Wilmelie Cruz Marrero

This is the Spanish version of the blog "Nobody gets it right the first time"

Como científicos nosotros parte de nuestro trabajo es investigar y luego analizar nuestra data para validar nuestro trabajo, pero ¿hacemos un buen trabajo demostrando nuestros hallazgos a otras personas que a nosotros mismos? ¿Qué tal si representamos nuestra data visualmente? - ya hemos escuchado que una imagen vale más que mil palabras… yo estoy segura que ellos probablemente estaban hablando de una gráficas ¿Cómo podemos mejorar nuestras GRAFICAS? ¿Cómo podemos hacer que la comunidad no científica comprenda nuestra data? Brianne Walsh de IAN menciono que 90% de la información transmitida al cerebro es visual opuesto a la retención de 20% de la información escrita ¡¡Una gráfica puede proveernos más información que un párrafo completo!! Hay varios tipos de graficas como pie, barra, puntos, histogramas, dispersión que pueden ser usadas para distintos tipos de data.

Antes de crear tu grafica necesitas tener en consideración lo siguiente”

• ¿Cuál es tu audiencia?
• Se entusiasta sobre tu data
• Incluye color (considerando a las personas daltónicas)
• Una letra que sea fácil de leer (¡NO COMIC SANS!)

Si sigues estos pasos luego crear tu gráfica. Luego de hacerla sientes que tu grafica piensas que es perfecta HASTA que se la das al alguien para que la revise… Créeme, tener a alguien que revise mis imágenes me ha ayudado a identificar errores que yo no pude ver. Nosotros usualmente estamos tan acostumbrados a nuestra investigación que se nos olvida que otras personas no saben nada de ella ¡Debemos hacerla más accesible para ambos científicos y no científicos!

Algunos de los errores que cometí en mi gráfica de antes

• Puse un paréntesis extra
• En mi título “is “Systematic sampling used to determine sampling rat” en vez de rate
• La línea del borde no era necesaria
• Log10 debió ser Log10
• Debí agregar una leyenda para la línea roja la cual indica que es una regresión
• Debí haber tenido un título más descriptivo

La imagen 2 demuestra otro ejemplo de la clase donde vemos una buena representación, pero como aprendimos siempre hay espacio para mejorar en este caso eliminar las líneas horizontales.

Después de revisar todas las imágenes en clase hemos llegado a conclusión los siguientes pasos para tener una buena gráfica.

Consejos para crear una buena gráfica:

• Haz un título descriptivo
• Se creativo (usa imágenes de IAN para describir tu data)
• No uses acrónimos
• Incluye marcos a tus ejes
• Colores deben ser diferentes para crear una buena comparación
• Remueve los bordes
• Asegura que tu letra se leíble
• Remueve las líneas verticales

Si sigues los pasos puedes ver una diferencia entre antes y después de tu grafica como en la imagen 3. La imagen de “después” es más fácil de leer y también le da una premisa a la audiencia de cómo se ven las plantas marinas aunque no tengas idea de la ciencia detrás de la gráfica.

Otra cosa to considerar es que no toda la data puede ser tratada igualmente. Alguna data puede ser difícil de demostrar visualmente como las imágenes 4 & 5. Donde la imagen 4 demuestra un árbol filogenético de eIF4E class I. Lo cual es complicado de explicar para científicos y no científicos. Quizás la autora puede hacer que el titulo sea más accesible para la audiencia y enfocarse en una sola ramificación a la vez. En la imagen 5 comentarios en clase a Keota una nueva forma de visualizar su data los que incluyen hacer un ciclo que representa los dos sembradíos con animaciones de IAN. Los comentarios en clase fueron muy útiles y nos ayudaron a ver cosas en clase que nosotros no vimos.

En conclusión, haz que tu grafica represente tu trabajo. No te frustres en el proceso. La información es valiosa y las gráficas nos ayudan a representar nuestra data en una forma significativa ¡así que diviértete haciéndolas! Recuerda: muchas herramientas que te pueden ayudar a que tu grafica sobresalga. También, puedes usar los símbolos de IAN o atrévete a ser creativo y haz tus propios diseños. Esta herramienta puede hacer que tu data sea entendida sin ninguna barrera de lenguas o puede atraer alguien hacia las ciencias. Si hacemos una buena representación de nuestra data esto puede abrir puertas sobre arboles filogenéticos de la clase elF4E, nuevos métodos para trabajar con imágenes, comprender la madures sexual de los cangrejos cáncer. La información no tiene límites y si hacemos un buen trabajo presentándola puede viajar muy lejos...

*English version of this blog ("Nobody gets it right the first time") available here