先说结论：数据可视化最常犯的错，是“善意的美化”；知识可视化最常犯的错，是“流畅的错解”。

这两类失败长得很不一样，但团队里普遍被当成同一件事处理——用同一套流程、同一套清单、同一个人把关。结果是其中一类被反复抓住，另一类长期漏网。

一、数据可视化的失败：误导

定义：数据本身是真的，但呈现方式让读者得出了错误结论。

典型有六种，都能找到真实案例：

① 截断坐标轴

为了“看清差异”，柱状图纵轴不从 0 开始。后果是倍数被视觉放大。

真实案例：2017 年小米发布会用跑分对比，坐标轴从 40000 分起画。实际小米 6 是 18 万多分、对标机型不到 7 万分（不到 3 倍），而视觉上给人的感受是 5 倍多。（澎湃新闻核查报道）

② 分级阈值随意切分

为了“颜色好看”或“分布均匀”，把量级差异巨大的对象归到同一档。

真实案例：2020-02-14 同一天的疫情数据，BBC 把超过 500 例的省份都赋予最深的红色，导致确诊 529 例的重庆与 51986 例的湖北是同一个颜色；而另一家媒体以 10 的次方分档，观感完全不同。数据一样，结论相反。（同上来源）

③ 双 Y 轴

为了“把两条线塞进一张图”，把量纲不同的指标画在一起。读者会本能地比较两条线的交叉与分离，而那个交叉往往毫无意义。

英国国家统计局（ONS）为此专门发文，措辞是“令人困惑，甚至具有误导性”，并演示了同一组数据仅靠调整轴就能讲出不同故事。

④ 为“科技感”加 3D

数据只按长度编码时，读者却会按体积去理解——被放大的那根柱子看起来比实际更“大”。

⑤ 圆形、气泡按半径编码

按半径而非面积编码数值，视觉上会被平方放大。半径 2 倍 → 看起来是 4 倍。

⑥ 选择性截取区间

只展示对结论有利的时间段，把不利区间裁掉。

这六种的共同点：大多出于善意。

制图者通常不是为了骗人，而是为了“让差异更明显”“让颜色更均匀”“让空间更省”“让画面更有科技感”。每一个动机都合理，每一个结果都歪曲了数据。

二、知识可视化的失败：流畅的错解

定义：呈现是流畅、清晰、好看的，但它教给读者的机制是错的。

典型有七种：

① 机制画反

树的旋转方向搞错、递归的执行顺序被画成广度优先、指针的移动方向与代码不符。画面完全流畅，但学到的是错的。

② 为了动画好看而调换步骤顺序

真实的算法有明确的依赖顺序，但为了动画连贯（比如让所有元素同时动起来），把本应串行的步骤画成并行——学生建立的时序模型就是错的。

③ 过度简化丢失了存在理由

把 TCP 三次握手简化成“打个招呼”，丢掉了它真正要解决的问题（防止失效的连接请求突然到达）。学生记住了三步，却答不出“为什么不是两次”。

④ 隐喻的副作用

把电流比作水流、把内存比作储物柜。隐喻初期有助于理解，但学生后期需要主动忘记它——而很多人的错误概念正是从隐喻来的。

⑤ 时间尺度失真造成错误直觉

把对数复杂度的算法演示得和线性算法差不多快。学生建立了“这两个差不多”的直觉，而这个直觉恰恰是算法分析要打破的。

⑥ 只演示顺境

只演示算法成功的路径，不演示空输入、重复值、退化情况。学生以为算法“总是这样运行”。

⑦ 交互自由度不足造成错误印象

只能按预设的几个数值操作，学生以为算法只适用于这些值，或者以为中间过程不会出现异常状态。

这七种的共同点：几乎不可能被读者发现。

三、为什么后者更危险

这是本文最想说的部分。两类失败的严重程度不对称，而且方向和直觉相反。

第一，发现难度完全不对称。

截断的坐标轴，一个懂行的人扫一眼就能看出（“这个轴怎么不从 0 开始？”）。而一段动画里的执行顺序错了，只有真正懂这个算法的人才能看出来——而这恰恰是目标受众不具备的能力。

