رفتن به محتوای اصلی
توضیح کوهستانسواد نموداریتوضیح‌دهنده۹ شهریور ۱۴۰۵، ۱۱:۲۵· 4 دقیقه مطالعه· در تحلیل داده

مکانیسم مقیاس‌های لگاریتمی: چه زمانی از آنها استفاده کنیم، چگونه آنها را بخوانیم و چرا سوءتفسیر می‌شوند

مقیاس‌های لگاریتمی برای بصری‌سازی رشد نمایی و دامنه‌های وسیع داده ضروری هستند، با این حال شواهد نشان می‌دهد که آنها به طور معمول درک عمومی را مخدوش می‌کنند. آنها با فشرده‌سازی اعداد عظیم در نمودارهای قابل اسکن، روندهای پنهان را آشکار می‌کنند اما اغلب شدت واقعی داده‌هایی را که نشان می‌دهند، پنهان می‌کنند.

به قلم فرشید جمشیدی

دانشمندان و تحلیلگران داده 40%ارتباط‌دهندگان سلامت عمومی 40%طراحان بصری‌سازی داده 20%
دانشمندان و تحلیلگران داده
مقیاس‌های لگاریتمی را به دلیل توانایی آنها در آشکار کردن روندهای نرخ تغییر و فشرده‌سازی مقادیر عظیم در قالب‌های قابل خواندن، ارزشمند می‌دانند.
ارتباط‌دهندگان سلامت عمومی
استدلال می‌کنند که مقیاس‌های لگاریتمی برای ارتباطات جمعی خطرناک هستند زیرا شدت بحران‌های نمایی را به صورت بصری به حداقل می‌رسانند.
طراحان بصری‌سازی داده
معتقدند که مشکل ریاضی نیست، بلکه طراحی است، و از حاشیه‌نویسی‌ها و خطوط شبکه‌ای بهتر برای پر کردن شکاف سواد دفاع می‌کنند.

اکثر مردم فرض می‌کنند که یک خط مستقیم در نمودار همیشه به معنای رشد ثابت و یکنواخت است. هنگامی که آنها یک خط مستقیم را در یک نمودار لگاریتمی می‌بینند، آن را به عنوان یک پیشرفت خطی و قابل مدیریت تفسیر می‌کنند—و واقعیت این است که داده‌های زیربنایی در حال انفجار نمایی هستند را نادیده می‌گیرند. این نقطه کور شناختی در طول همه‌گیری کووید-۱۹ به یک آسیب‌پذیری جهانی تبدیل شد، جایی که از مقیاس‌های لگاریتمی به شدت برای ترسیم نرخ‌های عفونت استفاده می‌شد و باعث شد عموم مردم گسترش ویروس و سرعت انتقال آن را به شدت دست کم بگیرند.[2][3]

برای درک اینکه چرا این اتفاق می‌افتد، باید به مکانیسم محور نگاه کرد. برخلاف یک مقیاس خطی استاندارد که در آن هر علامت تیک نشان‌دهنده یک افزایش ثابت (مانند ۱۰، ۲۰، ۳۰) است، یک مقیاس لگاریتمی نشان‌دهنده یک ضرب ثابت (مانند ۱۰، ۱۰۰، ۱۰۰۰) است. فاصله فیزیکی بین ۱۰ و ۱۰۰ در نمودار دقیقاً برابر با فاصله فیزیکی بین ۱۰۰ و ۱۰۰۰ است و جهش‌های عددی عظیم را در مراحل بصری کوچک فشرده می‌کند.[4][6]

