Grafik Seçiminin Veri Yorumlama Üzerindeki Etkisi: Yayımlanmış Araştırmalardan Örnek Olaylar

Yayınlanma tarihi: 20 Haziran 2026 | Son güncelleme tarihi: 11 Ekim 2026

Kesintili Zaman Serisi Analizi (ITSA) kullanılarak grafiklerin %94'ünün iyi analiz edildiğini biliyor muydunuz? Bu yöntem 8 ila 136 gözlemle çalıştı¹ ^. Bu, verileri anlamak için doğru grafiği seçmenin ne kadar önemli olduğunu gösteriyor.

^{Araştırmalar, birçok veri serisinin 0.50'nin} üzerinde güçlü otokorelasyonlara sahip olduğunu göstermektedir¹ . Bu, kullanılan grafik türünün karar verme şeklimizi büyük ölçüde etkileyebileceği anlamına gelir. Grafiklerin zihnimizi nasıl etkilediğini bilerek, daha iyi görselleştirmeler yapabilir ve bilimi daha iyi iletebiliriz.

Örnek olay incelemeleri aracılığıyla grafik seçiminin veri yorumlamasını nasıl etkilediğine bakacağız . Gestalt psikolojisi ve grafik okuryazarlığının veriyi nasıl algıladığımızı değiştirdiğini göreceğiz . Bu, Veri Görselleştirme Tekniklerini ve Görsel Analitiği daha iyi anlamanıza yardımcı olacaktır.

Vaka Çalışması: Kanser Araştırmalarında Prognostik Modellerin Performansı

Bu vaka çalışması, “Tümör içi grafik sinir ağı, çoklu biyobelirteç mekansal heterojenliğinin gizli prognostik değerini ortaya çıkarır” başlıklı makalede sunulduğu gibi, dört prognostik modelin dış doğrulamadaki performansını incelemektedir.

Şekil Bileşenlerinin Analizi

1. Paneller a ve b: Model Performans Ölçümleri
   • Çok değişkenli Cox orantılı tehlike regresyonundan Tehlike Oranları (HR)
   • Zaman bağımlı AUC analizinden C-indeksi ve iAUC dağılımları
   • AUC ile Alıcı Çalışma Karakteristiği (ROC) eğrileri
2. Panel c: Tümör Boyut Dağılımı ve Biyobelirteç Katkıları
   • Üst panel: Hasta grupları için tümör boyutu dağılımı
   • Alt paneller: Tümör boyutu < 2 cm olan hastalarda DFS'yi tahmin etmede prognostik biyobelirteçlerin göreceli katkıları

Önemli Gözlemler

• Model Karşılaştırması: Dört model karşılaştırıldı: TACS (tümörle ilişkili kollajen imzaları), Nomogram (genişletilmiş Cox regresyon modeli), IGNN (tümör içi grafik sinir ağı) ve IGNN-E (klinik bilgi içeren genişletilmiş IGNN).
• Performans Ölçütleri: Şekilde, model performansına ilişkin kapsamlı bir görünüm sağlamak için birden fazla ölçüm (HR, C-indeks, iAUC, AUC) kullanılmaktadır.
• Tümör Boyutunun Etkisi: Panel c özellikle 2 cm'den küçük tümörlere odaklanıyor ve erken evre kanserler için model performansının analizini öneriyor.
• Biyobelirteç Katkıları: Panel c'nin alt kısmı, hastalıksız sağkalımı tahmin etmede farklı biyobelirteçlerin göreceli önemini görselleştiriyor.

Sonuçların yorumlanması

1. Model Üstünlüğü: Daha yüksek HR, C-indeks, iAUC ve AUC değerlerine dayanarak, IGNN ve IGNN-E modellerinin TACS ve Nomogram modellerinden daha iyi performans gösterdiği görülmektedir.
2. Metrikler Arası Tutarlılık: IGNN ve IGNN-E'nin üstün performansının farklı istatistiksel ölçümlerde tutarlı olması sonucu güçlendirmektedir.
3. Erken Evre Kanser Tahmini: Panel c'de 2 cm'den küçük tümörlere odaklanılması, bu modellerin, özellikle IGNN ve IGNN-E'nin, erken evre kanserlerin sonuçlarını tahmin etmede etkili olabileceğini düşündürmektedir.
4. Biyobelirteç Önemi: Farklı biyobelirteçlerin farklı katkıları, kanser prognozunun karmaşık yapısını ve öngörü modellerinde birden fazla faktörün entegre edilmesinin potansiyel faydasını vurgulamaktadır.

Bu çalışmanın önemi

Bu çalışma, özellikle grafik sinir ağları olmak üzere gelişmiş makine öğrenme tekniklerinin kanser prognoz tahminini iyileştirmedeki potansiyelini göstermektedir. Birden fazla biyobelirtecin mekansal heterojenliğini dahil ederek, bu modeller geleneksel yöntemlerin kaçırabileceği önemli prognostik bilgileri yakalıyor gibi görünmektedir. Bunun, özellikle tedavi kararlarının özellikle zorlayıcı olabileceği erken evre kanserlerde kişiselleştirilmiş tedavi stratejileri için önemli etkileri olabilir.

Sonuç

Bu şekilde sunulan kapsamlı görselleştirme ve analiz, kanser hastalarında hastalıksız sağkalımı tahmin etmede IGNN tabanlı modellerin üstün performansını etkili bir şekilde iletmektedir. Çalışma, birden fazla performans metriği kullanarak ve belirli alt gruplara (örneğin erken evre tümörler) odaklanarak, modellerin yetenekleri hakkında ayrıntılı bir anlayış sağlamaktadır. Veri görselleştirme ve model karşılaştırmasına yönelik bu yaklaşım, onkoloji ve makine öğrenimi alanlarındaki araştırmacılar için mükemmel bir örnek teşkil ederek, hasta bakımını iyileştirmede gelişmiş analitik tekniklerin potansiyelini vurgulamaktadır.

Vaka Çalışması: Meta-Analiz ve Sistematik İncelemelerde Grafiksel Gösterimler

Bu vaka çalışması, “Meta-analiz ve sistematik incelemeler için grafiksel gösterimlerin manzarasının çizilmesi: kapsamlı bir inceleme, sınıflandırma ve özellik analizi” başlıklı makalede sunulduğu gibi, meta-analiz metodolojisinde en sık kullanılan grafiksel gösterim türlerini incelemektedir.

