• Principal
  • Notícia
  • Nossas visualizações de dados favoritas do Pew Research Center de 2019

Nossas visualizações de dados favoritas do Pew Research Center de 2019

A equipe gráfica do Pew Research Center cria centenas de gráficos, mapas e outras visualizações de dados todos os anos. Dependemos desses recursos visuais para comunicar nossos resultados de pesquisa de forma clara e concisa. Ao mesmo tempo, tentamos tornar nossas descobertas visualmente atraentes para os leitores.

Então, o que torna um gráfico de sucesso? De um modo geral, ele deve ter uma explicação clara, envolver os leitores e exibir camadas de informações além do ponto imediato que primeiro chama a atenção. Os gráficos também devem ser digeríveis para leitores em uma tela pequena, especialmente porque os smartphones e a adoção da Internet se tornaram tão difundidos.

Acima de tudo, os gráficos devem contar uma história sobre nossa pesquisa, seja sobre mudanças demográficas ou sobre a mudança dos valores políticos dos americanos. No final de 2019, aqui estão alguns de nossos gráficos favoritos do ano, com algumas notas sobre como criá-los.

Múltiplos pequenos para levar para casa um ponto

Freqüentemente, usamos 'pequenos múltiplos', que são um método de exibir o mesmo tipo de gráfico em um layout de grade para comunicar várias séries de dados em uma área compacta. Existem vários motivos pelos quais esta é uma abordagem eficaz, incluindo facilidade de rotulagem e a capacidade de incluir muitos pontos de dados sem sobrecarregar o leitor, colocando tudo no mesmo gráfico.

Um gráfico que mostra as preocupações com a mudança climática usou essa técnica com grande efeito no início deste ano. Teria sido difícil, senão impossível, rotular claramente cada uma das 10 linhas neste gráfico se estivessem todas no mesmo gráfico. As linhas teriam se sobreposto e a principal conclusão do gráfico - que as pessoas em cada um dos 10 países pesquisados ​​mostrados ficaram mais preocupados com a ameaça das mudanças climáticas desde 2013 - pode ter sido perdida.

A pequena abordagem múltipla não funciona para todos os conjuntos de dados, mas, quando funciona, pode ser particularmente eficaz em mostrar tendências para diferentes grupos ou países, sem fazer o leitor percorrer rótulos difíceis de decifrar. Aqui, o fato de todas as linhas de tendência se moverem na mesma direção aumenta o impacto do gráfico.



Trabalhadores federais em distritos eleitorais vermelhos e azuis

Há um ano, o governo federal estava no meio de sua paralisação parcial mais longa da história. Com centenas de milhares de funcionários federais licenciados, nos perguntamos se havia alguma diferença no número médio de funcionários federais em distritos da Câmara mantidos por republicanos em relação aos detidos por democratas. Descobrimos que os trabalhadores federais são representados de maneira bastante uniforme por cada partido. Para isso, utilizamos um cartograma de distritos eleitorais, mostrando a distribuição geral dos trabalhadores federais e dividindo-os por partido de seu representante eleito.

Como esse tipo de visualização pode ser novo para os leitores, incluímos uma pequena chave na parte superior, mostrando como um mapa típico dos Estados Unidos se traduz em um cartograma. No próprio cartograma, cada distrito congressional é representado por uma área de tamanho igual, em vez de sua área geográfica real. Isso evita a super-representação visual de distritos que cobrem uma grande área, mas têm uma população pequena, assim como o inverso. Em um mapa geograficamente preciso, o 8º distrito congressional na Virgínia - que cobre uma pequena área dentro e ao redor de Alexandria, mas é o lar da maioria dos funcionários federais de qualquer distrito da Câmara - praticamente desapareceria. Usando um cartograma e dimensionando todos os distritos eleitorais igualmente, podemos ver facilmente que o distrito de Alexandria se destaca em seu número de funcionários federais.

Um gráfico de área com um toque

A identidade política é um elemento-chave de muitas de nossas descobertas relacionadas à política dos Estados Unidos, e o partidarismo é a divisão predominante vista nas opiniões do público sobre questões políticas. Mas nem todo mundo nos EUA se identifica com um dos dois principais partidos políticos. Na verdade, os independentes autoidentificados representam cerca de 38% dos adultos dos Estados Unidos, contando os independentes que 'se inclinam' para uma parte ou outra.