این فشرده‌سازی ریاضی یک ابزار قدرتمند و ضروری برای دانشمندان داده است. این امکان را به آنها می‌دهد تا مقادیر بسیار متفاوت را در یک صفحه بصری ترسیم کنند بدون اینکه مقادیر کوچک‌تر در خط پایه ناپدید شوند. اگر یک تحلیلگر نیاز به مقایسه تولید ناخالص داخلی ایالات متحده با تولید ناخالص داخلی یک کشور جزیره‌ای کوچک داشته باشد، یک مقیاس خطی اقتصاد کوچک‌تر را کاملاً نامرئی می‌کند. اما یک مقیاس لگاریتمی هر دو را قابل خواندن و مقایسه در یک صفحه می‌کند.[5][9]

داده‌های رشد نمایی یکسان به صورت یک منحنی شیب‌دار در مقیاس خطی (چپ) و یک خط مستقیم در مقیاس لگاریتمی (راست) ظاهر می‌شوند.

با این حال، کاربرد اصلی یک مقیاس لگاریتمی، بصری‌سازی نرخ تغییر است نه اعداد مطلق. اگر درآمد یک شرکت هر سال ۱۰٪ رشد کند، یک نمودار خطی یک منحنی را نشان می‌دهد که به مرور زمان شیب‌دارتر می‌شود و سال‌های اخیر را به طور نامتناسبی موفق نشان می‌دهد، صرفاً به این دلیل که اعداد مطلق بزرگ‌تر هستند. این می‌تواند سرمایه‌گذاران را گمراه کند که فکر کنند رشد در حال شتاب گرفتن است، در حالی که صرفاً ثابت مانده است.[5]

با این حال، کاربرد اصلی یک مقیاس لگاریتمی، بصری‌سازی نرخ تغییر است نه اعداد مطلق.

در یک نمودار لگاریتمی، همان رشد ثابت ۱۰٪ به صورت یک خط کاملاً مستقیم نمایش داده می‌شود. تحلیلگران مالی، اقتصاددانان و اپیدمیولوژیست‌ها به شدت به این ویژگی خاص متکی هستند. یک خط مستقیم به آنها می‌گوید که نرخ رشد ثابت است؛ یک منحنی رو به بالا به این معنی است که نرخ در حال شتاب گرفتن است، و یک منحنی رو به پایین به این معنی است که رشد بالاخره در حال کاهش است. این یک ابزار تشخیصی برای اندازه‌گیری شتاب است.[1][9]

علیرغم کاربرد آنها در تحلیل حرفه‌ای، شواهد واضحی وجود دارد که مخاطبان عمومی برای خواندن دقیق این نمودارها دچار مشکل هستند. مطالعات آکادمیک که در اوج همه‌گیری انجام شد، نشان داد که ارائه داده‌ها در مقیاس لگاریتمی درک عمومی از رشد نمایی را بهبود نمی‌بخشد. در واقع، این کار به طور فعال مانع آن شد و درک ریسک را تغییر داد و باعث شد خوانندگان شیوع‌های شدید را به عنوان رویدادهایی نسبتاً مهار شده ببینند.[2][3]

مطالعات نشان‌دهنده کاهش قابل توجه درک عمومی هنگام ارائه داده‌ها در مقیاس لگاریتمی به جای مقیاس خطی است.

خوانندگان به طور معمول کران‌های بالای فشرده شده یک نمودار لگاریتمی را اشتباه تفسیر می‌کنند. آنها فرض می‌کنند که چون منحنی بصری به نظر می‌رسد در حال صاف شدن است، اعداد مطلق نیز در حال تثبیت هستند. در واقعیت، یک شیب رو به بالای جزئی در بالای مقیاس لگاریتمی با پایه ۱۰ می‌تواند نشان‌دهنده اضافه شدن ده‌ها هزار مورد جدید یا میلیون‌ها دلار باشد، که شدت واقعی داده‌ها را در پشت یک شیب به ظاهر ملایم پنهان می‌کند.[3][8]

