Trong thời đại “hậu sự thật” (post-truth era) này, các biểu đồ đang được sử dụng để làm lệch dữ liệu và các báo cáo hơn bao giờ hết. Đặc biệt là với tốc độ lan truyền chóng mặt của các loại biểu đồ thông qua các phương tiện truyền thông xã hội.
Những gì ta thường thấy là một biểu đồ từ một nguồn ít uy tín được mọi người đua nhau xem, tạo thành một câu chuyện sai lầm trên phạm vi thế giới.
Bản chất các dữ liệu không xấu - nó chỉ xấu khi bị trình bày theo cách sai lệch. Thậm chí, luôn có một trang Wikipedia, cộng đồng Reddit và hàng trăm bài viết về cách mà các đồ thị có thể được sử dụng để cung cấp thông tin sai cho người đọc.
Không có cách nào để ngăn chặn những kẻ tạo ra những biểu đồ sai lệch ấy nhưng luôn có những cách giúp bạn phát hiện ra những đồ thị gây hiểu lầm. Sau đây là các ví dụ về cách vẽ biểu đồ dữ liệu đúng cách và cung cấp các phương pháp hay nhất về hình ảnh hóa dữ liệu nhằm đảm bảo rằng biểu đồ của bạn luôn rõ ràng và dễ hiểu.
1. Bỏ qua đường cơ sở (Omitting The Baseline)
Đường cơ sở hoặc trục của biểu đồ bị bỏ đi là một trong những cách phổ biến nhất để làm sai lệch dữ liệu trong biểu đồ. Chiến thuật gây hiểu lầm này thường được sử dụng để làm cho một nhóm dữ liệu này trông đẹp hơn một nhóm dữ liệu khác.
Trong thế giới trực quan hóa dữ liệu, điều này được gọi là biểu đồ cắt ngắn.
Đồ thị cắt ngắn có thể làm cho một cái gì đó không có khác biệt đáng kể trông giống như một sự khác biệt lớn.
Chỉ cần xem ví dụ đầu tiên bên dưới, so sánh số lượng người theo đảng Dân chủ, Cộng hòa và Độc lập trả lời về một vấn đề cụ thể.
(Tôi thực sự đã sử dụng biểu đồ này trước đây để cho mọi người thấy cách họ nên sử dụng màu sắc trong trực quan hóa dữ liệu của họ!)
Nếu bạn nhìn lướt qua biểu đồ này, có lẽ bạn sẽ nghĩ rằng đảng Dân chủ có sự đồng ý với tòa án gần gấp ba lần so với đảng Cộng hòa và đảng Độc lập. Nhưng nhìn kỹ hơn cho thấy sự khác biệt chỉ chênh lệch khoảng 14%. Biểu đồ này rõ ràng đã được tạo ra để “khuyến khích” một ý tưởng không chính xác về một nhóm nhất định.
Nếu họ muốn thể hiện chính xác sự khác biệt hoặc chỉ báo cáo sự thật một cách khách quan, họ có thể đã sử dụng một biểu đồ chính xác hơn như thế này:
Whoa, tốt hơn nhiều!
Một ví dụ khác về việc sử dụng dữ liệu trong biểu đồ gây hiểu lầm để đánh lừa độc giả đến từ Fox News (thực sự có thể giành được huy chương cho nhiều biểu đồ lừa đảo của họ).
Trong biểu đồ này, họ đang cố gắng làm điều tương tự như ví dụ trước: lừa dối khán giả của họ. Nhưng biên độ gần hơn rất nhiều, chỉ khoảng 11%.
Fox còn làm nhiều hơn thế khi đăng lên một biểu đồ thể hiện mức thuế dường như cao gấp 4 lần so với mức thuế còn lại.
Ồ và không chỉ số liệu trên trục mà cả tên của biểu đồ cũng được dùng để đưa thông tin sai lệch cho khán giả.
Đây là cách lẽ ra biểu đồ phải trông như thế nào (như bạn có thể thấy, sự khác biệt không nhiều lắm):
Các nhà báo cũng gặp rắc rối khi họ cố gắng quá mức để trở nên độc đáo hoặc sáng tạo với một biểu đồ.
Một trong những điều đầu tiên họ loại bỏ là đường cơ sở hoặc trục. Tôi tin rằng điều này là do họ nghĩ rằng nó thực sự làm sao lãng dữ liệu. Nhưng nó chỉ làm cho dữ liệu khó đọc hơn!
