把PPT做漂亮点真的有用！图表美观能增加可信度！作者：还会影响论文引用和通过率

点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达

萧箫 发自 凹非寺
转载自：量子位（QbitAI）

先来看两张图表：

你感觉，哪张图表看起来可信度更高？

其实，这两张图表展现的数据完全一样，但第二张“更漂亮”的图表看起来却更具说服力。

这种现象已经有了科学依据。

一项最新研究表明，漂亮图表确实更容易受到信任，也更具有误导性，与它们所属的学科类别或来源无关：

而且，学历越高的人群，越容易受这种偏见的影响。

研究po出后，立刻在外网火了一把。

网友们给自己做的丑图找到了新借口：这样才不会让读者产生偏见（得意）。

来看看这是一项怎样的研究。

第一，好看的图更受信任

结论一，与学科类别或来源无关，漂亮的图表就是让人感觉更可信。

研究人员从社交媒体、新闻和科学论文中，分别筛选了数百张图表。

其中，“社交媒体”指Reddit社区，“新闻”来源于彭博社、金融时报等报刊杂志，“科学论文”则基本来自于Nature Communication和Scientific Reports。

图表所属学科也非常多样，涉及地理、生物、健康、科学、运动等：

然后，研究人员找了数百名志愿者，给随机出现的图表进行打分：

△出现的一些图表类型

志愿者们会从美观性（色彩搭配、行间距和字体）、易读性（可视化数据类型、图形类型和图形设计）、可信度、感兴趣程度、超出认知程度等角度，评估图表：

统计结果显示，好看易懂的图表可信度普遍更高（其中横轴是美观性，纵轴是可信度）：

既然如此，漂亮的图片会更具有误导性吗？

第二，漂亮的图更具误导性

结论二，图表的“美观性”更影响人们的信任程度，甚至忽略误导性操作带来的影响。

误导性操作指在不影响结论的情况下，利用图标大小等视觉差，故意给读者造成错觉，引导得出与数据不符的结论：

△图源：维基百科

研究人员亲自上手，对一系列图表进行PS，包括将图片改得更漂亮，例如提升分辨率、调整字体大小等；此外，也将图片改得更具误导性，包括采用暗示性色彩来上色等。

具体来说，他们把每个图表都PS成4种类型：

左上角是漂亮+低误导性；左下角是不漂亮+低误导性；右上角是漂亮+高误导性；右下角是不漂亮+高误导性。

△鲜艳的红色对结论具有误导性

然后，将这些PS后的图片拿给志愿者们进行评估。

结果表明，人们更信任更漂亮的图片，平均比原图的“可信度”高出1分左右（满分7分）；但对于色彩不均匀等误导性操作，人们却表现得不敏感，可信度无明显变化。

这意味着，志愿者们普遍认为更漂亮的图片看起来更可信，即使它被进行了误导性操作。

除此之外，研究人员分析了一下志愿者们的学历，还发现了一个意外现象：

学历越高的志愿者，评估可信度时越容易受到好看图表的影响。

作者Mark Thornton认为，在引用或评审科学论文时，确实可能受到这种好看图表“偏见”的影响，导致对应论文的引用率和通过率更高：

所以下次投稿之前，试试把论文图表搞得更漂亮一点？（手动狗头）

作者介绍

论文一作Chujun Lin，本科毕业于浙江大学，在加州理工学院取得社会科学博士学位后，又进行了一年博士后工作，目前在达特茅斯学院继续进行博士后工作，研究方向主要与计算方法（建模、深度学习等）、社会心理学理论和社会性指标相关。

二作Mark Thornton，达特茅斯学院助理教授，本科毕业于普林斯顿大学，并于哈佛大学取得硕博学位，研究方向主要是心理学和脑科学。

论文地址：
https://psyarxiv.com/dnr9s/

参考链接：
[1]https://weibo.com/1402400261/L9jYsokzC
[2]https://www.chujunlin.com/
[3]https://twitter.com/Mark_A_Thornton/status/1478057342088495112
[4]https://pbs.dartmouth.edu/people/mark-thornton

ICCV和CVPR 2021论文和代码下载

后台回复：CVPR2021，即可下载CVPR 2021论文和代码开源的论文合集
后台回复：ICCV2021，即可下载ICCV 2021论文和代码开源的论文合集
后台回复：Transformer综述，即可下载最新的3篇Transformer综述PDF

CVer-Transformer交流群成立

扫码添加CVer助手，可申请加入CVer-Transformer 微信交流群，方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch和TensorFlow等群。

一定要备注：研究方向+地点+学校/公司+昵称（如Transformer+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群

▲长按加小助手微信，进交流群
▲点击上方卡片，关注CVer公众号

整理不易，请点赞和在看