我们是数据：创建人口统计学多样化人类学图的挑战与机遇

文献标题

We are the Data: Challenges and Opportunities for Creating Demographically Diverse Anthropographics

文献信息

• 主题领域: 数据可视化设计，特别是人口数据的多样化图像化呈现
• 关键词: anthropographics, demographic data, diversity, marginalized populations, visualization design, critical visualization, inclusion, social challenges, racial equity, human diversity

研究背景与问题

• 发现的问题或挑战:
  • 目前的“人形化图形”（anthropographics）设计通常使用统一的、缺乏多样化的模板，因而未能体现不同人口群体的多样性。
  • 人口数据（如种族、性别、残疾等）通常被简化为分类，这种简化可能忽视个体的复杂性。
  • 忽视人口多样性会传递不完整甚至误导的信息，并可能加剧对边缘化群体的刻板印象和排斥。
• 重要性:
  • 人口多样性的可视化能够更准确地反映社会的现实，有助于提升对边缘化群体的理解和共鸣。
  • 在数据驱动的叙事（数据新闻等）和决策过程中，准确展示社会多样性对公平性至关重要。
• 研究动机:
  • 当前对多样化“人形化图形”的研究有限，缺乏通过设计和技术来呈现族裔和其他人口特征的系统方法。
  • 本文旨在讨论如何设计能够真实反映人口多样性的图形，以推动社会对多样性和公平性的理解。

解决方案

• 提出的方法或解决方案:
  • 设计和原型化多种图形化表示的方法，包括：通过随机颜色、基于数据的皮肤色调分配、增强图形的写实性和表达性等。
  • 借助现有数据集（例如美国人口普查）、手绘插图和其他视觉工具探索如何设计多样化的“人形化图形”。
  • 使用具有社会意义的项目（如数据新闻）的再创作示例，展示多样性编码的影响。
• 创新之处:
  • 提出对物理特征（如皮肤色调、发色、面部特征等）的多样性编码，并探索不同编码设计的潜在问题。
  • 强调种族公平性（racial equity）和批判性的方法论（如数据女性主义和批判性信息可视化实践）。
• 实施步骤:
  1. 设计不同可视化风格的原型（简单几何图形到复杂手绘插图）。
  2. 使用涵盖多种族和特征的广泛色调集合（如Fenty Beauty化妆品的色调和Fitzpatrick分类系统）进行探索。
  3. 原型设计和批判性分析不同分配策略的可能问题（如随机分配、基于数据的分配和限制性分配策略）。

研究成果

• 具体成果:
  • 提供了一系列多样性“人形化图形”的设计方案和技术示例，显示如何编码种族和其他特征。
  • 识别了设计多样性图形的社会和技术挑战，并概括了在缺乏实时数据和标准化映射的情况下的设计限制。
  • 演示了在数据新闻情境下，如何通过增强视觉表达实现公平和多样性的图形展示。
• 与现有解决方案的优势:
  • 相较于现有的单一图形模板，这些多样性图形更能反映系统的公平性和真实性。
  • 提供了一种避免视图同质化的替代路径，从而减少误导性的默认设计。
• 实验或评估结果:
  • 对图形设计的理论框架进行了批评性评估，并识别了种族分类、数据不足以及人口特征编码的潜在风险。
  • 虽未直接进行用户测试，但为后续研究（包括用户感知、对多样性变化的情感和认知反应等）提供了基础。
• 局限性与未来方向:
  • 局限性: 数据集的不足、不准确的特征映射和潜在的设计者偏见可能导致误导性或有害的呈现；无法完全反映现实的多样性。
  • 未来方向:
    1. 更深入地研究不同“人形化图形”的影响，尤其是用户对多样性图形的情绪和理解。
    2. 探索支持边缘化群体参与设计的工具和方法。
    3. 开发新的算法和工具以改进人口多样性与视觉特征的映射精度。
    4. 研究如何利用AI工具（如图像生成）简化多样性图形的创建过程，同时关注其潜在偏见和伦理问题。