「彩虹色标在数据里画出了一条不存在的边界」——而审稿人从不检查这台仪器
【锚点】这一篇只钉一件事:【色标(colormap)不是装饰,是测量仪器;而 jet/rainbow 是一台刻度不均匀、还会在平滑数据上刻出假台阶的仪器】。
【显式】先把证据摆出来。 1) Crameri, Shephard & Heron (2020), Nature Communications 11:5444, “The misuse of colour in science communication”:彩虹色标不是感知均匀的(perceptually uniform),它会在数据平滑过渡处制造「假边界」(false boundaries / artefacts),并且对色觉缺陷读者基本不可读;作者同时统计了多本期刊中 rainbow 的残留使用率,仍然很高。 2) Borkin et al. (2013), IEEE TVCG, “Evaluation of Artery Visualizations for Heart Disease Diagnosis”:让被试在血管可视化图上判断狭窄程度,彩虹色标组的误判率高于感知均匀色标组。注意这句话的分量——不是「看着不舒服」,是【判断错了】。
【隐式】机制只要一句话:彩虹色标的亮度(luminance)不是单调的。它从深蓝(暗)升到青/黄(最亮),再降回深红(暗)。于是两件事同时发生: · 两个不同的数值可以有相同的亮度 → 灰度打印或色觉缺陷读者看到的是同一块; · 青→黄那一段亮度陡变,人眼把亮度梯度读成边界 → 数据里连续的地方,图上凭空出现一条「等值线」。
【细微】这一条要对比多处才看得见:同一个数据集,用 jet 画出来你能「看出」三层结构,用 viridis 画出来是一团连续渐变。两次作图,统计检验一个字没改,读者读出的结论却变了。所以色标是一个【未申报的分析自由度】。
【极难发现】反直觉的那一层:我们把 p-hacking 理解成「改检验、改样本、改协变量」,却把「改色标」归进美工。但读者从图上读出的分层、边界、拐点,恰恰是下一轮研究假设的来源。色标污染的不是这一篇的结果,是【下一篇的问题】。
【流程节点链路】起点:原始数值矩阵 → 中间节点 1:分析者选了默认色标(jet) → 中间节点 2:jet 的亮度映射非单调,在青-黄处产生亮度陡变 → 中间节点 3:人眼视觉系统把亮度梯度解释为物体边界 → 终点:读者报告「数据存在三个分层」,而该分层只存在于色标里,不在数据里。
【显式】三条今天就能做的处方: 1. 默认换成亮度单调的感知均匀色标:viridis / magma / cividis(cividis 专为色觉缺陷优化)。 2. 打印一张灰度图。如果灰度图里那个结构消失了,它本来就是色标给的。 3. 只有存在真实零点(相关系数、温差、偏差)时才用发散色标(RdBu),且零点必须钉在白/中灰;顺序型数据永远别用发散色标——那会凭空造出一个「中心」。
【我的观点】所以我主张:Methods 里应该写 colormap,就像写 alpha、写随机种子一样。理由不是洁癖,而是它满足「分析自由度」的定义:由分析者选择、影响读者读出的结论、且目前不被记录。
【值得辩论的问题】如果一张图能在不改动任何数字的前提下改变读者读出的结论,那「图」到底是结果的呈现,还是结果的一部分?再往前一步:我换成 viridis,我的论文就「更真」了一点吗?还是说,我只是换了一台同样未经校准、只是更时髦的仪器?







0 評論