你不可能指望来学习的人替你校验教学内容。

第二，流畅的叙事会主动降低读者的批判性。

这个不是我猜的，有实证。Willett 等人做过一个叙事化可视化的实验（用 Gapminder 做材料），发现：

在有解说的演示中，参与者对数据更不挑剔，并且没有人发现数据中的错误。

也就是说，越流畅、越有解说，读者越不会怀疑。而知识可视化恰恰追求流畅。

第三，认知错误比决策错误更持久。

数据可视化出错，后果通常是“这次决策错了”，下一次报表会更正，人会重新判断。

知识可视化出错，后果是“这个人的认知从此是错的”。而认知一旦形成，纠正成本极高——他需要在某个时刻自己意识到问题，而这个时刻可能永远不会到来。

四、一个共同的根源

两类失败看起来无关，但根子是同一个：

用“观感”替换了“正确性”。

• 数据可视化里，“好看/清晰/省空间”替换了“如实反映数据”
• 知识可视化里，“流畅/炫酷/易懂”替换了“如实反映机制”

区别在于纠正方式：

	数据可视化	知识可视化
错误能否被非专家发现	能（看轴、看图例）	不能（需要领域判断）
谁该负责把关	制图者 + 发布清单	领域专家
能否用固定清单解决	能	不能
纠正成本	下一次报表即可	极高，可能永久错

最后两行是关键：前者可以流程化，后者不能。

五、两套不同的检查清单

因为纠正方式不同，两类内容需要两套独立的验收流程。

数据可视化：可以机械化的发布前清单

• [ ] 柱状图、面积图的纵轴是否从 0 开始？
• [ ] 如必须截断，是否有明确的断轴标记与文字说明？
• [ ] 圆形、气泡是否按面积而非半径编码？
• [ ] 分级色的阈值依据是什么？是否写进了图注？
• [ ] 双 Y 轴是否必要？能否拆成两张图？
• [ ] 3D 是否必要？去掉后信息是否受损？
• [ ] 时间区间的选取是否有明确理由？是否存在“只展示有利区间”？
• [ ] 灰度打印 / 色盲模拟下是否仍可区分？
• [ ] 图表与正文结论是否一致？

这份清单不需要领域专家，任何人都能执行。这就是它有效的原因。

知识可视化：必须专家评审

不能用清单，因为每一条都依赖专业判断：

• [ ] 执行顺序是否与真实算法严格一致？（需逐帧对照代码或规范）
• [ ] 有没有为了动画连贯而改变真实时序？
• [ ] 简化掉的细节，是否包含该机制的存在理由？
• [ ] 隐喻在后期会不会变成障碍？
• [ ] 时间尺度、比例尺是否为“示意”？读者知道吗？
• [ ] 是否演示了边界情况（空输入、重复值、退化）？
• [ ] 交互的自由度是否足以避免“只适用于预设值”的误解？
• [ ] 懂这个领域但没参与制作的人，独立看过一遍了吗？

最后一条最重要，也最常被跳过。 制作团队一旦自己理解了这个机制，就很难再看出哪里会让初学者误解——这需要一双没被污染的眼睛。

六、给团队的三条建议

一、把两类内容分开管理。 不要用同一套验收标准、同一条流程、同一个人把关。它们的失败模式不同，纠正手段也不同。

二、数据可视化靠清单，知识可视化靠人。 前者可以交给流程，后者必须交给领域专家——而且要没参与制作的专家。

三、警惕“顺畅感”。 在知识可视化里，越顺畅越该警惕——因为读者的批判性会被流畅度削弱，错误更容易被全盘接受。制作完成后，专门安排一轮“找错”评审，而不是“看效果”评审。

结语

数据可视化的失败是误导——数据是真的，呈现歪曲了它。这类错误可见、可查、可流程化，代价是决策错误。

知识可视化的失败是误解——呈现是流畅的，机制是错的。这类错误不可见、难发现、无法流程化，代价是一个人的认知从此错误，而且他不知道自己错了。

两者的责任完全不同：前者对读者负责，要在被误导前拦住；后者对学生负责，而学生没有能力反过来检查你。

做知识可视化，本质上是在替别人形成认知。这件事的重量，比画一张图重得多。

---

本文涉及的真实案例分别来自澎湃新闻的可视化核查报道、英国国家统计局的图表指南，以及 Willett 等人关于叙事化可视化的实验研究。