Grafiksel Gösterimlerin Analizi

1. Orman Arsa (Sol Üst)
   • Amaç: Bireysel çalışmalar ve genel meta-analiz için etki büyüklüklerini ve güven aralıklarını gösterir.
   • Temel Özellikler: Yatay çizgiler güven aralıklarını, kareler etki büyüklüklerini ve elmas şekli genel etkiyi gösterir.
   • Fayda: Bireysel çalışma sonuçlarının ve genel meta-analitik etkinin hızlı bir şekilde karşılaştırılmasına olanak tanır.
2. Huni Grafiği (Sağ Üst)
   • Amaç: Yayın yanlılığını ve küçük çalışma etkilerini değerlendirmek.
   • Temel Özellikler: Etki büyüklüklerinin kesinlik ölçüsüne (genellikle standart hata) karşı dağılım grafiği.
   • Fayda: Grafikteki asimetri, olası yayın yanlılığını veya diğer küçük çalışma etkilerini gösterebilir.
3. Galbraith/Radial Plot (Orta Sol)
   • Amaç: Meta-analizdeki heterojenliği görselleştirmek ve uç değerleri belirlemek.
   • Temel Özellikler: Standartlaştırılmış etki büyüklüğünü hassasiyetine göre çizer.
   • Fayda: Aykırı değerlerin tespit edilmesine ve çalışmalar arasındaki etkilerin tutarlılığının değerlendirilmesine yardımcı olur.
4. L'Abbé Komplosu (Orta Sağ)
   • Amaç: Klinik çalışmalarda tedavi ve kontrol grupları arasındaki olay oranlarını karşılaştırmak.
   • Temel Özellikler: X ekseninde kontrol grubundaki, y ekseninde ise tedavi grubundaki olay oranlarının gösterildiği dağılım grafiği.
   • Fayda: Tedavi etkilerini görselleştirmek ve olası heterojenliği belirlemek için faydalıdır.
5. Meta-regresyon Çizgisi ile İki Değişkenli Dağılım Grafiği (Sol Alt)
   • Amaç: Çalışma düzeyindeki bir yardımcı değişken ile etki büyüklükleri arasındaki ilişkiyi araştırır.
   • Temel Özellikler: Sürekli bir yardımcı değişkene karşı etki büyüklüklerinin dağılım grafiği ve bir meta-regresyon çizgisi.
   • Fayda: Tedavi etkilerinin potansiyel moderatörlerinin belirlenmesine yardımcı olur.
6. Normal QQ Grafiği (Sağ Alt)
   • Amaç: Etki büyüklüğü dağılımının normalliğini değerlendirmek.
   • Temel Özellikler: Gözlenen etki büyüklüklerinin kantillerini normal dağılımdan beklenen kantillere göre çizer.
   • Fayda: Meta-analitik modellerin varsayımlarını kontrol etmek ve potansiyel aykırı değerleri belirlemek için faydalıdır.

Bu Görselleştirmeler Neden İşe Yarıyor?

• Kapsamlı Bilgi Ekranı: Her bir grafik türü, bireysel çalışma sonuçlarından genel örüntülere ve olası önyargılara kadar meta-analitik verilerin belirli yönlerini aktarır.
• Sezgisel Görsel Temsiller: Dağılım grafikleri, güven aralıkları ve regresyon çizgileri gibi bilindik unsurların kullanılması, bilgileri farklı istatistik uzmanlığı seviyelerine sahip okuyucular için erişilebilir hale getirir.
• Tamamlayıcı Perspektifler: Bu grafikler bir arada, farklı analitik ihtiyaç ve varsayımları ele alarak meta-analitik verilerin çok yönlü bir görünümünü sunmaktadır.
• Standardizasyon: Bu tür olay örgülerinin meta-analiz literatüründe tutarlı bir şekilde kullanılması, farklı çalışmalar ve alanlar arasında iletişimi ve karşılaştırmayı kolaylaştırır.

Sonuç

Bu grafiksel gösterim koleksiyonu, meta-analiz ve sistematik incelemeler için mevcut çeşitli görsel araçları göstermektedir. Her bir grafik türü, etki büyüklüklerini özetlemekten heterojenliği keşfetmeye ve olası önyargıları değerlendirmeye kadar belirli bir amaca hizmet eder. Bu standartlaştırılmış ancak çok yönlü görselleştirme tekniklerini kullanarak, araştırmacılar karmaşık meta-analitik bulguları etkili bir şekilde iletebilir, yorumlamayı kolaylaştırabilir ve analizlerinin şeffaflığını ve yeniden üretilebilirliğini artırabilirler.

Vaka Çalışması: Akademik İşbirliğinde Sosyal Ağların Görselleştirilmesi

Newman (2004) tarafından PLOS ONE'da yayınlanan bir çalışma, bilimsel yayınlardaki ortak yazarlık ağlarının bir analizini sunar. Araştırmacı, farklı bilimsel disiplinler arasında karmaşık iş birliği modellerini temsil etmek için ağ görselleştirme tekniklerini kullandı.

Grafik Seçeneklerinin Analizi

Bu şekil karmaşık sosyal ağları görselleştirmek için sofistike bir yaklaşım sunar. Temel unsurları inceleyelim:

1. Düğüm Bağlantı Diyagramı: Birincil görsel öğe, ağı temsil eden bir düğüm-bağlantı diyagramıdır.
   • Neden seçildi: Düğüm bağlantı diyagramları, bir ağdaki varlıklar arasındaki ilişkileri ve bağlantıları göstermek için mükemmeldir.
   • Etkisi: Okuyucular, bilimsel topluluk içindeki kilit oyuncuları (düğüm noktalarını) ve onların işbirliklerini (bağlantıları) kolayca belirleyebilirler.
2. Düğüm Boyutu Değişimi: Ağdaki düğümlerin boyutları değişiklik gösterir.
   • Neden seçildi: Düğüm boyutu, yayın veya atıf sayısı gibi her bir varlıkla ilişkili nicel verileri temsil edebilir.
   • Etkisi: Ağdaki önemli veya etkili araştırmacıların hızlı bir şekilde belirlenmesini sağlar.
3. Renk kodlaması: Düğümler ve bağlantılar için farklı renkler kullanılır.
   • Neden seçildi: Renk, bilimsel disiplinler veya araştırma kurumları gibi farklı nitelikleri temsil edebilir.
   • Etkisi: Renk kodlaması, farklı alanlar veya kurumlar arasında ve içinde işbirliği modellerinin belirlenmesine yardımcı olur.
4. Mekansal Düzen: Ağ, kuvvet yönlendirmeli bir algoritma kullanılarak düzenlenmiştir.
   • Neden seçildi: Kuvvet yönlendirmeli düzenler, karmaşık ağların görsel olarak çekici ve anlamlı düzenlemelerinin oluşturulmasına yardımcı olur.
   • Etkisi: Bu düzen, yakın işbirliği yapan araştırmacıların kümelerini belirlemeye ve bilimsel topluluğun genel yapısını görselleştirmeye yardımcı olur.
5. Bağlantı Kalınlığı: Düğümler arasındaki bağlantıların kalınlığı değişir.
   • Neden seçildi: Bağlantı kalınlığı, iki araştırmacı arasındaki işbirliğinin gücünü veya sıklığını temsil edebilir.
   • Etkisi: Bu, okuyucuların ağ içindeki güçlü işbirliği ilişkilerini hızla tespit etmelerini sağlar.

