Waarom regenboogkleuren niet de beste optie zijn voor gegevensvisualisaties

Datavisualisaties zijn mooie, spannende manieren om verhalen te vertellen. Maar je moet zorgvuldig kiezen bij het ontwerpen van een kaart of grafiek, en een van de grootste fouten is het misbruiken van regenboogkleuren.

Regenboogkleurenschema's - ook wel spectrale kleurenschema's genoemd - zijn veelvoorkomende keuzes voor het visualiseren van gegevens, zowel omdat ze er gedurfd en opwindend uitzien en omdat ze de standaard zijn voor veel visualisatiesoftwaretools. Maar meestal doen ze meer kwaad dan goed. Het detecteren van de kleuren is een probleem voor meer lezers dan je zou denken, en de rest van het publiek zal het gemakkelijker vinden om de visualisatie te begrijpen als deze met een ander palet wordt gepresenteerd.

Regenboogkleurenschema's zijn 'bijna altijd de' verkeerde keuze ', schreef Anthony C. Robinson, hoogleraar aardrijkskunde aan de Pennsylvia State University, in een online les op Coursera, waarin studenten werden geleerd geospatiale technologieën te gebruiken om gegevens in kaart te brengen.

Hier zijn enkele redenen waarom regenboogkleuren de 'verkeerde keuze' zijn:

Kleurenblindheid en kleuren bestellen

Mensen die kleurenblind zijn, hebben moeite met het herkennen van kleuren, met name rood en groen. (Poging deze kleurenzichttest om te zien of jij een van hen bent.) Kleurenblindheid beïnvloedt tot 10 procent van de mannen . Dat betekent dat als je visuals serveert aan een publiek van honderdduizenden, je een groot deel van je publiek misloopt.

Hoewel de meeste mensen niet kleurenblind zijn, kunnen regenboogkleurenschema's verwarrend zijn omdat er geen duidelijke is 'groter dan' of 'kleiner dan' ” logica om de kleuren te bestellen, waarschuwen computerwetenschappelijke onderzoekers David Borland en Russell M. Taylor II. Mensen zijn het over het algemeen eens over het verloop van licht naar donker, maar sorteren kleuren anders, zoals hier weergegeven:

'Als mensen een reeks grijze verfchips krijgen en gevraagd om ze op volgorde te leggen, zullen ze ze consequent in een volgorde van donker naar licht of van licht naar donker plaatsen. Als mensen echter verfchips in de kleuren rood, groen, geel en blauw krijgen en gevraagd worden om ze op volgorde te zetten, de resultaten variëren”, volgens onderzoekers David Borland en Russell M. Taylor II , hoogleraar computerwetenschappen aan de Universiteit van North Carolina in Chapel Hill.

Veranderingen kunnen moeilijk te zien zijn

Visualisaties vertellen het verhaal achter veranderingen in data; het is hun taak om complexe patronen te vereenvoudigen tot een illustratie die u - idealiter in één oogopslag - laat begrijpen wat er aan de hand is. Maar menselijke ogen zijn niet goed in het detecteren van de randen van verschillende kleuren die naast elkaar zitten. We zijn beter in het zien van kleine veranderingen binnen enkele kleurbereiken omdat de luminantie- en verzadigingswaarden soepel veranderen waar kleuren dat niet doen, schreef Robert Kosara , onderzoeker visuele analyse bij Schoolbord en een expert over hoe we kleur zien, op zijn persoonlijke website, EagerEyes.

De details worden heel snel technisch, maar de belangrijkste les is dat regenboogkleuren alleen verschillen laten zien wanneer de werkelijke kleur verandert, terwijl kleurovergangen laat mensen geleidelijke veranderingen zien.

Je publiek zal moeite hebben om de nuances van elkaar te onderscheiden als je regenboogkleuren gebruikt in plaats van vast te houden aan een schaalverdeling van één kleur.

Misleidende conclusies

Afhankelijk van je publiek kan de verkeerde keuze ernstige gevolgen hebben. In een Harvard-studie , vonden onderzoekers dat 2D-diagrammen van hartslagaders die een gradiënt van zwart naar rood gebruikten, effectievere hulpmiddelen waren voor artsen die diagnoses stelden dan 3D-modellen met regenboogkleuren. Klinische studies toonden aan dat de diagrammen die een gradiënt gebruikten, de nauwkeurigheid van de diagnoses van atherosclerose en hartaandoeningen door artsen verhoogden van 39 procent naar 91 procent.