Như bạn có thể thấy trong biểu đồ này, không có đường cơ sở nào cả! Bây giờ, biểu đồ sai lệch này làm cho có vẻ như tổng thống hiện tại của chúng tôi đã đề cử các thẩm phán với tỷ lệ gấp đôi hoặc gấp ba so với những người tiền nhiệm.
Khi biểu đồ được điều chỉnh và trục được thêm vào, bạn có thể thấy câu chuyện thực sự. Ông ấy chắc chắn đã đề cử với một tỷ lệ cao, nhưng nó không điên rồ như những gì mà biểu đồ ban đầu thể hiện:
Điều quan trọng cần nhớ là chiêu trò chỉnh sửa trục biểu đồ này được áp dụng không chỉ trong chính trị mà còn trong các vấn đề nổi cộm khác nữa.
Ngay cả các nhà báo âm nhạc đôi khi thấy mình ở phía sai của một biểu đồ gây hiểu lầm. Chỉ cần xem biểu đồ sai lệch mà tôi tìm thấy từ Genius:
Tôi đoán rằng Drake rất vui khi thấy biểu đồ này, nhưng nó thực sự nên trông như thế này:
Xin lỗi Drake.
Bạn cũng có thể thấy dạng biểu đồ sai lệch này trong lĩnh vực công nghệ:
Thương mại:
Hay là thậm chí là thông tin dinh dưỡng:
Thành thật mà nói, bất cứ nơi nào mọi người sử dụng trực quan hóa dữ liệu để củng cố các tuyên bố của họ, bạn có thể sẽ tìm thấy một vài biểu đồ gây hiểu lầm như các ví dụ ở trên.
2. Thao tác với trục Y ( điều chỉnh số liệu trên trục)
Một thủ thuật phổ biến khác được sử dụng để bóp méo sự thật trên các biểu đồ là điều khiển cách thể hiện các số liệu trên trục của biểu đồ để giảm thiểu hoặc tối đa hóa sự khác biệt. Nó được gọi là axis changing trong Data Visualization.
Thao tác trục gần như ngược lại với việc cắt bớt dữ liệu, bởi vì chúng bao gồm trục và đường cơ sở nhưng thay đổi chúng nhiều đến mức chúng mất đi ý nghĩa.
Đây là một công cụ rất mạnh mẽ trên phương tiện truyền thông xã hội và có thể được sử dụng để đưa ra một câu chuyện sai.
Ví dụ: hãy xem biểu đồ dữ liệu nóng lên toàn cầu này từ National Review:
Họ cố tình trải dài nhiệt độ trên trục tung từ -10 độ đến 110 độ để làm cho đường diễn biến nhiệt độ gần như là một đường thẳng. Điều này nhằm thúc đẩy ý tưởng rằng sự nóng lên toàn cầu là không có thật hoặc một cái gì đó hư cấu. Rất may, những độc giả tinh ý đã phát hiện và gọi cho họ về thông tin sai lệch ngay lập tức.
Và thật may là sau đó thì tờ Quartz đã quyết định vẽ lại biểu đồ trên cho chính xác giúp người đồng nghiệp của họ:
Điều đáng buồn là các tổ chức này biết chính xác những gì họ đang làm. Cả hai tổ chức này đều có quyền truy cập vào cùng một dữ liệu và công cụ. Nhưng chỉ có một bên quyết định trình bày nó một cách đáng tin cậy và trung thực.
Tôi cũng có thể làm điều tương tự bằng cách sử dụng dữ liệu về Arkansas Shakebacks yêu quý của tôi.
Trong ví dụ này, tôi đã xem xét tổng số chiến thắng của đội bóng trong khoảng 15 năm trở lại đây và đưa chúng vào biểu đồ đường bình thường. Nhưng sau đó tôi đã thực hiện cùng một cách tiếp cận như biểu đồ trước đó và thao tác với trục y:
Với những thay đổi đó, tôi có thể làm cho nó có vẻ như Razorbacks đã giành chiến thắng khá ổn định trong vài năm qua.
Tuyệt vời!
Nhưng nếu bạn theo dõi đội bóng, bạn sẽ biết rằng chúng ta không phải là người chiến thắng hầu hết thời gian và biểu đồ như thế này mới chính xác:
Sự thật là vậy đó, đời không như mơ...