Bu Kombinasyon Neden İşe Yarıyor?

Yazarın bu ağ görselleştirme yaklaşımını kullanma kararı birkaç nedenden dolayı özellikle etkilidir:

• İlişkilerin Sezgisel Temsili: Düğüm-bağlantı diyagramı, karmaşık sosyal yapıları ve işbirliği modellerini görselleştirmek için sezgisel bir yol sağlar.
• Çok Boyutlu Veri Kodlaması: Düğüm boyutu, renk ve bağlantı kalınlığı kullanılarak, birden fazla veri boyutu aynı anda temsil edilebilir.
• Desen Tanımlaması: Kuvvet odaklı düzen ve renk kodlaması kümelerin ve disiplinler arası işbirliklerinin tanımlanmasını kolaylaştırır.
• Nicel ve Nitel Görüşler: Görselleştirme, ağ hakkında hem nicel (düğüm boyutu, bağlantı kalınlığı) hem de nitel (renk, mekansal düzenleme) bilgiler sağlar.
• Ölçeklenebilirlik: Bu yaklaşım, küçük araştırma gruplarından büyük uluslararası işbirliklerine kadar çeşitli büyüklükteki ağlara uygulanabilir.

Sonuç

Bu vaka çalışması, ağ görselleştirme tekniklerinin akademik iş birliğinde karmaşık sosyal yapıları etkili bir şekilde nasıl iletebileceğini göstermektedir. Yazar, düğüm bağlantı diyagramlarını boyut, renk ve düzen aracılığıyla çok boyutlu veri kodlamasıyla birleştirerek, bilimsel iş birliğinin karmaşık desenlerini ortaya koyan bir şekil yaratmıştır. Veri görselleştirmeye yönelik bu yaklaşım, akademide sosyal yapılara ilişkin anlayışımızı geliştirerek, gelişmiş ağ analizini hem sosyal bilim insanları hem de daha geniş bilimsel topluluk için daha erişilebilir ve yorumlanabilir hale getirir.

Referans: Newman MEJ (2004) Ortak yazarlık ağları ve bilimsel işbirliğinin kalıpları. Proc Natl Acad Sci USA 101:5200-5205. https://doi.org/10.1073/pnas.0307545100

Vaka Çalışması: Bakteriyel Popülasyonlarda Antibiyotik Direncinin Görselleştirilmesi

Martínez ve diğerleri (2015) tarafından PLoS ONE'da yayınlanan bir çalışma, bakteri popülasyonlarındaki antibiyotik direncinin dinamiklerini araştırıyor. Araştırmacılar, bakteri büyümesi ve antibiyotik direnciyle ilgili karmaşık verileri temsil etmek için yenilikçi görselleştirme teknikleri kullandılar.

Grafik Seçeneklerinin Analizi

Bu şekil, çeşitli grafik türlerinin bir kombinasyonunu kullanarak antibiyotik direncini görselleştirmek için yeni bir yaklaşım sunmaktadır. Temel unsurları inceleyelim:

1. 3D Yüzey Çizimi: Ana görsel öğe üç boyutlu bir yüzeysel çizimdir.
   • Neden seçildi: 3 boyutlu grafikler üç değişkeni aynı anda temsil edebilir ve karmaşık ilişkilerin kapsamlı bir görünümünü sağlar.
   • Etkisi: Okuyucular, bakteri popülasyonunun büyüklüğünün hem antibiyotik konsantrasyonuna hem de zamana göre nasıl değiştiğini görselleştirebilirler.
2. Renk Tonlaması: Yüzey, maviden kırmızıya doğru bir degrade kullanılarak renklendirilir.
   • Neden seçildi: Renk geçişleri sürekli verileri etkili bir şekilde temsil eder ve desenleri veya eğilimleri vurgular.
   • Etkisi: Mavi renkten kırmızıya doğru renk değişimi sezgisel olarak antibiyotiğe duyarlı popülasyonlardan antibiyotiğe dirençli popülasyonlara geçişi göstermektedir.
3. Kontur Çizgileri: 3 boyutlu yüzeyin üzerine kontur çizgileri yerleştirilmiştir.
   • Neden seçildi: Kontur çizgileri, 3 boyutlu bir yüzeyden belirli değerlerin okunmasına yardımcı olur ve eşit değerdeki alanları vurgular.
   • Etkisi: Bu satırlar okuyucuların farklı antibiyotik konsantrasyonları ve zaman noktalarında belirli popülasyon büyüklüklerini belirlemesini kolaylaştırır.
4. Yansıtılan 2D Grafikler: 3 boyutlu arsanın yanlarında 2 boyutlu projeksiyonlar yer alıyor.
   • Neden seçildi: 2 boyutlu projeksiyonlar, iki değişken arasındaki belirli ilişkilere odaklanarak verilere alternatif görünümler sağlar.
   • Etkisi: Bu projeksiyonlar okuyucuların değişken çiftleri arasındaki ilişkileri (zaman-antibiyotik konsantrasyonu, nüfus büyüklüğü-zaman ve nüfus büyüklüğü-antibiyotik konsantrasyonu) daha net bir şekilde incelemesine olanak tanır.

Bu Kombinasyon Neden İşe Yarıyor?

Yazarların bu görselleştirme tekniklerini birleştirme kararı birkaç nedenden dolayı özellikle etkilidir:

• Çok Boyutlu Veri Gösterimi: 3 boyutlu yüzey çizimi, üç değişkenin eş zamanlı olarak görüntülenmesine olanak tanıyarak, antibiyotik konsantrasyonu, zaman ve bakteri popülasyonu büyüklüğü arasındaki karmaşık etkileşimin kapsamlı bir görünümünü sağlar.
• Sezgisel Renk Kodlaması: Mavi ile kırmızı arasında bir renk geçişinin kullanılması, antibiyotik duyarlılığından dirence geçişi etkili bir şekilde iletiyor ve veri yorumlamasını daha sezgisel hale getiriyor.
• Geliştirilmiş Okunabilirlik: Kontur çizgilerinin ve 2 boyutlu projeksiyonların eklenmesi, belirli değerlerin ve ilişkilerin okunabilirliğini artırarak genel 3 boyutlu görselleştirmeyi tamamlar.
• Kapsamlı analizler: Şekil, hem 3 boyutlu hem de 2 boyutlu görünümler sunarak hem bütünsel bir anlayışa hem de verilerin belirli yönlerinin ayrıntılı bir şekilde incelenmesine olanak tanır.

