Составленная Университетом Джона Хопкинса карта распространения COVID-19 – с ее четкими цифрами и красными кругами на черном фоне – стала для многих репортеров и их аудитории по всему миру заслуживающей доверия картиной пандемии коронавируса.
Эта карта – один из примеров широкого использования инструментов визуализации данных как одного из самых сильных средств, помогающих людям разобраться в том, как невидимая угроза распространяется по всему миру.
Но всемирно известный специалист в области визуализации профессор Альберто Каиро считает, что можно было бы улучшить даже превосходную карту Университета Джона Хопкинса: ведь в районе Европы круги представляют количество случаев для каждой страны, а в районе США каждый круг соответствует округу – и люди могут сделать на этой основе неправильные выводы.
"Эта замечательная карта, – сказал Каиро, возглавляющий кафедру визуальной журналистики в Школе коммуникаций Университета Майами. – Но не лучше ли было бы, если бы данные были представлены более последовательно? Например – везде представлять данные по стране, а при увеличении карты давать данные по округам?"
[Читайте также: How to deal with COVID-19 and data]
Во время двенадцатого вебинара организованной GIJN серии, посвященной журналистским расследованиям о пандемии, журналист-расследователь Даниэль Айвори и эксперт по работе с данными в области здравоохранения Аманда Макулец присоединились к Каиро и поделились идеями о том, как журналистам выбирать и представлять данные и созданную на их основе инфографику. Вебинар прослушали 266 журналистов из 46 стран мира.
Ведущие вебинара согласились, что журналисты после тщательной проверки информации должны не только отображать данные наиболее подходящим и понятным способом, но также четко объяснять инфографику и данные и открыто сообщать, если с данными связана какая бы то ни была неопределенность.
По словам Каиро, визуализация данных стала во всем мире одним из наиболее эффективных форматов, позволяющих представить информацию и помочь людям понять, что происходит во время пандемии.
"По-моему, совершенно ясно, что наиболее сложная часть освещения кризиса, вызванного пандемией, связана с качеством данных, а не с их визуализацией, – сказал Каиро, чья последняя книга называется "Как лгут графики" (How Charts Lie — Getting Smarter about Visual Information – более подробно об этом можно прочитать в нашей статье здесь). – Хорошая новость в том, что визуализация становится очень популярной. Но я также вижу много ошибок в визуализациях данных о пандемии".
Макулец, эксперт по работе с данными в области здравоохранения и операционный директор Общества визуализации данных (Data Visualization Society), напомнила, что журналисты должны понимать, как были собраны данные о COVID-19, прежде чем решать, использовать ли эту информацию в инфографике.
[Читайте также: Using data journalism to cover the pandemic in Latin America]
Например, она указала на десять различных ситуаций – от использования палочек для тестирования на коронавирус до ввода результатов в электронные таблицы, – где возможна человеческая ошибка и разрыв во времени сбора данных – до того, как эти данные появятся в национальных базах данных.
Журналистка The New York Times Айвори сказала, что самым трудным было сравнивать данные о COVID-19, потому что представители системы здравоохранения в разных штатах и округах часто ссылаются на различные базы данных или используют различные определения категорий, которые кладутся в основу анализа.
В прошлом месяце Айвори и ее коллеги продемонстрировали, что более трети смертей от COVID-19 в США связаны с учреждениями длительного ухода, включая дома престарелых.
Мы собрали советы трех специалистов, участвовавших в вебинаре, и предлагаем вам десять советов, которые помогут правильно подойти к созданию визуализации данных о COVID-19.
1. Объясните, как читать график, до того как объясните, как понимать данные. К недавнему графику, отражающему количество потерянных из-за пандемии рабочих мест, The New York Times добавила ясные, использующие простой язык комментарии, например, "Каждый круг в графике представляет область занятости. Чем больше круг, тем больше людей выполняют эту работу".
2. Пишите текст, сопровождающий график, одновременно с созданием самого графика: это помогает структурировать информацию как вам самим, так и вашим читателям.
3. Сортируйте данные легко понятным способом, например, хронологически или сопоставляйте по группам.
Каиро реорганизовал данные о COVID-19 из малопонятной диаграммы, составленной Министерством здравоохранения штата Джорджия (слева) в новую таблицу (справа), где данные сгруппированы по округам и расположены в хронологическом порядке.
4. Если вы или ваша аудитория плохо знакомы с визуализацией данных, начните с простого, например, с карт, столбиковых диаграмм или линейных графиков. Вы можете использовать такие инструменты, как Datawrapper, Flourish и iNZight. Используйте также созданные экспертами онлайн-учебники, например, это руководство, созданное Каиро.
5. Не ограничивайте себя использованием только простых инструментов и графиков. Время от времени бросайте вызов своей аудитории, представляя им данные по-новому, создавая новые типы визуализаций.
Это только несколько разных типов визуализации, из которых редакторы могут выбирать те, что подходят им лучше всего. Источник фотографии – datavizcatalogue.com.
6. Не старайтесь визуализировать слишком много данных, сократите их количество, если кажется, что их слишком много. Определитесь с ключевыми моментами и придерживайтесь их.
7. Не существует плохих форматов визуализации, но некоторые из них подходят для определенных наборов данных и аудитории больше, чем другие. Графики, которые выглядят особенно нелогично, могут даже нуждаться в дополнительном графике для объяснения непонятных моментов. Например, параллельно с картограммами – которые искажают области карты в зависимости от их отношения к переменной – должны быть представлены обычные карты этой местности.
8. Используйте линейные шкалы для чисел, а нелинейные – включая логарифмические шкалы – для демонстрации скорости изменения. Объясняйте нелинейные графики четко и понятно, поскольку читателям трудно в них разобраться.
На примере данных о поколениях грызунов Каиро сравнил линейную шкалу (вверху) с логарифмической шкалой (внизу), чтобы показать, почему нелинейные шкалы важны для иллюстрации скорости изменения. Фото предоставлено Альберто Каиро.
9. По возможности отражайте в визуализации неопределенность в представленных данных, например, пределы погрешности или доверительные интервалы. О неопределенности, которую нельзя измерить, – связанной, например, с тем, как собирались данные, – можно написать в сопроводительном тексте.
10. Забудьте традиционную мантру дизайнеров "показывай, а не рассказывай". По словам Каиро, визуальные журналисты должны "и показывать, и рассказывать". Когда-то многие дизайнеры рассматривали сопроводительный текст как второстепенную по важности добавку к графикам, а сейчас он считается критически важным: он позволяет еще раз подчеркнуть основные выводы и помогает читателям понять инфографику.
Эта статья была опубликована на сайте Глобальной сети журналистских расследований и печатается IJNet с разрешения.
Источник верхней фотографии – Christine Sandu, лицензия СС сайта Unsplash.