น่าจะเดากันไม่ถูกนะครับว่ากอริลลาและไดโนเสาร์นี่มันเกี่ยวยังไงกับการวิเคราะห์และทำความเข้าใจข้อมูล ถ้าพูดให้แคบเข้าว่าเป็นเรื่อง inattentional blindness หรือ change blindness อาจจะคุ้น ๆ ขึ้น

ถึงไม่คุ้นกับคำพวกนี้ ก็อาจจะเคยเห็นการทดลองกลุ่มนี้มาบ้าง อันที่ดังที่สุดเกี่ยวกับกอริลลาคือ การทดลอง Invisible Gorilla ในปี ค.ศ. 1999 (ซึ่งทำคล้าย ๆ อีกงานจากปี ค.ศ. 1979 อีกที) ใครยังไม่เคยดู ลองดูได้ข้างล่างนี้เลย ขอให้เปิดเต็มจอแล้วดูอย่างตั้งใจ แล้วนับว่านักบาสเก็ตบอลที่ใส่เสื้อสีขาวส่งบอลให้กันกี่ครั้งครับ

คำตอบคือ 15 ครั้งอย่างที่เฉลยในวิดีโอเลย แล้วที่เค้าเฉลยด้วยเหมือนกันก็คือว่าคำตอบที่ถูกต้องไม่ใช่ประเด็นหลัก แต่เค้าอยากให้เห็นว่าเวลาเราตั้งใจดูอะไรบางอย่าง เราอาจจะมองข้ามอย่างอื่นที่ชัดเจนมาก ๆ อย่างคนใส่ชุดกอริลลาที่เดินผ่านเข้ามาในวิดีโอ

จากการทดลองตามในวิดีโอที่ให้นับจำนวนการส่งบอลของทีมเสื้อขาว ผู้เข้าร่วมการทดลองในปี 1999 แค่ 42% เท่านั้นที่สังเกตเห็นกอริลลา!

การทดลองนี้ดังมาก มีการนำไปใช้ในงานโฆษณาของอังกฤษว่าเราอาจจะมองไม่เห็นสิ่งที่เราไม่ได้สนใจ อย่างเช่นคนขี่จักรยาน ให้คนขับรถระวังด้วยนะ ลองดูได้ตามด้านล่างนี้ครับ

คำอธิบายแบบง่าย ๆ ก็อาจจะมองได้ว่าความสนใจของคนเรามีจำกัดครับ มัวแต่เพ่งมองอย่างหนึ่ง ก็จะไม่เห็นอีกอย่าง แม้ว่ามันจะชัดเจนขนาดไหน นักจิตวิทยาอาจจะมีคำอธิบายที่ลึกกว่านี้ แต่เราลองมาคุยเรื่องไดโนเสาร์หรือปรากฏการณ์แบบเดียวกันในการวิเคราะห์ข้อมูลโดยเฉพาะการแสดงผลข้อมูลดีกว่าครับ

ในการแสดงผลข้อมูลก็มีการทดลองคล้าย ๆ กันชื่อว่า Jurassic Mark (2021) โดยให้ผู้เข้าร่วมการทดลองสังเกตจุดของข้อมูลชุดหนึ่งไว้ ถ้าตามในรูปด้านล่างคือให้สังเกตกากบาทหรือ ✕ สีฟ้าไว้ แล้วก็ค่อย ๆ ปรับอีกจุดข้อมูลชุด (วงกลมหรือ ◯ สีเขียว) เป็นรูปไดโนเสาร์ ปรากฎว่าผู้เข้าร่วมการทดลอง 61% ไม่ได้สังเกตเห็นไอ้กลุ่มจุดไดโนเสาร์นี้เลย!

น่าสังเกตว่ากลุ่มคนที่มองเห็นไดโนเสาร์ในปี 2021 แค่ 39% เนี่ย พอ ๆ กับกลุ่มคนที่มองเห็นกอริลล่าในมี 1999 เลย 🤔

งานวิจัยนี้มีธีมที่สอดคล้องกันกับงาน The Shaping of Information by Visual Metaphors ที่พูดถึงในโพสก่อนหน้า ว่าเราสามารถโดนชักจูงให้มองเห็นได้แค่บางอย่างแม้ว่าภาพจะแสดงข้อมูลมากกว่านั้นก็ตาม

คำอธิบายหนึ่งคือการบวนการมองเห็นข้อมูลจากภาพมันไม่ใช่การรับข้อมูลทั้งหมดเข้ามาแล้ววิเคราะห์ไปทีเดียว แต่เป็นกระบวนการกรองที่เกิดขึ้นเป็นชั้น ๆ โดยตัดข้อมูลที่เราตัดสินใจ (อาจจะโดยไม่รู้ตัว) ว่าไม่เกี่ยวข้อง ไม่จำเป็น ไม่สำคัญ หรือขัดแย้งกับความเชื่อของเราออกไปก่อน

เราอาจจะนำความรู้ส่วนนี้ไปใช้ในการสื่อสารข้อมูลโดยพยายามจัดลำดับการรับรู้ข้อมูลให้เป็นระบบ เพื่อให้ทุกคนได้รับข้อมูลเดียวกัน ในทางตรงกันข้าม การวิเคราะห์ข้อมูลอาจจะต้องการสำรวจข้อมูลที่ต้องหลีกเลี่ยงการกรองมากจนเกินไปทำให้ไม่เห็นข้อมูลในภาพรวมอย่างไดโนเสาร์

ส่วนตัวแล้ว เวลาผมให้โจทย์วิเคราะห์ข้อมูล ก็จะพยายามไม่บอกสิ่งที่ต้องการมากนัก เพราะมันทำให้โดนชักจูงไปทางนั้น การบอกคำถามหรือสิ่งที่ต้องการค้นหาตั้งแต่แรกนั้นแทนที่จะเป็นการช่วยหรือส่งเสริม อาจส่งผลเสียต่อการวิเคราะห์ข้อมูลได้

การทำ dashboard เพื่อสำรวจข้อมูล (ไม่ใช่เพื่อสื่อสารข้อมูล) อาจจะต้องทำให้สามารถเข้าไปโต้ตอบเพื่อปรับมุมมองของข้อมูลไปด้านต่าง ๆ เพื่อกรองและเห็นข้อมูลในมุมอื่นได้

ในโพสถัด ๆ ไปจะลองพูดถึงปัจจัยอื่นที่กระทบการวิเคราะห์ข้อมูลนอกเหนือจากงานที่ต้องทำขณะนั้น ยกตัวอย่างเช่น ข้อความประกอบแผนภูมิ ความรู้พื้นฐาน วัฒนธรรม ไปจนถึงความเชื่อทางการเมืองครับ

ป.ล. นอกเรื่องหน่อยว่ารูปไดโนเสาร์นี่ใช้บ่อยในงานด้าน Visualization นะครับ มีงานหลายชิ้นที่เลือกใช้รูปนี้ เช่น Same Stats, Different Graphs (2017) หรือ What Makes a Visualization Memorable? (2013) เป็นต้น เดี๋ยววันหลังมาเล่าถึงเหมือนกันครับ