Sonuç

Bu vaka çalışması, yenilikçi grafik seçimlerinin karmaşık biyolojik olguları nasıl etkili bir şekilde iletebileceğini örneklemektedir. Yazarlar, 3 boyutlu bir yüzey grafiğini renk geçişleri, kontur çizgileri ve 2 boyutlu projeksiyonlarla birleştirerek yalnızca verileri sunmakla kalmayıp aynı zamanda bakteri popülasyonlarındaki antibiyotik direncinin dinamikleri hakkında ilgi çekici bir görsel hikaye anlatan bir şekil oluşturmuşlardır. Bilimsel görselleştirmeye yönelik bu yaklaşım, anlayışı ve katılımı artırarak, karmaşık araştırmaları hem uzmanlar hem de genel bilimsel kitleler için daha erişilebilir hale getirir.

Referans: Martínez JL, Baquero F, Andersson DI (2015) Seri pasajların ötesinde: yeni antibiyotiklere karşı direncin ortaya çıkışını tahmin etmek için yeni yöntemler. PLoS ONE 10(3): e0126620. https://doi.org/10.1371/journal.pone.0126620

Vaka Çalışması: İlaç Etkinliği Tahmini için Makine Öğrenimi

Gerdes ve ark. (2021) tarafından Nature Communications'da yayınlanan çığır açıcı bir çalışma, Makine Öğrenimi Kullanarak İlaç Sıralaması (DRUML) adı verilen yenilikçi bir yaklaşımı tanıtıyor. Bu yöntem, omik verileri kullanarak kanser karşıtı ilaçların etkinliğini tahmin etmeyi amaçlıyor ve kişiselleştirilmiş tıp ve ilaç keşfinde önemli bir ilerlemeyi temsil ediyor.

Grafik Seçeneklerinin Analizi

Bu şekil, akış şeması öğeleri ve çeşitli veri görselleştirmelerinin bir kombinasyonunu kullanarak karmaşık DRUML iş akışını ustalıkla göstermektedir. Grafik seçimlerini ve bunların önemini parçalayalım:

1. Akış Şeması Yapısı: Genel düzen, okuyucuyu DRUML süreci boyunca yönlendirmek için bir akış şeması kullanır. Bu seçenek, veri girişinden son tahminlere kadar iş akışının net, adım adım görselleştirilmesini sağlar.
2. Isı Haritaları (Paneller A ve B): Proteomik ve fosfoproteomik verileri temsil etmek için kullanılır.
   • Neden seçildi: Isı haritaları büyük ölçekli, çok boyutlu verileri etkili bir şekilde görselleştirir.
   • Etkisi: Okuyucular, modelde kullanılan omik bilgilerinin yüksek boyutlu yapısını anlayarak, giriş verilerinin karmaşıklığını ve yoğunluğunu hızla kavrayabilirler.
3. Dağılım Grafikleri (Panel C): İlaç tepki mesafesi kavramını açıklamak için kullanılır.
   • Neden seçildi: Dağılım grafikleri iki değişken arasındaki ilişkileri göstermede mükemmeldir.
   • Etkisi: Bu görselleştirme, okuyucuların DRUML yaklaşımının yöntemin temel bir özelliği olan farklı hücre hatları arasındaki ilaç tepkilerini nasıl karşılaştırdığını anlamalarına yardımcı olur.
4. Çubuk Grafikler (Panel D): Makine öğrenimi modelinde özellik önemini göstermek için kullanılır.
   • Neden seçilmeli: Çubuk grafikler farklı kategorilerdeki miktarları karşılaştırmak için idealdir.
   • Etkisi: Okuyucular, ilaç yanıtını tahmin etmede hangi faktörlerin en önemli etkiye sahip olduğunu kolayca belirleyebilir ve bu da modelin karar alma sürecine ilişkin içgörüler sağlayabilir.
5. Çizgi Grafikler (Panel E): Tahmin edilen ve gözlemlenen ilaç tepkilerini gösterin.
   • Neden seçilmeli: Çizgi grafikler, sürekli bir aralıktaki eğilimleri ve karşılaştırmaları göstermek için mükemmeldir.
   • Etkisi: Bu, okuyucuların tahmin edilen yanıtları gerçekte gözlenen yanıtlarla görsel olarak karşılaştırabilmeleri sayesinde modelin doğruluğunun kolayca değerlendirilmesine olanak tanır.

Bu Kombinasyon Neden İşe Yarıyor?

Yazarların bu farklı grafik tiplerini tek bir şekil içinde birleştirme tercihi birkaç nedenden dolayı özellikle etkilidir:

• Kapsamlı Hikaye Anlatımı: Şekil, ham veri girişinden son tahminlere kadar DRUML yaklaşımının tüm hikayesini tek bir tutarlı görselde anlatıyor.
• Verilere Uygun Görselleştirmeler: Her grafik türü, kendi özel veri türünü en iyi şekilde temsil edecek şekilde dikkatlice seçiliyor ve böylece optimum bilgi aktarımı sağlanıyor.
• Karmaşıklık Basitleştirme: Karmaşık bir makine öğrenimi iş akışını ayrı görsel bileşenlere ayırarak, şekil süreci geniş bir bilimsel kitle için daha erişilebilir hale getiriyor.
• Çok Yönlü İçgörü: Görselleştirmelerin birleşimi, yöntemin çeşitli yönlerine (veri yapısı, özellik önemi ve model performansı) ilişkin içgörüler sunarak DRUML'a dair bütünsel bir görünüm sağlar.

Sonuç

Bu vaka çalışması, düşünceli grafik seçimi ve kombinasyonunun karmaşık bilimsel süreçleri ve sonuçları nasıl etkili bir şekilde iletebileceğini örneklemektedir. Yazarlar, yapılandırılmış bir akış şeması içinde çeşitli grafik türleri kullanarak yalnızca verileri sunmakla kalmayıp aynı zamanda araştırma metodolojilerinin ve bulgularının hikayesini de anlatan bir şekil oluşturmuşlardır. Bilimsel görselleştirmeye yönelik bu yaklaşım, anlayışı ve katılımı artırarak, son teknoloji araştırmaları hem uzmanlar hem de genel bilimsel kitleler için daha erişilebilir hale getirir.

