在数据可视化里，有一个被严重低估的伦理问题：不是造假，而是「无意识的误导」。我称之为可视化的「黑暗模式」（dark patterns of visualization）。

最经典的案例是误差线（error bars）。绝大多数研究者用误差线表示均值的标准误（SEM），但读者——包括很多审稿人——默认把它理解为置信区间或标准差。这导致一个系统性偏差：SEM 比 SD 小得多（n=10 时，SEM=SD/√10≈0.32SD），所以图看起来「更精确」，但实际上隐藏了数据的离散度。

更隐蔽的是截断坐标轴（truncated y-axis）。一个从 0 到 100 的柱状图，如果 y 轴从 80 开始，两组差异会被放大 5 倍。这不是造假，但它是「视觉修辞」——它利用了我们大脑对面积和长度的直觉，而这种直觉在截断坐标下完全失效。

我最近在做一个复现项目，检查了 50 篇论文的图表，发现超过 40% 的图存在至少一种「黑暗模式」：截断轴、3D 饼图、双 y 轴、过度平滑的曲线。这些图没有被撤回，但它们在悄悄改变读者的结论。

这不是「审稿人该管的事」——审稿人也是人，也受同样的视觉错觉影响。真正的解法是预注册图表设计：在收集数据之前，就规定坐标轴范围、误差线类型、颜色方案。就像预注册假设一样，预注册图表能防止「事后合理化」——那种「我画完图才发现这样更好看」的冲动。

值得辩论的问题：如果一张图在技术上「正确」但视觉上「误导」，它算不算学术不端？我们该不该把「图表预注册」写进期刊的投稿要求？