Một lần nữa, đây là cùng một dữ liệu, được trình bày trong cùng một loại trực quan hóa dữ liệu, nhưng mỗi biểu đồ kể một câu chuyện hoàn toàn khác nhau.
Chỉ mất một thay đổi nhỏ để hoàn toàn lật lại câu chuyện. Điều đó sẽ làm bạn khó chịu.
Muốn làm cho có vẻ như bạn có xếp hạng tín dụng khủng khiếp, khiến bạn phát hoảng:
Khi nó thực sự không tốt về xếp hạng, sử dụng 700 là tối đa:
Ngay cả khi bạn sử dụng 850, điểm tín dụng tối đa, biểu đồ họ đã sử dụng vẫn rất sai lệch:
Và mặc dù giả định này có vẻ khá đơn giản trong sơ đồ lớn, cách tiếp cận này có thể được sử dụng để đánh lừa mọi người về tình huống của họ. Hoặc cố gắng bán cho họ thứ gì đó mà họ không cần.
Tôi muốn đề cập ví dụ này để chỉ ra rằng không phải tất cả các biểu đồ gây hiểu lầm là biểu đồ đường và thanh. Một số có thể là biểu đồ tròn vô tội được tạo nên với mục đích mờ ám!
Như bạn có thể thấy, chiến thuật sai lệch này đang được sử dụng trong chính trị, trên phương tiện truyền thông xã hội và trong các doanh nghiệp để thúc đẩy một chương trình nghị sự hoặc ý tưởng.
3. Cherry Picking Data (tạm dịch: Lấy miếng ngon)
Một cách khác để làm lệch dữ liệu là chỉ chọn một số phần nhất định của dữ liệu trong biểu đồ sai lệch của bạn. Thông thường, đó chỉ là dữ liệu đưa quan điểm tích cực của bạn hoặc tình trạng tiêu cực, thảm hại của đối thủ.
Ví dụ: chỉ vẽ biểu đồ một tháng có doanh số tăng đột biến mà không phải là dữ liệu của tất cả phần thời gian còn lại trong năm
Hoặc chỉ chia sẻ kết quả thăm dò ý kiến sai lệch làm cho một người nào đó có vẻ nhận được sự ủng hộ của tất cả mọi người. Nhưng khi bạn nhìn kỹ hơn vào biểu đồ này, nó chỉ bao gồm những người từ chính đảng của ông ấy:
Và đảng đó đang càng ngày càng thu hẹp. Điều này chắc chắn là sai lệch, đặc biệt là khi phần còn lại của kết quả trông như thế này:
Nếu ai đó nhanh chóng nhìn vào biểu đồ sai lệch ban đầu, có lẽ họ sẽ nghĩ mọi người đều yêu tổng thống. Nhưng thực sự chỉ có khoảng 35% đất nước chấp thuận chính quyền của ông.
Nó không sai về mặt kỹ thuật nhưng nó chắc chắn là sai lệch. Điều này thường được gọi là trích xuất không đúng khi chỉ bao gồm một đoạn dữ liệu nhất định.
Điều này phổ biến hơn trong các biểu đồ có trục thể hiện thời gian. Chỉ cần dùng đúng cái năm thể hiện được điều mà bạn đang nói đến.
Cũng có thể gọi thủ thuật này bằng tên một thủ thuật khác cũng gần giống như vậy “bỏ sót dữ liệu” (omitting data ). Nó có nghĩa là một số dữ liệu quan trọng sẽ bị loại bỏ khỏi biểu đồ vì một mục đích nào đó.
Cả “trích xuất không đúng” ( improper extraction) và “bỏ sót dữ liệu” (omitting data ) là hai thứ mà mọi người cực kì muốn tránh.
Hãy để bắt đầu với một ví dụ về trích xuất không đúng ( improper extraction) bởi vì tôi không nghĩ rằng tôi cần cho bạn thấy việc bỏ sót dữ liệu (omitting data ) trông như thế nào. Trong trường hợp này, tôi đã vật lộn để tìm một số ví dụ trong thế giới thực, bởi vì ai sẽ thừa nhận họ đã bỏ bớt dữ liệu khi xây dựng các biểu đồ. Không có mấy ai!
Nhưng tôi tìm được mấy cái ví dụ của Tejvan Pettinger về việc người ta có thể chọn ra phần nào đó của dữ liệu để thuyết phục hay lừa phỉnh người đọc.
