ ۱۰ واحد در ماه صعود کند و لایه میانی با نرخ ۵ واحد در ماه رشد داشته باشد، لبه بالایی لایه میانی با شیب ترکیبی ۱۵ واحد در ماه بالا خواهد رفت.[1]

چشم انسان طبیعتاً لبه بالایی را دنبال می‌کند و بیننده نتیجه می‌گیرد که دسته میانی رشدی خیره‌کننده دارد؛ در حالی که رشد واقعی و مستقل آن بسیار کندتر از این برداشت بصری است.[1]

برعکس، اگر لایه زیرین افت ناگهانی شدیدی را تجربه کند ولی لایه میانی کاملاً ثابت بماند، لایه میانی در نگاه اول به‌شدت رو به سقوط دیده می‌شود. روایت بصری این داده‌ها کاملاً در گرو نوسانات بستر زیرین قرار می‌گیرد.[1]

همین ویژگی نمودارهای مساحتی انباشته را به ابزاری غیرقابل اعتماد برای پایش روندهای جزئی تبدیل می‌کند؛ آن‌ها برای نمایش مقادیر تجمعی بی‌نقص عمل می‌کنند، اما پیام لایه‌های درونی را کاملاً دگرگون می‌سازند.[1]

تأثیر الگوریتم‌های هموارسازی بر داده‌ها

این انحراف ناشی از خط مبنا اغلب به واسطه انتخاب‌های زیبایی‌شناختی، به‌ویژه درونیابی با خطوط منحنی یا اسپیلاین (Spline Interpolation)، تشدید می‌شود؛ الگوریتم‌هایی که برای نرم کردن شکستگی‌ها و ایجاد ظاهری سیال به کار می‌روند.[7]

گرچه این خطوط منحنی ظاهر جذابی دارند، پیوند میان نمودار و نقاط داده‌ای واقعی را قطع می‌کنند. یک جهش ناگهانی در داده‌ها به‌طور میانگین تعدیل می‌شود و انحراف خط مبنا در پهنای افقی گسترده‌تری پخش می‌گردد.[7]

این روند پدیده‌های ساختگی پیش‌آمدگی و پس‌افتادگی در سری‌های میانی ایجاد می‌کند؛ یعنی جهش در لایه پایینی باعث می‌شود لایه میانی حتی پیش از وقوع رخداد اصلی شروع به بالا رفتن کند.[7]

نمودارهای جریان‌نما (Streamgraphs) که در سال ۲۰۰۸ به عنوان شاخه‌ای از این نمودارها معرفی شدند، تلاش کردند با قرینه‌سازی داده‌ها حول محور میانی، مشکل خط مبنا را حل کنند تا نمایی شناور به دست آید.[7]

گرچه این مرکزگرایی حداکثر زاویه شیب را کاهش می‌دهد، بهای سنگینی از منظر تحلیلی دارد؛ با حذف کامل مبنای صفرِ صاف، خوانایی تک‌تک اجزا از بین می‌رود و استخراج ارقام دقیق ناممکن می‌شود.[7]

روش‌های جایگزین برای رفع خطای بصری

برای گریز از این تله‌های بصری، دانشمندان داده استفاده از روش‌های جایگزین را پیشنهاد می‌کنند. نمودارهای خطی استاندارد به همه سری‌ها اجازه می‌دهند از خط مبنای مشترک صفر استفاده کنند و اعوجاج هندسی کاملاً خنثی شود.[1]

اگرچه نمودارهای خطی با همپوشانی بیش از چهار یا پنج سری شلوغ می‌شوند، دقت هندسی شیب‌ها را دست‌نخورده حفظ می‌کنند و مخاطب می‌تواند نرخ تغییرات را به‌درستی ارزیابی کند.[1]

رویکرد چندگانه کوچک (Small Multiples) راهکار دیگری است که هر دسته را در نموداری مجزا اما هم‌مقیاس می‌نشاند؛ این کار ضمن حفظ خط مبنای مشترک، شلوغی بصری را حذف می‌کند، هرچند فضای بیشتری می‌طلبد.[1]

در داده‌هایی که بررسی نسبت‌ها مدنظر است، نمودار مساحتی انباشته صددرصدی می‌تواند کل مقدار را روی سقفی ثابت نرمال‌سازی کند؛ با این حال، مرزهای داخلی آن کماکان از خطای دید سینوسی رنج می‌برند.[1]

اگر ناچار به استفاده از نمودار مساحتی انباشته باشیم، با چیدمان هوشمندانه سری‌ها می‌توان خطا را کاهش داد؛ قرار دادن آرام‌ترین و کم‌نوسان‌ترین دسته‌ها در پایین‌ترین ردیف، خط مبنای هموارتری برای لایه‌های بعدی ایجاد می‌کند.[1]

در نقطه مقابل، قراردادن نوسانی‌ترین شاخص‌ها در بالاترین لایه باعث می‌شود تکانه‌های شدید آن‌ها به دیگر لایه‌ها سرایت نکند؛ در این حالت لبه نهایی همچنان رقم تجمیعی را درست نشان می‌دهد و لایه‌های میانی کمتر آسیب می‌بینند.[1]

پیامدهای ناخواسته در داشبوردهای خودکار

فراگیری ابزارهای خودکار هوش تجاری باعث شده نمودارهای مساحتی انباشته به گزینه‌ای پیش‌فرض در سازمان‌ها بدل شوند، زیرا مدیران اغلب آن را شکیل‌تر از نمودارهای میله‌ای ساده می‌دانند.[1]

این گرایش ساده‌انگارانه خطاهای تحلیلی دامنه‌داری در تصمیمات راهبردی تزریق می‌کند؛ مدیران ممکن است بر اساس یک خطای ادراکی محض، تخصیص منابع را تغییر دهند، بی‌خبر از آن‌که داده واقعی ثابت بوده است.[1]

کتابخانه‌های مدرن ترسیم داده به‌تازگی استفاده از الگوریتم‌های ابتکاری را آغاز کرده‌اند تا میزان نوسان را کاهش دهند و چیدمان لایه‌ها را با بردن دسته‌های ناپایدار به اوج، بهینه سازند.[1]

با این حال، محاسبات ریاضی نشان می‌دهد تعیین ترتیب بهینه برای به حداقل رساندن نوسان، یک مسئله از نوع NP-hard است و اجرای بی‌درنگ آن روی میلیون‌ها سطر داده، بار پردازشی سنگینی به همراه دارد.[1]

تا زمانی که نرم‌افزارها بتوانند خطاهای ادراک بصری انسان را خودکار جبران کنند، تحلیل‌گران باید محتاط باشند. شناخت محدودیت‌های بیولوژیکی چشم انسان، نخستین گام در انتقال شفاف و دقیق داده‌ها به شمار می‌رود.[1]