آنچه به شدت مورد بحث باقی مانده است این است که آیا این شکاف درک را می‌توان از طریق طراحی بهتر پر کرد یا اینکه مقیاس‌های لگاریتمی باید به سادگی از ارتباطات رسانه‌های جمعی ممنوع شوند. برخی از مدل‌سازان آماری استدلال می‌کنند که افزودن خطوط شبکه‌ای متراکم‌تر و حاشیه‌نویسی‌های صریح می‌تواند نمودارهای لگاریتمی را برای عموم مردم نجات دهد، در حالی که برخی دیگر معتقدند که مقیاس‌های خطی، علیرغم محدودیت‌های بصری‌شان با اعداد بزرگ، تنها انتخاب اخلاقی برای داده‌های سیاست عمومی هستند.[7][10]

نکات کلیدی

  1. مقیاس‌های لگاریتمی به جای افزایش‌های افزایشی (مانند ۱۰، ۲۰، ۳۰) از افزایش‌های ضربی (مانند ۱۰، ۱۰۰، ۱۰۰۰) استفاده می‌کنند.
  2. آنها برای بصری‌سازی رشد نمایی و مقایسه داده‌ها با تفاوت‌های عظیم در مقدار، ضروری هستند.
  3. نرخ ثابت رشد نمایی به صورت یک خط مستقیم در نمودار لگاریتمی ظاهر می‌شود.
  4. مخاطبان عمومی اغلب مقیاس‌های لگاریتمی را اشتباه تفسیر می‌کنند و انفجارهای نمایی را به اشتباه رشد خطی و قابل مدیریت می‌پندارند.

چرا مهم است

سوءتفسیر یک مقیاس لگاریتمی می‌تواند باعث شود که عموم مردم شدت تهدیدات نمایی، از همه‌گیری‌ها گرفته تا تورم، را به شدت دست کم بگیرند. درک اینکه چگونه این نمودارها داده‌ها را فشرده می‌کنند، برای خواندن دقیق اطلاعات علمی و مالی که سیاست‌های عمومی را شکل می‌دهند، حیاتی است.

منابع

پوشش منابع

10 منبع

3 دیدگاه شناسایی‌شده

دانشمندان و تحلیلگران داده 40%ارتباط‌دهندگان سلامت عمومی 40%طراحان بصری‌سازی داده 20%
  1. [1]PMCدانشمندان و تحلیلگران داده

    Log-transformation and its implications for data analysis

    مطالعه در PMC
  2. [2]PMCدانشمندان و تحلیلگران داده

    Logarithmic versus Linear Visualizations of COVID-19 Cases Do Not Affect Citizens' Support for Confinement

    مطالعه در PMC
  3. [3]LSE Blogsارتباط‌دهندگان سلامت عمومی

    The public do not understand logarithmic graphs used to portray COVID-19

    مطالعه در LSE Blogs
  4. [4]Europa.euدانشمندان و تحلیلگران داده

    Logarithmic scales

    مطالعه در Europa.eu
  5. [5]Golden Softwareدانشمندان و تحلیلگران داده

    Log Scale vs. Linear Scale: How to Choose the Right Scale

    مطالعه در Golden Software
  6. [6]UCSBدانشمندان و تحلیلگران داده

    Reading and Interpreting Numbers on Logarithmic Scales

    مطالعه در UCSB
  7. [7]Columbia Universityطراحان بصری‌سازی داده

    Let them log scale

    مطالعه در Columbia University
  8. [8]Library Research Serviceطراحان بصری‌سازی داده

    Visualizing Data: the logarithmic scale

    مطالعه در Library Research Service
  9. [9]Highchartsدانشمندان و تحلیلگران داده

    When should you use logarithmic or linear scales in charts?

    مطالعه در Highcharts
  10. [10]تیم سردبیری کوهستانطراحان بصری‌سازی داده

    تحلیل تیم سردبیری کوهستان

    مطالعه در تیم سردبیری کوهستان

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

دریافت تحلیل داده اخبار همراه با پوشش کامل منابع و تحلیل دیدگاه‌ها، مستقیم در صندوق ورودی شما.