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
این خبر را به اشتراک بگذارید
- 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.
دیدگاههایی که این گزارش پوشش نداده
- عموم مردم / مصرفکنندگان اخبار
- طراحان برنامه درسی آموزشی
نکات کلیدی
- مقیاسهای لگاریتمی به جای افزایشهای افزایشی (مانند ۱۰، ۲۰، ۳۰) از افزایشهای ضربی (مانند ۱۰، ۱۰۰، ۱۰۰۰) استفاده میکنند.
- آنها برای بصریسازی رشد نمایی و مقایسه دادهها با تفاوتهای عظیم در مقدار، ضروری هستند.
- نرخ ثابت رشد نمایی به صورت یک خط مستقیم در نمودار لگاریتمی ظاهر میشود.
- مخاطبان عمومی اغلب مقیاسهای لگاریتمی را اشتباه تفسیر میکنند و انفجارهای نمایی را به اشتباه رشد خطی و قابل مدیریت میپندارند.
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]
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]
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]
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.
بررسی عمیق دیدگاهها
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.
برای متخصصانی که با مجموعههای داده عظیم کار میکنند، مقیاسهای لگاریتمی غیرقابل مذاکره هستند. تحلیلگران استدلال میکنند که مقیاسهای خطی هنگام مواجهه با پدیدههای نمایی کاملاً شکست میخورند، زیرا رشد اولیه را با فشرده کردن اعداد کوچک در برابر محور پایین، پنهان میکنند. با تبدیل رشد ضربی به یک خط مستقیم، مقیاسهای لگاریتمی به دانشمندان اجازه میدهند فوراً تشخیص دهند که آیا یک روند در حال شتاب گرفتن است یا کاهش، که یک ضرورت ریاضی برای پیشبینی دقیق است.
ارتباطدهندگان سلامت عمومی
استدلال میکنند که مقیاسهای لگاریتمی برای ارتباطات جمعی خطرناک هستند زیرا شدت بحرانهای نمایی را به صورت بصری به حداقل میرسانند.
مقامات بهداشت عمومی و جامعهشناسان به شواهد تجربی همهگیری کووید-۱۹ اشاره میکنند، جایی که مقیاسهای لگاریتمی به طور فعال به ارزیابی ریسک عمومی آسیب رساندند. از آنجا که یک مقیاس لگاریتمی به صورت بصری یک منحنی نمایی را صاف میکند، خوانندگان اغلب فرض میکنند که اعداد مطلق نیز در حال صاف شدن هستند. ارتباطدهندگان استدلال میکنند که در سناریوهای مرگ و زندگی، شوک بصری یک منحنی شیبدار خطی «چوب هاکی» یک ویژگی ضروری است، نه یک نقص، زیرا حجم محض تهدید را به درستی به مخاطبان عادی منتقل میکند.
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.
طراحان بین ریاضیدانان و ارتباطدهندگان قرار میگیرند و استدلال میکنند که شکست مقیاسهای لگاریتمی، شکست رابط کاربری است. آنها پیشنهاد میکنند که مقیاسهای لگاریتمی خام—آنهایی که فاقد خطوط شبکهای متراکم و صریح و حاشیهنویسیهای عددی واضح هستند—مقصر این سردرگمی هستند. طراحان معتقدند با گنجاندن عناصر تعاملی، حالتهای شناور که اعداد مطلق را آشکار میکنند، و برچسبهای هشدار برجسته در مورد فشردهسازی محور، میتوان کاربرد مقیاسهای لگاریتمی را بدون قربانی کردن درک عمومی حفظ کرد.
آنچه نمیدانیم
- اینکه آیا ویژگیهای نمودار تعاملی (مانند نگه داشتن ماوس برای آشکار کردن اعداد مطلق) به طور قابل توجهی درک عمومی از مقیاسهای لگاریتمی را بهبود میبخشد یا خیر.
- آستانه دقیق سواد ریاضی مورد نیاز برای درک شهودی فشردهسازی لگاریتمی توسط مخاطبان عمومی بدون برچسبهای هشدار صریح.
منابع
[1]PMCدانشمندان و تحلیلگران دادهLog-transformation and its implications for data analysis
مطالعه در PMC →
[2]PMCدانشمندان و تحلیلگران دادهLogarithmic versus Linear Visualizations of COVID-19 Cases Do Not Affect Citizens' Support for Confinement
مطالعه در PMC →
[3]LSE Blogsارتباطدهندگان سلامت عمومیThe public do not understand logarithmic graphs used to portray COVID-19
مطالعه در LSE Blogs →
[4]Europa.euدانشمندان و تحلیلگران دادهLogarithmic scales
مطالعه در Europa.eu →
[5]Golden Softwareدانشمندان و تحلیلگران دادهLog Scale vs. Linear Scale: How to Choose the Right Scale
مطالعه در Golden Software →
[6]UCSBدانشمندان و تحلیلگران دادهReading and Interpreting Numbers on Logarithmic Scales
مطالعه در UCSB →
[7]Columbia Universityطراحان بصریسازی دادهLet them log scale
مطالعه در Columbia University →
[8]Library Research Serviceطراحان بصریسازی دادهVisualizing Data: the logarithmic scale
مطالعه در Library Research Service →
[9]Highchartsدانشمندان و تحلیلگران دادهWhen should you use logarithmic or linear scales in charts?
مطالعه در Highcharts →
[10]تیم سردبیری کوهستانطراحان بصریسازی دادهتحلیل تیم سردبیری کوهستان
مطالعه در تیم سردبیری کوهستان →
نظرات
بیشتر در تحلیل داده
مشاهده همه →هوش مصنوعی در زلزلهشناسی
دقت یادگیری عمیق در برابر مدل ETAS در پیشبینی پسلرزهها
6 منبع
روششناسی نظرسنجی
چگونه برازش متناسب تکرارشونده، نمونههای نظرسنجی را با آمارهای جمعیتی همسو میکند
5 منبع
مدلسازی آماری
چگونه تابع پیوند، پیشبین خطی را به برآمد مورد انتظار در مدلهای خطی تعمیمیافته متصل میکند
8 منبع
تحلیل دادههای بصری
چگونه ۱۰۰ میلیون نقاشی کودکان، دو دهه از روندهای فرهنگی را آشکار میکند
4 منبع
هر زاویه. هر روز.
دریافت تحلیل داده اخبار همراه با پوشش کامل منابع و تحلیل دیدگاهها، مستقیم در صندوق ورودی شما.