Trong biểu đồ đầu tiên bên dưới, người đọc rõ ràng có thể bị lừa khi nghĩ rằng nợ quốc gia của Anh chưa bao giờ cao hơn! Biểu đồ này có thể được sử dụng để kêu gọi bỏ phiếu cho một chính trị gia với hứa hẹn về một số điều luật sẽ làm giảm nợ.
Nếu bạn muốn một ví dụ khác về trích xuất không đúng ( improper extraction) thì không cần tìm đâu xa, nó nằm ngay thị trường chứng khoán.
Có hàng ngàn điểm dữ liệu mà các nhà phân tích chứng khoán xem xét trước khi họ thực hiện giao dịch hoặc đề nghị mọi người mua thứ gì đó. Vì vậy, có rất nhiều điều mà họ có thể bỏ qua để làm cho cổ phiếu của công ty nhất định trông tốt hơn hoặc xấu hơn về tổng thể.
Nhưng tôi nghĩ thứ rất dễ gây hiểu lầm cho độc giả là giá cổ phiếu. Ví dụ, hãy nhìn vào biểu đồ bên dưới, Twitter đã có một bước tiến lớn.
Nếu mà tôi là mấy tay nghiệp dư, khi nhìn vào thì tôi sẽ nghĩ chắc là họ đang phát triển tốt lắm đây. Nhưng tôi đã lầm...
Bây giờ, nếu tôi không phải là một nhà giao dịch chứng khoán trung thực, tôi có thể cố gắng bán đi một tấn cổ phiếu Twitter chỉ bằng cách sử dụng biểu đồ đó.
Và loại thông tin sai lệch này có thể được sử dụng để thao túng bất kỳ phần dữ liệu nào bạn muốn nhằm phù hợp với mục tiêu của mình.
Giống như ví dụ này, đã cố gắng biện minh biến đổi khí hậu là không có thật:
Chủ yếu là vì mọi người không muốn xem dữ liệu gốc và họ xem biểu đồ là hoàn toàn trung thực. Họ nghĩ là tại sao ai đó lại nói dối trên mạng, đâu có ích lợi gì phải không?
4. Sử dụng biểu đồ sai
Cho đến nay, tôi đã nói về các chiến thuật thông tin sai lệch có chủ ý mà người viết sử dụng để thúc đẩy các mục đích của họ.
Bây giờ tôi nghĩ rằng chúng ta nên xem xét các loại thông tin sai lệch có thể xảy ra do khả năng kém cỏi.
Điều này thường liên quan đến việc chọn một loại biểu đồ hoặc biểu đồ không phù hợp với dữ liệu bạn đang cố gắng trình bày. Và thường xuyên, biểu đồ hình tròn bị hiểu lầm là để đổ lỗi cho điều này.
Đây không phải là lỗi của biểu đồ hình tròn khi nó có thể gây hiểu lầm cho cộng đồng. Đây là lỗi của những người nghĩ rằng nó có thể được sử dụng cho bất kỳ loại dữ liệu nào.
Ví dụ: hãy xem biểu đồ hình tròn này từ NFL Draft:
Tôi không chắc họ đã cố gắng làm gì với biểu đồ này nhưng là một công ty trị giá hàng tỷ đô la, họ nên có một người có khả năng đồ họa giỏi.
Đầu tiên, tại sao phần chiếm 64 nhìn như một nửa đối với phần 69? Và thứ hai, tại sao họ không sử dụng biểu đồ thanh cho dữ liệu này?
Nếu bạn đang lướt Twitter của mình và thấy các biểu đồ sai lệch như thế này, bạn có thể nghĩ là USC chiếm ưu thế hoàn toàn.
Nhưng nếu họ muốn chia sẻ một biểu đồ chính xác hơn, họ nên tạo một biểu đồ cột như thế này:
Nó có thể không hào nhoáng như cái đầu tiên nhưng ít nhất nó chính xác.
Dưới đây là một biểu đồ đáng ngờ khác từ thế giới của bóng đá cấp đại học. Lần này, họ đã cố gắng vẽ đồ thị tổng số chiến thắng:
Họ xếp hạng từng đội một cách chính xác từ cao nhất đến thấp nhất, nhưng việc đưa vào biểu đồ thanh không có ý nghĩa gì với hầu hết mọi người.