Een vergelijking van de effectiviteit van 2D arteriële diagrammen met zwarte naar rode gradiënten en 3D regenboogkleurige modellen. (Afbeeldingen: Michelle Borkin / Harvard School of Engineering and Applied Sciences)

Niet elke datavisualisatie wordt gebruikt bij het maken van kritieke medische telefoontjes, maar regenboogkleuren kunnen misleidend zijn wanneer journalisten ze gebruiken om onjuiste kwantitatieve gegevens weer te geven.

'Regenboogkleuren zijn niet slecht als je ze gebruikt voor categorische gegevens', Drew Skau, visualisatiearchitect bij visueel.ly , vertelde Poynter in een video-interview. 'Ze zijn slecht als je ze gebruikt om continue gegevens weer te geven.'

Wat is het verschil? Continue gegevens zijn kwantitatief en worden beschreven in cijfers; categorische gegevens zijn kwalitatief en worden beschreven door woorden. Vergelijk bijvoorbeeld deze groepen:

• Exotische huisdieren: chinchilla, ocelot, schorpioenen, sissende kakkerlakken, pythons
• Temperatuur in Fahrenheit: -459.67°F, 32°F, 212°F
• Kiesstemmen tijdens verkiezingen: 206, 270, 332

De exotische huisdieren zijn aan elkaar verwant, maar niet continu - je kunt het verschil tussen een chinchilla en een ocelot niet meten. De temperatuurmetingen zijn daarentegen continu - het zijn getallen op een schaal met meetbare afstanden.

Kiesstemmen zijn continue gegevens, maar ze lopen ook uiteen. We willen weten wat het middelpunt is (270 kiesmannen) want wie meer dan 50 procent van de stemmen haalt, wint. De datavisualisatie toont dus meestal blauw om Democraten aan de ene kant te vertegenwoordigen en rood voor Republikeinen aan de andere kant, wat de ideale manier is om uiteenlopende gegevens weer te geven.

Deze oefening van Robinson laat zien hoe spectrale kleuren het veel moeilijker maken om het verschil in volume van tweets (wat kwantitatieve gegevens zijn) te zien tijdens de presidentsverkiezingen van 2012:

Deze kaart toont het volume van de tweets van Obama en Romney van de presidentsverkiezingen van 2012, in spectrale kleuren.
(Afbeelding: Dr. Anthony C. Robinson / Penn State)

Hier is dezelfde kaart, maar Robinson heeft de regenboogkleuren veranderd in een enkele tint (paars) met variërende verzadiging.

(Afbeelding: Dr. Anthony C. Robinson / Penn State)

Maar regenboogkleuren worden vaak gebruikt om kwantitatieve gegevens te illustreren, zelfs door NASA-wetenschappers. Academici hebben er bij de wetenschappelijke gemeenschap op aangedrongen te stoppen met het gebruik van spectrale kleuren, en wetenschappers en ingenieurs doen dat ook bezorgd over de nauwkeurigheid van kleurgebruik. Als journalisten kunnen we leren van zowel het onderzoek als de argumenten.

Hulp van de experts

Veel gegevensexperts hebben handige tools ontwikkeld om u te helpen bij het kiezen van kleuren:

• KleurBrouwer door Cynthia Brewer, Mark Harrower en Penn State helpt u bij het ontwerpen van kleurenpaletten voor kaarten; u kunt het aantal gegevensitems, het type gegevens en zelfs kleurenblind-veilige kleuren kiezen.
• Kleur gereedschap , gemaakt door voormalige NASA-onderzoekers, biedt een professionele app voor complexe infographics en luchtvaartdisplays.
• Adobe's Kuler is een gelikt kleurenwiel dat kleurenschema's biedt.
• Poynter's NewsU's catalogus met digitale hulpmiddelen heeft een scala aan tools waarmee je aan de slag kunt met het visualiseren van data.

Kleuren zijn prachtig - bij het onderzoeken van dit artikel ontdekte ik dingen over hen die ik nooit wist, zoals het feit dat geel is de helderste kleur van de regenboog en dat mensen die andere talen spreken kan kleuren zien Engelstaligen kunnen dat niet. Kleuren helpen visualisaties spannend te maken, maar een paar verstandige kleurkeuzes kunnen ervoor zorgen dat die visualisaties nog belangrijker informatief zijn.