Referans: Gerdes, H., Casado, P., Dokal, A. ve diğerleri. Makine öğrenimi kullanılarak yapılan ilaç sıralaması, kanser karşıtı ilaçların etkinliğini sistematik olarak tahmin eder. Nat Commun 12, 1850 (2021). https://doi.org/10.1038/s41467-021-22170-8

Önemli Noktalar

• Grafik seçimi, insanların verileri nasıl yorumladıklarını ve anladıklarını önemli ölçüde etkileyebilir
• Bilişsel önyargılar hem de karar verme süreçleri bilgi sunumunun grafiksel biçimi tarafından şekillendirilir
• Gestalt psikolojisinin ilkeleri ve grafiksel okuryazarlık önemli bir rol oynamak grafik yorumlama
• karşılaştırılması görsel analiz (VA) ve kesintiye uğramış zaman serisi analizi (ITSA) etki büyüklüğü tahmininin önemini ortaya koyuyor tek kasa tasarımları
• Ergodik teori hem de ekolojik yanlışlık nomotetik ve idiografik analizlerin uyumlu hale getirilmesi ihtiyacını vurgulamak

Grafik Seçimi ve Bilişsel Önyargılara Giriş

Doğru grafik formatını seçmek, verileri nasıl gördüğümüzü ve anladığımızı değiştirebilir. Çubuk grafikler ve çizgi grafikler, her ikisi de x ve y eksenlerini kullanır. Ancak, verileri nasıl gösterdikleri ve izleyiciler tarafından nasıl algılandıkları bakımından farklılık gösterirler.

Bilgisel ve Hesaplamalı Eşdeğerliği Anlamak

Çubuk grafikler ve çizgi grafikler aynı verileri paylaşır. Ancak, anlaşılmaları açısından aynı zorlukta değillerdir. Çizgi grafiklerdeki çizgiler noktaları birleştirerek eğilimleri görmeyi kolaylaştırır. Bu da zaman içindeki değişiklikleri fark etmemize yardımcı olur.

Çubuk grafikler verileri ayrı çubuklar halinde gösterir. Bu, her değeri ayrı ayrı görmeyi kolaylaştırır. Farklı şeyleri karşılaştırmak için harika bir yöntemdir.

Veri Temsili İçin Çubuk ve Çizgi Grafiklerinin Karşılaştırılması

Verileri görme ve kullanma şeklimiz, farklı grafik türleriyle değişebilir² ^. Görsel veriler , metinden daha kolay anlaşılır ve bu da onları daha erişilebilir kılar² ^. Dağılım grafiklerindeki karmaşık veriler, kolluk kuvvetlerinde daha iyi kararlar alınmasına bile yardımcı olabilir²^.

Grafik türlerinin güçlü ve zayıf yönlerini bilmek, verileri iyi paylaşmak ve iyi kararlar almak için önemlidir.

Gestalt İlkeleri ve Algısal Organizasyon

Gestalt psikolojisi, grafikleri nasıl algıladığımızı anlamanın anahtarıdır. Yakınlık ve benzerlik gibi Gestalt ilkeleri , grafiksel özellikleri gruplandırmamıza yardımcı olur. Bu ilkeler , görsel olarak nasıl gördüğümüzü ve düşündüğümüzü anlamak için iyi incelenmiştir .

Gestalt Yasaları Grafik Yorumunu Nasıl Etkiler?

Çubuk ve çizgi grafiklerin verileri nasıl anladığımızı nasıl etkilediğini inceledik. Örneğin, birbirine yakın şeyler bir grup gibi görünür³ ^. Benzer görünen şeyler de birlikte gruplandırılır³ ^. Bu kurallar, grafikleri nasıl gördüğümüzü etkileyerek aynı veriye farklı bakış açıları kazandırır.

Yeni araştırmalar, şeyleri nasıl gördüğümüz konusundaki anlayışımızı geliştirdi. Beynimizin gördüklerimizi nasıl organize ettiğini gösteriyor³ ^. Çalışmalar , bu prensiplerin grafiklerle nasıl yardımcı olduğunu araştırmaya devam ediyor ve bunların hala önemli olduğunu gösteriyor³^.

Gestalt prensiplerinin grafik yorumlamasını nasıl etkilediğini bilmek , iyi veri görselleştirmeleri oluşturmanın anahtarıdır. Bu prensipleri kullanarak grafikleri daha net ve anlaşılması daha kolay hale getirebiliriz. Bu da verilere dayalı daha iyi kararlar alınmasına yol açar. Bu alandaki araştırmalar, görsel bilgileri nasıl işlediğimizi anlamamıza yardımcı olmaya devam etmektedir.

“Bütün, parçalarının toplamından daha büyüktür.” – Kurt Koffka, Gestalt psikoloğu

Grafiksel Okuryazarlık ve Uzmanlık Etkileri

Grafik okuryazarlığı ve uzmanlığı , grafiklerdeki bilgileri nasıl anladığımızın anahtarıdır⁴ ^. Çalışmalarımız, kullanılan grafik türünün (çubuk veya çizgi grafik gibi) insanların verileri nasıl gördüğünü değiştirdiğini göstermektedir⁴^.

^{Test ettiğimizde, yeni başlayanların çubuk} grafiklere kıyasla çizgi grafiklerde zorlandığını gördük⁴ . Genellikle çizgi ^grafiklerde x ekseninin neyi gösterdiğini kaçırdılar veya anlamadılar⁴ . Bu fark, beynimizin farklı grafik türlerini nasıl işlediğinden kaynaklanmaktadır; bu da çubuk grafikleri kavramayı daha kolay hale ^{getirmektedir⁴}.

İnsanların grafikleri yorumlama biçimi uzmanlık düzeylerine göre değişir⁴ ^. Konu hakkında bilgi sahibi olmak ve grafikler konusunda iyi olmak , verileri anlamada büyük fayda sağlar⁴^.

Ortaokul öğrencileri üzerinde yaptığımız araştırmada, öğrencilerin grafiklerden hoşlandıkları ancak bazı kısımlarını zor buldukları görüldü⁵ . ^Yedinci sınıf öğrencileri grafiklerden daha çok hoşlanırken, sekizinci sınıf öğrencileri grafikleri kullanmada daha başarılıydı⁵ ^. Öğrenciler çubuk grafikleri, çizgi grafiklerinden ve pasta grafiklerinden daha kolay buldu⁵^.

Biyolojide, lise öğrencileri verileri grafik haline getirebilirken, üniversite öğrencileri daha derin analizlerde zorlanmaktadır⁶ ^. Öğretmenlerin grafik çizmeyi iyi öğretmek için özel eğitime ihtiyaçları vardır⁶ ^. Bilim kitaplarında genellikle gerçek dünya verilerini göstermeyen basit grafikler kullanılır, bu da öğrencilerin işini zorlaştırır⁶^.

Çalışmalarımız, verileri anlamak için grafik okuryazarlığının ve uzmanlığının ne kadar önemli olduğunu gösteriyor⁴ ^. Bu konularda bilgi sahibi olmak , verileri paylaşmanın ve anlamanın daha iyi yollarını bulmamıza yardımcı oluyor⁴^.

