清楚地說：資料敘事、註解與決策溝通

30 分鐘

從圖表到 Evidence Statement

學習目標：撰寫不超出資料的 evidence statement；區分觀察、解讀與未知。

圖表不會自己說話；真正在說服讀者的，往往是圖表旁邊那句話。最常見的失誤是說明文字聲稱得比圖表能支持的還多，悄悄把一個相關性或單一期間的快照，變成因果或永久性的結論。

before = df[(df["entity_id"] == "E01") & (df["period"] == "2023") & (df["metric"] == "emissions_intensity")]["value"].iloc[0]
after = df[(df["entity_id"] == "E01") & (df["period"] == "2025") & (df["metric"] == "emissions_intensity")]["value"].iloc[0]
change_pct = round((after - before) / before * 100, 1)
# 句子必須與這個數字完全一致，且不能說出圖表無法呈現的內容

• 把「相關」寫成「造成」，卻沒有其他證據支持因果關係
• 把單一期間的快照寫成一直都是這樣的永久結論
• 省略「本圖無法回答什麼」的部分，讓讀者以為圖表已經涵蓋所有角度

重點: 寫在圖表旁邊的句子，要和圖表本身一樣嚴謹：陳述觀察、標示解讀，絕不聲稱超出證據所能支持的內容。

35 分鐘

Annotation 與資料敘事結構

學習目標：用標題、副標、註解、來源與順序引導閱讀但不誇大。

好的註解會把注意力引導到圖表中真正重要的部分，而不會替資料說出它沒說的話。陳述發現的標題、補充脈絡的副標、指向關鍵時點的註解，以及讓讀者能查證聲稱的來源說明，一起負責地引導閱讀。

plt.plot(trend["period"], trend["value"])
plt.annotate("效率方案啟動", xy=("2024", trend.loc[trend["period"] == "2024", "value"].iloc[0]),
             xytext=(10, 10), textcoords="offset points", arrowprops={"arrowstyle": "->"})
plt.title("實體 E01：碳排放強度自 2024 年方案啟動後下降 19%")
plt.figtext(0.01, -0.05, "來源：DS103_Indicators_Clean.csv，合成教學資料", fontsize=8)

重點: 標題、副標、註解與來源說明，應該引導讀者看見真正的發現，而絕不聲稱超出圖表所能呈現的內容。

35 分鐘

Dashboard Thinking：Overview → Detail

學習目標：設計小型資訊層級，避免 KPI 過載並支援往下追問。

一個畫面塞了二十個 KPI 的 dashboard，通常比只有四個的溝通得更少，因為讀者分不清哪些數字才重要。好的 dashboard thinking 會先挑出一個精簡的總覽，再為讀者提供明確的路徑，讓總覽引發的問題可以往下追問到細節。

candidate_metrics = df["metric"].unique()
# 總覽：只挑受眾主要問題真正需要的少數指標
overview_metrics = ["emissions_intensity", "water_intensity", "incident_rate", "energy_use"]
overview = df[(df["metric"].isin(overview_metrics)) & (df["period"] == df["period"].max())]

• 使用者看完總覽後，第一個反應是「這是什麼意思？」而不是「這樣就夠了」
• 沒有任何一個 KPI 有明確的目標值或對照組可以比較
• 細節層的細分方式和總覽引發的問題對不起來

重點: 精簡且有優先順序的總覽，加上清楚的追問路徑，比一整面大小相同的 KPI 牆溝通得更多。

35 分鐘

Misleading Charts 與 AI 生成視覺覆核

學習目標：辨識截斷座標、雙軸濫用、挑資料、聚合遮蔽與 AI 圖表錯誤。

大多數誤導性圖表並不是徹底捏造，而是用了一些常見的小技巧選擇，悄悄偏向某個結論。無論圖表是人做的還是 AI 生成的，能辨識這些模式都是可以轉移的能力。

narrow = trend[trend["period"].isin(["2024", "2025"])]  # 有人選擇要呈現的窗口
full = trend  # 完整的可用歷史資料
# 比較：這個窄窗口說的故事，放到完整範圍中還能成立嗎？

• 每次收到 AI 畫好的圖，先問：篩選條件符合我設定的範圍嗎？
• 確認聚合方式（平均、加總、中位數）符合聲稱的粒度
• 檢查座標軸基準線與尺度，而不是只看圖表「順不順眼」

重點: 截斷座標、雙軸濫用、挑資料的時間窗口與聚合遮蔽，無論圖表是人做的還是 AI 做的，風險都一樣：信任之前一定要先檢查篩選、聚合與尺度。

40 分鐘

Independent Lab：Evidence-Based Data Story

學習目標：獨立交付 3–5 張圖、evidence statements、限制與可行動的敘事。

• 前往 DS 103 實作頁面
• 預覽下載實作資料（含圖表設計挑戰）
• 下載 Independent Lab 起始 Notebook
• 預覽下載資料字典（繁體中文）
• 預覽下載資料字典（英文）

1. 1選定問題與受眾
   寫下你的資料敘事要回應的決策或問題，以及誰會閱讀它。
2. 2製作 3 到 5 張圖
   從實作資料中至少使用兩種不同的圖表類型（例如比較圖與趨勢圖）。
3. 3檢查尺度誠實度
   確認每張圖的軸基準線、尺度與排序方式都是誠實的。
4. 4套用可近用編碼
   確保沒有任何一張圖只靠顏色傳意，且每張圖都有陳述發現的標題。
5. 5為每張圖寫一句 evidence statement
   區分觀察與解讀，並記下仍不確定的地方。
6. 6安排敘事順序
   排列圖表順序，讓敘事從總覽問題推進到支持行動的細節。
7. 7寫下一項限制
   寫一句話說明這份資料敘事目前還無法支持什麼。
8. 8記錄 AI 協助情形
   如果 AI 協助了繪圖或敘事，記下它協助了什麼、你自己驗證了什麼。

• 3 到 5 張圖，涵蓋至少兩種圖表類型
• 每張圖一句 evidence statement，區分觀察與解讀
• 沒有任何一張圖只靠顏色傳意；每張圖都有陳述發現的標題
• 至少一項限制或未解決的問題
• AI 協助情形的紀錄（若有使用）
• 一項這份證據能支持的下一步行動

• 每一張圖都要能獨立回答任務書裡的那個問題，而不是因為「畫出來很好看」才留著
• 敘事的順序要讓讀者先看到總覽層級的發現，再往下看到支持行動的細節
• 限制要寫得具體，例如資料涵蓋的期間或缺少的分母，而不是籠統地寫「資料可能不完整」

重點: Evidence-Based Data Story 不是一組好看的圖表，而是一連串尺度誠實的視覺證據，每一張都搭配一句有界限的聲稱，共同支持一個明確的下一步行動。