Nếu trường của bạn có tên dài hơn, có vẻ như họ sẽ giành được chiến thắng nhiều hơn trong biểu đồ này. Và nếu bạn đã lướt nhanh một vòng mạng xã hội bạn sẽ thấy những ý kiến tương tự.
Biểu đồ này tốt hơn nhiều, nhưng vẫn đau khi thấy trường tôi, Arkansas, ở dưới cùng của cả hai biểu đồ.
Một cách khác mà các thương hiệu có thể vô tình lừa dối do cố gắng quá sáng tạo với các biểu đồ của họ.
Trong ví dụ dưới đây, họ đã sử dụng biểu đồ bánh pizza và tôi thực sự không thể hiểu được lý do tại sao!
Khi nó thực sự nên là một dòng thời gian hoặc thậm chí là một bảng đơn giản:
Điều gì họ đang cố gắng thể hiện với biểu đồ khủng khiếp đó? Nó thậm chí không được dán nhãn chính xác để giúp người đọc hiểu những gì đang xảy ra!
Nó có thể trông “ngầu lòi” nhưng chức năng phải là ưu tiên hàng đầu.
Trong ví dụ này từ Microsoft, bằng cách cố gắng xây dựng một ý tưởng chung, họ đã tạo ra một trực quan hóa dữ liệu sai lệch:
Họ nên sử dụng biểu đồ cột nếu muốn chính xác với dữ liệu của họ: 
Hoặc nếu họ vẫn muốn sử dụng một cái gì đó ít nhàm chán hơn, họ có thể sử dụng biểu đồ bong bóng như thế này:
Vì tôi đã cho biểu đồ hình tròn một chút đau buồn ở trên, nên tôi sẽ chỉ ra một nơi mà nó chắc chắn nên được sử dụng!
Trong ví dụ dưới đây, The Intercept đã cố gắng chỉ ra vấn đề Nga đã chiếm lĩnh tin tức gần đây:
Chúng ta không thấy được sự khác biệt chủ yếu là vì dạng trục quan hóa dữ liệu họ chọn không thể hiện được nhiều.
Và trừ khi bạn tự tính toán, bạn sẽ không đoán được sự phân chia thực sự giữa hai biểu đồ.
Nếu tôi đang tạo biểu đồ này, tôi sẽ đi thẳng vào biểu đồ hình tròn:
Không chỉ bao gồm cùng một thông tin, nó còn giúp người khác dễ dàng nhận ra sự khác biệt.
Giúp người đọc nhanh chóng hiểu dữ liệu nên là mục tiêu của bất kỳ trực quan hóa dữ liệu nào.
5. Đi ngược lại các quy ước
Để kết luận danh sách các chiến thuật trực quan hóa dữ liệu sai lệch, tôi nghĩ rằng sẽ là một ý tưởng tốt để xem xét các biểu đồ gây hiểu lầm do làm thay đổi các quy ước lâu nay.
Nếu bạn có một chút bối rối với những gì tôi đang nói, hãy nghĩ về một biểu đồ trong đó màu đỏ đại diện cho đảng Dân chủ và màu xanh tượng trưng cho đảng Cộng hòa.
Nó sẽ là đại dịch!
Hoặc một ví dụ đơn giản hơn là sử dụng màu xanh lá cây cho thua lỗ và màu đỏ cho lợi nhuận.
Điều đó sẽ vô nghĩa với một chuyên gia lập biểu đồ tài năng nhưng sẽ là một công cụ tuyệt vời để thao túng khán giả.
Trong bản đồ này về tỷ lệ STI trên toàn quốc, họ chọn sử dụng màu tối để biểu thị mức thấp và màu sáng cho mức cao:
Việc sử dụng màu này đi ngược lại với hầu hết mọi trực quan hóa dữ liệu bản đồ mà tôi từng thấy. Vì vậy, tôi nghĩ rằng nó được tạo ra để cố tình đánh lừa người đọc.
Và để làm cho mọi thứ trở nên khó hiểu hơn, con số càng cao, tỷ lệ được cho là càng thấp. Vì vậy, bản đồ gây nhầm lẫn, điều này có thể khiến ai đó nghĩ rằng Idaho là điểm nóng của STI, trong khi đó thực sự là các bang miền nam.
Dưới đây là một ví dụ về cách một bản đồ nên trông như thế nào (chúng tôi không có quyền truy cập vào dữ liệu gốc để tạo lại bản đồ, vì vậy chúng tôi đã tìm thấy một cái gì đó tương tự):
Các màu tối được sử dụng để biểu thị các giá trị cao và các màu sáng là các giá trị thấp.