" Grafik yorumlama uzmanlığı , konuyla ilgili bilgi birikimi, veri oluşturma yöntemlerinin anlaşılması ve genel grafik okuryazarlığının bir kombinasyonunu içerir; bunların hepsi verileri doğru ve verimli bir şekilde yorumlama yeteneğini şekillendirir."

Vaka Çalışmaları: Çubuk ve Çizgi Grafiklerinin Yorumlanması

Araştırmamız, doğru grafiği seçmenin, az deneyime sahip kişilerin verileri nasıl algıladığını değiştirebileceğini gösteriyor ^7. Çubuk ve çizgi grafiklerin aynı bilgiyi göstermelerine rağmen, grafiklere yeni başlayanlarda farklı hatalara ve önyargılara neden olabileceğini bulduk ⁷.

Acemi Kullanıcıların Performans Farkları

Acemi katılımcılara aynı verileri çubuk ve çizgi grafikler halinde verdik ^7. Sonuçlar açıktı – çizgi grafiklerle verileri daha sık doğru tahmin ettiler ^7. Bunun nedeni, çubuk grafikleri genellikle yanlış okumaları ve genel tablo yerine her bir çubuğun yüksekliğine odaklanmalarıydı.

Daha sonra, daha anlaşılır hale getirmek için çizgi grafiğinde ufak değişiklikler yaptık ^7. Bu değişiklik, veri analizine yeni başlayanların hatalarını ve önyargılarını azalttı ve grafiklerin tasarımının ne kadar önemli olduğunu gösterdi ⁷.

“Çubuk ve çizgi grafiklerinin ötesinde yeni bir veri sunum paradigmasına ihtiyaç var.” – Weissgerber T, Milic N, Winham S ve Garovic VD ⁷

Çalışmalarımız, özellikle veri analizine yeni başlayanlar için, insanların farklı grafikleri nasıl algıladığını bilmenin ne kadar önemli olduğunu gösteriyor ^7. Bu bilgiyi kullanarak, insanların verileri daha iyi anlamalarına ve daha az önyargılı kararlar almalarına yardımcı olan daha iyi grafikler oluşturabiliriz.

Dengeli Gösterim İçin Çizgi Grafiklerini Değiştirme

Yeni başlayanların sıklıkla gördüğü hataları ve önyargıları azaltarak daha adil bir bakış açısı sağlayan yeni bir çizgi grafiği sürümü oluşturduk ^8. Bu yeni tasarım, eski çizgi grafiğinin bazı kusurlarını gideriyor. Yeni başlayanların verileri anlamasını kolaylaştırıyor ⁸.

Çizgi grafikler, hayatta kalma oranları gibi şeylerin zaman içinde nasıl değiştiğini göstermek için harikadır⁸ ^. Ancak, yeni başlayanlar genellikle bunlardan doğru fikri edinmekte zorlanırlar ve bu da yanlış sonuçlara yol açar⁸ ^. Yeni tasarımımız bunu düzeltmeye çalışarak verilerin daha net bir görünümünü sunar.

1915'ten beri insanlar grafikleri daha anlaşılır hale getirmek için çalışıyorlar⁹ ^. Günümüzde daha fazla veri ve grafik varken, bunları okumayı bilmek çok ^önemli⁹.

İnsanların grafikleri nasıl algıladığına dair çalışmaları ve "grafik algısı" fikrini kullanarak yeni çizgi grafiğimizi ⁽⁹⁾ oluşturduk . Bu grafik, yeni başlayanların verileri daha iyi anlamalarına yardımcı olmak için önemli kısımlara ve düzene odaklanmaktadır. Bu da onların doğru kararlar vermelerini kolaylaştırmalıdır.

Yeni çizgi grafiğimizin nasıl çalıştığını hala araştırıyoruz ve amacımız herkesin net verilerle akıllı seçimler yapmasına yardımcı olmak ^{8 9}.

Grafik Seçiminin Veri Yorumlama Üzerindeki Etkisi: Araştırma Vaka Çalışmaları

Araştırmamız, doğru grafiği seçmenin, özellikle yeni başlayanlar için, insanların verileri nasıl algıladığını değiştirebileceğini gösteriyor. Çubuk ve çizgi grafiklerinin aynı veriye farklı bakış açıları getirmesine nasıl yol açabileceğini inceledik ¹⁰.

Bir çalışma, 3. sınıftan 5. sınıfa kadar 44 Avustralyalı ilkokul öğrencisini takip etti. Çalışma, öğrencilerin verileri yorumlama becerilerinin zaman içinde nasıl değiştiğini gösterdi¹⁰ . ^Öğrenciler yaşlandıkça kişisel gözlemler yapmaktan büyük resmin ayrıntılarını anlamaya doğru ilerlediler¹⁰^.

Öğrenciler çalışma boyunca sıcaklıkları tahmin etme konusunda daha iyi hale geldiler. Sophia, verileri anlama konusunda her zaman Iris'ten daha iyiydi; bu da farklı insanların olayları nasıl farklı gördüğünü gösteriyor . ¹⁰ 4. sınıfa gelindiğinde, hem Sophia hem de Iris verileri kullanarak daha akıllı tahminler yapabiliyorlardı . ¹⁰

Bu çalışmalar, özellikle yeni kullanıcılar için, farklı grafiklerin verileri nasıl algıladığımızı nasıl etkilediğini bilmenin gerekliliğini vurgulamaktadır. Grafik tasarımı, önyargılar ve veri anlayışının birlikte nasıl çalıştığını inceliyoruz. Bu, eğitimi geliştirmeye ve insanların farklı alanlarda verileri daha iyi kullanmalarına yardımcı olabilir. Veri yorumlama ve tahmin yapma konusunda daha fazla kaynağı keşfedin .

"Veri yeni petrol, ancak bilgi yeni para birimidir."

Grafik seçiminin bizi nasıl etkilediğini düşünmek, insanların verileri daha iyi kullanmalarına yardımcı olabilir. Bu da daha akıllıca seçimlere yol açar. Tıbbi araştırmalarda verilerin rolü hakkında daha fazla bilgi edinin .

Değişkenlerin farklı türlerini bilmek, verileri iyi anlamak ve sunmak için çok önemlidir ^11. Tabloları ve grafikleri anlaşılır hale getirmek, bilgilerin daha iyi paylaşılmasına ve başkalarının anlamasının kolaylaşmasına yardımcı olur ¹¹.

Grafik seçiminin veri yorumlamasını nasıl etkilediği konusundaki bulgularımızı paylaşmaya kararlıyız . İnsanlara veriler konusunda daha eleştirel olmayı öğreterek, daha iyi kararlar almalarına yardımcı olmayı amaçlıyoruz. Bu, birçok araştırma ve uygulama alanında ilerlemeye yol açabilir.