Para um relatório sobre americanos politicamente independentes, queríamos visualizar duas coisas: quão grande parte da população se considera independenteequão poucos dentro desse grupo são independentes 'verdadeiros' - isto é, adultos quenãoincline-se para qualquer uma das partes.

Para fazer isso, construímos um gráfico de área razoavelmente padrão com fatias para representar republicanos, democratas e aqueles que se consideram nenhum dos dois. Como o relatório foi focado em independentes, destacamos aquela fatia de 38% com um contorno preto espesso. Combinado com as cores saturadas dos identificadores do partido, isso teve o efeito de tornar a seção central do gráfico 'pop'. É a primeira coisa que você nota quando olha o gráfico. Então, naquela parte central do gráfico, separamos os 'inclinados' e aqueles que se recusam a inclinar-se para um partido.

A conclusão do gráfico é que aqueles que se dizem independentes são um grande grupo, mas os verdadeiramente independentes - a fatia fina e cinzenta de americanos no meio do gráfico - são um pequeno grupo cuja parcela da população não mudou muito ao longo do tempo .

Gráficos de dispersão conectados animados e anotados

Um dos relatórios de assinatura do Centro a cada ano mede restrições e hostilidades sociais contra a religião em todo o mundo. Para a 10ª edição deste relatório, designers e pesquisadores queriam uma narrativa visual forte para conduzir os leitores por 10 anos de dados. O resultado foi este interativo.

Além de um cartograma personalizado animado e pequenos múltiplos, o interativo usa gráficos de dispersão conectados. Um gráfico de dispersão conectado não é uma ideia nova: um designer pode usar este formato para mostrar mudanças ao longo do tempo em ambos os eixos, ao invés de apenas um (como um gráfico de linha faria). No entanto, os gráficos de dispersão conectados apresentam desafios. Não é um tipo comum de visual, então os leitores podem não estar familiarizados com a forma de lê-lo. E há o risco de má interpretação porque os leitores geralmente esperam ler uma série temporal da esquerda para a direita. Para atenuar essas preocupações, usamos animação.

Primeiro, quando o gráfico de dispersão inicial aparece, apenas um ponto de dados é mostrado, junto com uma explicação do que ele representa. Conforme o leitor rola para baixo, outra anotação aparece, descrevendo os dados e como ler o gráfico. Quando o gráfico de dispersão completo aparece na tela, a linha que conecta cada ponto é animada, destacando cada novo ano conforme aparece no gráfico, em sequência. Repetimos essa técnica para vários países ao longo do interativo, reforçando a forma de ler o gráfico. Usar a animação nos permite mostrar todos os dados - mas não todos de uma vez, para não sobrecarregar.

Como um computador pode 'ver' alguém como homem ou mulher

O Pew Research Center está cada vez mais usando técnicas computacionais de ciências sociais para estudar o mundo, o que significa que também precisamos cada vez mais de explicações visuais dessas abordagens complexas. Para um projeto recente usando análise de imagens online em grande escala, queríamos explicar de uma forma envolvente como a visão de máquina funciona, ao mesmo tempo em que demonstramos suas armadilhas e limitações. Para isso, desenvolvemos um recurso interativo que permite aos usuários tentar tropeçar em um algoritmo que classifica as fotos como retratando um homem ou uma mulher.

Essa visualização apresentou vários desafios. Uma delas era que o aprendizado de máquina é um conceito complicado, tornando fundamental para designers e pesquisadores o uso de recursos visuais e explicações textuais simples. Outra era que as imagens normalmente usadas para criar esses algoritmos podem não ser adequadas para publicação, em parte porque as fotos podem ser muito granuladas ou de baixa qualidade. Para resolver esse problema, decidimos tirar fotos visualmente consistentes e de alta qualidade de nossa própria equipe.

O interativo resultante usa uma interface visual simples - uma grade de quadrados coloridos colocados sobre cada foto - para mostrar como cobrir uma pequena parte de uma foto pode fazer com que um algoritmo mude sua classificação inicial de uma imagem de homem para mulher ou vice-versa. Tal como acontece com os diagramas de dispersão conectados, usamos animação e interatividade para criar uma sequência clara que os leitores pudessem percorrer em seu próprio ritmo. O interativo revelou que as classificações do algoritmo eram frequentemente dependentes de entradas aparentemente arbitrárias.

Facebook   twitter