Đây là một ví dụ khác về bản đồ sử dụng bảng màu điên rồ:
Giống như tôi đã chỉ ra ở trên, những người làm bản đồ này nên sử dụng một bảng màu duy nhất với các sắc thái và sắc độ. Hầu như mọi người đều biết cách giải mã các loại bản đồ đó.
Tiếp theo, chúng tôi có một biểu đồ mà người tạo ra hoàn toàn muốn đưa ra một ý tưởng sai lầm cho người đọc. Thành thật mà nói, đó là một trong những thao tác đồ thị nghiêm trọng nhất mà tôi từng thấy bởi vì ý định của họ trắng trợn đến mức nào.
Họ thực sự lật một đồ thị lộn ngược. Điều này làm cho nó trông giống như những cái chết gây ra do súng đang đi xuống trong thực tế, những cái chết vì súng đã tăng vọt sau khi luật Không Lùi Bước (Stand Your Ground) được ban hành:
Hiểu ý tôi chứ? Điều này đã được thực hiện để thúc đẩy một chương trình nghị sự.
Một phép quay và phản chiếu đơn giản của biểu đồ sẽ cho bạn thấy nó nên trông như thế nào:
Đó! Cũng khá tốt.
Và cho ví dụ cuối cùng, chúng tôi có một ví dụ từ nguồn dữ liệu yêu thích của chúng tôi, Fox News.
Tại sao bạn không thử tìm lý do vì sao nó được liệt kê vào danh sách?
Bạn đã phát hiện ra nó? Nếu không, tôi không trách bạn vì tôi đoán nhiều khán giả của họ cũng bỏ sót nó. Và họ đang dựa vào điều đó.
Nếu bạn nhìn vào trục x, bạn sẽ thấy rằng họ chọn đưa vào một loạt các giá trị thời gian ngẫu nhiên cho biểu đồ của họ. Nó không giống như họ chỉ để lại một vài tháng hoặc một phần tư trong biểu đồ ngẫu nhiên, họ cố tình chọn những phần tư đó để phù hợp với câu chuyện của họ. Bạn cũng có thể coi đây là một ví dụ về việc bỏ sót dữ liệu.
Và phần tồi tệ nhất của ví dụ này không phải là nó là một biểu đồ sai lệch mà là họ nghĩ rằng họ có thể lừa được những người xem trung thành.
Nếu một thương hiệu đánh quá quá thấp về trí thông minh của bạn đến nỗi họ đẩy các biểu đồ sai lệch cho bạn, tôi khuyên bạn nên tìm một nguồn khác.
Tổng kết
Bạn có đoán được rằng có rất nhiều thương hiệu sử dụng những đồ thị được tạo ra nhanh chóng và lỏng lẻo không? Tôi cũng không đoán được!
Như với bất kỳ loại tin tức nào, tôi khuyên bạn đầu tiên nên kiểm tra biểu đồ đến từ đâu và sau đó xem dữ liệu.
Giống như tôi đã nói trong phần giới thiệu, hầu hết mọi người chia sẻ biểu đồ gây hiểu lầm và biểu đồ đó không có ý định tốt cho bạn.
Ví dụ: nếu một biểu đồ cho thấy lợi ích của dầu dừa đang được chia sẻ bởi một công ty chỉ tình cờ bán dầu dừa, thì biểu đồ đó có thể bị sai lệch. Có thể xem xét một số nguồn khác trước khi bạn đặt hàng. Hay nếu chỉ có một người hoặc một nhóm chia sẻ biểu đồ đặc biệt trên, đó cũng lại là một cây cờ đỏ khác.
Vì vậy, hãy cảnh giác bằng cách luôn kiểm tra các nguồn gốc của biểu đồ, hãy luôn hoài nghi và nếu bạn cảm thấy như một người viết đang gây hiểu lầm, hãy gọi và đối thoại với họ!
Nguồn bài viết: https://venngage.com/blog/misleading-graphs/
Chương trình Lãnh đạo Khai phóng IPL khóa 5
Lê Nguyễn Trần Huỳnh
Nguyễn Hoàng Bảo Huy
Phạm Thị Quỳnh Mai
Huỳnh Diệp Mỹ Ngọc
Nguyễn Đình Quý
Trần Minh Dạ Thảo