Görsel Analiz ve Kesintiye Uğramış Zaman Serisi Analizi

Araştırmacılar, tek vaka tasarımlarında görsel analiz (VA) ve kesintili zaman serisi analizi (ITSA) kullanımını tartışmışlardır . Son çalışmalar, ITSA'nın kısa çalışmalarda nasıl kullanılabileceğini ve VA ile nasıl karşılaştırıldığını göstermiştir.

Tek Kasa Tasarımları için VA ve ITSA'nın Karşılaştırılması

Bir incelemede 190 veri seti kullanılan 200 ITSA çalışması ele alındı¹² ^{. Yöntemleri} karşılaştırırken istatistiksel anlamlılıkta %4 ile %25 arasında farklılıklar bulundu¹² . Yöntem seçimi ayrıca değişikliklerin ve belirsizliklerinin nasıl tahmin edildiğini de ^{değiştirdi¹²}.

Ayrıca kullanılan yöntemlerin ve verilerin uzunluğunun otokorelasyonu etkilediğini de buldular ^12. Çalışma, istatistiksel yöntemlerin planlanmasını tavsiye etti ve sadece istatistiksel anlamlılığa bakmanın sakıncalı olduğu konusunda uyardı ¹².

Başka bir çalışma, ITSA'nın vakaların %94'ünde iyi sonuç verdiğini ve verilerin 8 ile 136 puan arasında değiştiğini göstermiştir¹³ ^. Vakaların %46'sında veriler güçlü otokorelasyon (>0.50) göstermiştir¹³ ^. VA ve ITSA'yı karşılaştıran çalışma, bunların sıklıkla farklı sonuçlara ulaştığını ve birbirlerini tamamladıklarını göstermiştir¹³^.

Tek vaka araştırması, süreçleri zaman içinde daha iyi kontrolle incelemek ve ulaşılması zor popülasyonları incelemek için değerlidir ^13. Ergodik teoremler, grup ve tek vaka verilerinin neden farklılık gösterebileceğini açıklamaya yardımcı olur ve tek vaka tasarımlarında hem VA hem de ITSA'ya duyulan ihtiyacı vurgular ¹³.

Sonuç olarak, ITSA uygulamalı davranış analizinde faydalıdır, ancak tek vaka verilerinin tam analizi için VA ve ITSA birlikte kullanılmalıdır. Araştırmacılar yalnızca istatistiksel anlamlılığa güvenmemeye dikkat etmelidir. Bunun yerine, verilerin daha derinlemesine anlaşılması için her iki yöntemi de kullanmalıdırlar ^{13 14}.

Ergodik Teori ve Ekolojik Yanılgı

Grup çalışmaları ve tek vaka çalışmaları arasındaki farklılıklar ergodik teori ile açıklanabilir . Son çalışmalar , özellikle bilişsel ¹⁵ için ergodikliğin her zaman doğru olmadığını göstermektedir . Benzer sonuçlar için iki koşulun karşılanması gerekir: (1) Herkesin yolu aynı kuralları izlemeli ve (2) herkesin başlangıç ​​noktası ve kalıpları aynı olmalıdır.

Bu koşullar sağlanmazsa, grup çalışmaları bireysel düzeyde neler olduğunu göstermeyebilir. Bu, ekolojik yanılgı olarak bilinir . İnsanları gruplara bakarak anlamaya çalışan araştırmalarda büyük bir sorundur . ¹⁶

• Psikolojik araştırmaların çoğu bireysel deneyimlere değil gruplara bakar¹⁶.
• Ergodik yanılgı, bireysel davranışların grup verilerinden anlaşılmasını zorlaştırır¹⁶.
• Ergodik yanılgıyı bilmemize rağmen, araştırmalarda yaygın olarak sabitlenmemiştir¹⁶.

Bu sorunu çözmek için araştırmacılar yaygınlık analizi gibi yeni yöntemler arıyorlar . Bu yöntem, ergodikliğin daha olası olduğu daha basit bir alan bulmaya çalışır¹⁵ ^. İnsan verilerinin her zaman ergodik olmadığını anlayarak, bireysel davranışlar hakkında daha iyi sonuçlar çıkarabiliriz. Bu, psikolojik araştırmaların hedeflediği şeyle örtüşmektedir.

“Ergodiklik, psikoloji biliminde verilerde kısmen var olabilen, yalnızca ikili bir varlık veya yokluktan ibaret olmayan nicel bir özelliktir.” ¹⁵

Araştırmalar ilerledikçe, ergodik teoriyi kullanmak ve ekolojik yanılgıyı anlamak yardımcı olacaktır. Bu, grup ve bireysel çalışmalar arasındaki boşluğu kapatacaktır.

Spor Ortaklıkları İçin Verilerin Görselleştirilmesi

Spor dünyasında, veri görselleştirme güçlü ortaklıklar ve daha iyi kararlar için çok önemlidir. Science Friday tarafından paylaşılan Wellesley College tarafından yapılan bir çalışma, insanların yeni durumlarda veri görselleştirmelerini nasıl anladıklarını inceledi¹⁷ ^. Bu çalışma, veri görselleştirmelerinin iyi tasarlanmasının ne kadar önemli olduğunu gösteriyor. Bu, uzman olmasalar bile insanların mesajı anlamalarına yardımcı olur.

^{Çalışma, çubuk grafiklerin toplamlar yerine ortalamalar şeklinde değiştirilmesinin 17 veriyi} anlamada büyük bir fark yarattığını gösterdi . Beş kişiden birinin verileri yanlış anladığı tespit edildi. Bu, spor takımlarının verileri iyi bir şekilde iletmesinin ne kadar önemli olduğunu gösteriyor. Yanlış veriler kötü kararlara yol açabilir ve ortaklıkları zedeleyebilir.

Wellesley College Çalışmasından Sonuçlar

Çalışma, insanların çubuk grafikler gibi tanıdık formatlarda bile veriler tarafından nasıl yanıltılabileceğini ortaya koydu¹⁷ ^. Spor ortaklıklarında yer alanlar için verilerin nasıl gösterildiğini düşünmek çok önemlidir. Bu, veriye aşina olmayanlar da dahil olmak üzere herkesin mesajı almasını sağlar.

Bu çalışmadan öğrendiklerimizi kullanarak, spor takımları ortaklarıyla daha iyi çalışabilirler¹⁷ ^. Daha derinlemesine etkileşim kurabilir ve ilerleme kaydedebilirler. İyi veri görselleştirme, hedeflerin belirlenmesine, ilerlemenin izlenmesine ve başarıların paylaşılmasına yardımcı olur. Bu, spor ortaklıklarını güçlendirir ve büyüme ve yenilik için yeni fırsatlar yaratır.

Spor endüstrisi sürekli değişiyor, bu da veriye dayalı içgörüler ve görselleştirmeyi daha da önemli hale getiriyor ^17. Wellesley Koleji araştırmasının bize öğrettiklerini uygulayarak , spor profesyonelleri ortaklarıyla daha iyi çalışabilirler ^17. Veriye dayalı kararların ve net iletişimin birlikte çalışmalarında kilit önem taşıdığından emin olabilirler ¹⁷.

Yeni Veri Görselleştirme Bağlamlarındaki Zorluklar

Spor ortaklıklarında teknoloji, algoritmalar, modelleme ve veri hızla gelişiyor . Ancak, ortaklarımız da dahil olmak üzere birçok kişi sayılar hakkında fazla bilgi sahibi olmayabilir. ^Wellesley Koleji'nde yapılan bir çalışma, verilerin anlaşılmasını kolaylaştırmanın ne kadar önemli olduğunu gösteriyor. Bu, veriye erişimi olmayan spor ortaklarının verileri anlamalarına ve sayılarla hikayeler anlatmalarına yardımcı olur.

Büyük Veri, çok miktarda verinin hızlı bir şekilde gelmesi ve karmaşık olmasıyla ilgilidir ^19. Bu veriyi anlamayı kolaylaştırmak çok önemlidir. Ancak, grafikler ve çizelgeler gibi verileri göstermenin pek çok yolu olduğundan ²⁰ , bu konuda fazla bilgisi olmayanlar için zor olabilir.

Veri görselleştirme, eğilimleri ve kalıpları göstererek insanların hızlı kararlar almasına yardımcı olur ^19. Ancak, özellikle karmaşık verilerde hatalara da yol açabilir ^20. Spor ortaklarımızın iyi kararlar almak için verileri iyi kullanabildiklerinden emin olmalıyız.

Verileri göstermenin farklı yollarının iyi ve kötü yanlarını bilmemiz gerekir. Bu, spor ortaklarımız için en iyi yolu seçmemize yardımcı olur. Daha iyi kararlar almalarını ve verileri iyi kullanmalarını sağlar.

"Etkili veri görselleştirme yalnızca sayıları sunmakla ilgili değildir; hedef kitlemizde yankı uyandıran ve onların bilinçli kararlar almasını sağlayan ilgi çekici bir hikaye anlatmakla ilgilidir."

Spor ortaklıkları büyüdükçe, verileri yeni yollarla gösterme zorluklarının üstesinden gelmeliyiz. Ortaklarımızın verileri iyi bir şekilde kullanabildiğinden emin olmalıyız. İhtiyaçlarına odaklanarak ve verileri gösterme şeklimizi geliştirerek, daha iyi kararlar almalarına ve büyümelerine yardımcı olabiliriz ^{18 19 20}.

Uzman Olmayanlar İçin Veri Anlayışının Geliştirilmesi

Spor endüstrisi artık kararlarını verirken büyük ölçüde verilere dayanıyor. Uzman olmayan kişilerin de verileri anlayabilmesi ve kullanabilmesi önemlidir. Wellesley Koleji'nden yapılan bir çalışma, iyi veri görselleştirmenin ne kadar önemli olduğunu gösterdi ^21. Bu, herkesin, geçmişi ne olursa olsun, verilerden değer elde edebilmesini sağlar.

Uzman olmayanlara yardımcı olmak için, verileri göstermenin en iyi yollarını kullanmalıyız ^21. Bu, bilgiyi açık, basit ve ilgi çekici hale getirmek anlamına gelir. Çizgi grafikleri, çubuk grafikler ve dağılım grafikleri gibi şeyler kullanıyoruz ^21. Verileri göstermenin doğru yolunu seçmek, uzman olmayanların verileri daha iyi anlamalarına yardımcı olur. Bu da onların verilere dayanarak akıllıca seçimler yapmalarını sağlar.

^{Verileri göstermenin farklı yollarının iyi ve kötü yönlerini bilmek bize yardımcı olur. Spor konusunda uzman olmayan kişilerin verilere kolayca} erişmesini sağlayabiliriz . Bu da onların karar verme ve birlikte çalışma becerilerini geliştirir.

“Herhangi bir araştırmanın özü verilerinde yatar; okuyucuların çoğu ise sonuçlar aracılığıyla bunun yalnızca bir kısmını görebilir.” ²¹

Sporlarda veri kullanımı arttıkça, etkili veri görselleştirmenin ⁽²¹⁾ önemini kavramalıyız . Bu sayede, uzman olmayan kişiler de verilere gerçekten erişebilir ve onlardan çok şey öğrenebilirler.

Sonuç

Bu makale, doğru grafiği seçmenin verileri nasıl algıladığımızı nasıl değiştirebileceğini göstermiştir. Özellikle yeni başlayanlar için çubuk ve çizgi grafiklerin farklı şeyler gösterebileceğini gördük . Bu, beynimizin grafiklerle nasıl çalıştığına dair yapılan çalışmalar sayesinde mümkün ^olmaktadır.

Bu çalışmalar bize, özellikle spor ortaklıklarında, verilerin nasıl iyi paylaşılacağını öğretiyor. İyi veri görselleştirmenin, içgörüleri herkes için netleştirme gücünü gösteriyorlar ²³.

Günümüzün veri odaklı dünyasında doğru grafiği seçmek çok önemlidir. Herkesin verileri anlayabilmesini ve bunlara göre hareket edebilmesini sağlar. Öğrendiklerimizi kullanarak daha iyi kararlar alabilir ve karmaşık bilgileri net bir şekilde paylaşabiliriz. Bu, birçok alanda yardımcı olur ve büyük bir fark yaratır.

Kaynak Bağlantılar

1. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4677800/
2. https://link.springer.com/article/10.1007/s11301-021-00235-8
3. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3482144/
4. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2015.01673/full
5. https://files.eric.ed.gov/fulltext/EJ1271220.pdf
6. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10956603/
7. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8947810/
8. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4078179/
9. http://snoid.sv.vt.edu/~npolys/projects/safas/749671.pdf
10. https://files.eric.ed.gov/fulltext/ED631549.pdf
11. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4008059/
12. https://bmcmedresmethodol.biomedcentral.com/articles/10.1186/s12874-021-01306-w
13. https://digitalcommons.uri.edu/cgi/viewcontent.cgi?referer=&httpsredir=1&article=1012&context=cprc_facpubs
14. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5407170/
15. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7151196/
16. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2020.594675/full
17. https://link.springer.com/article/10.1007/s40747-021-00557-w
18. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10566734/
19. https://orientreview.com/index.php/etmibd-journal/article/download/18/16/33
20. https://ijritcc.org/index.php/ijritcc/article/download/10566/8007/13008
21. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10394528/
22. https://getthematic.com/insights/qualitative-data-analysis/
23. https://statisticseasily.com/data-variability/