Reconnaissance de l’importance de la couleur, des icônes et des formes

Objectifs de formation

Une fois cette unité terminée, vous pourrez :

• Montrer comment utiliser les couleurs, les formes et les icônes de manière consciente et réfléchie
  
• Expliquer quel est l’impact et ce qu’impliquent les couleurs, les icônes et les formes dans vos visualisations de données
  

Utilisation des couleurs de manière avisée et consciente

De la même façon que vous devez réfléchir à la manière dont vous vous exprimez, vous devez faire des choix éclairés sur l’utilisation des couleurs dans vos visualisations de données. Des palettes de couleurs adaptées doivent, au minimum, respecter les directives d’accessibilité de base et offrir un contraste suffisant entre les couleurs pour répondre aux besoins des utilisateurs souffrant de troubles de la vue. 

Au-delà de l’accessibilité, les choix de couleurs doivent également éviter de renforcer les stéréotypes de genre ou raciaux, tels que le rose clair et le bleu clair pour représenter les femmes et les hommes, ou les couleurs associées aux tons de peau ou aux stéréotypes raciaux (par exemple, le noir pour représenter les personnes noires, le jaune pour représenter les personnes asiatiques). 

La légende ci-dessous montre une palette de couleurs problématique appliquée aux données sur l’ethnie et l’origine ethnique. Utiliser du rouge pour représenter les groupes minoritaires tels que les personnes noires ou hispaniques peut avoir des connotations négatives dans la culture occidentale, car cette couleur est souvent associée au danger ou à l’agression. 

Les couleurs peuvent également impliquer une hiérarchie et perpétuer des stéréotypes nuisibles. Par exemple, l’utilisation d’un ensemble de nuances rouges pour diverses ethnicités, avec en parallèle une couleur bleue distincte pour le groupe « blanc » crée une division visuelle, voire une concurrence, entre les deux. En outre, une palette de couleurs dégradée ne doit pas être utilisée pour les données de catégorie, car les couleurs plus foncées représentent des valeurs supérieures tandis que les couleurs plus claires représentent des valeurs inférieures. 

Il existe également des connotations émotionnelles associées à certaines nuances. Dans les cultures occidentales, des couleurs telles que le rouge peuvent être perçues comme menaçantes ou agressives et peuvent donc dépeindre de manière négative la population représentée par votre visualisation. Évitez de donner l’impression aux sujets de la visualisation de données d’être présentés comme un problème. Bien qu’il puisse être difficile d’utiliser des couleurs distinctes pour chaque catégorie, de nombreux outils gratuits sont disponibles à cet effet pour les concepteurs et les développeurs. 

Lorsqu’elles sont utilisées de manière appropriée, les couleurs sont un puissant atout dans la visualisation de données. Le manque de sensibilisation risque toutefois de créer des perceptions erronées et d’offenser votre public. Encore une fois, vous devez vous demander : si j’étais l’un des points de données de cette visualisation, est-ce que je me sentirais offensé ?

Compréhension de la puissance de l’iconographie

Les visualisations de données reposent sur l’utilisation d’images, d’icônes et de formes. De par leur nature même, les icônes sont destinées à transmettre de vastes messages. C’est à la fois extrêmement utile et potentiellement très dangereux. 

Faites toujours attention à la façon dont vous représentez des groupes de personnes. L’objectif est de refléter la société dans son ensemble en utilisant un mélange de genres, d’ethnies, d’origines ethniques, d’âges et d’autres caractéristiques. Tenez compte de ces facteurs en vous posant quelques questions : Qui va consulter vos résultats ? Comment ces personnes pourraient-elles percevoir les icônes ? Comment éviter de perpétuer des stéréotypes nuisibles et offensants ? Toutes les icônes ne correspondent pas au contenu que vous présentez. 

La représentation erronée ou la sous-représentation de certains groupes dans les images et l’iconographie utilisées dans vos visualisations de données peut être considérée comme une absence d’empathie en matière d’équité raciale et de genre. Par exemple, dans les résultats de recherche d’emploi, les hommes sont souvent surreprésentés dans les images en ligne par rapport aux femmes. La façon dont vous utilisez les images est l’occasion de transformer cette pratique et de lutter contre les forces d’oppression. 

De même, le choix d’icônes ou d’images pour représenter des groupes raciaux ou ethniques peut renforcer les préjugés négatifs. Il peut par exemple s’agir des représentations impliquant la pauvreté, des stéréotypes culturels erronés ou du renforcement des hiérarchies de pouvoir traditionnelles (comme un superviseur blanc avec un subordonné racisé). Au lieu de cela, les images doivent toujours dépeindre les personnes comme actives et autonomes, en renforçant leur dignité, leur libre arbitre et leur humanité. 

Solliciter des commentaires peut vous aider à vous assurer que vos icônes ne sont pas offensantes et à identifier les éventuelles associations culturelles problématiques qui vous auraient échappé. De plus, l’utilisation de formes au lieu d’icônes (telles qu’une série de cercles ou de carrés) peut être adaptée si l’objectif est d’afficher des unités de données individuelles.

Veillez également à ce que les icônes ou formes utilisées pour représenter des personnes et des communautés n’impliquent pas une information erronée à propos des données. Une image peut avoir plusieurs sens, vous devez donc vous familiariser avec les différentes connotations et en tenir compte lorsque vous utilisez des icônes. Pour cela, vous pouvez indiquer vos intentions exactes afin d’expliciter le message à l’utilisateur. 

Ressources

• Vidéo : Guide de l’engagement à ne pas nuire
• Transcription vidéo : Guide de l’engagement à ne pas nuire
• Site Web : Engagement à ne pas nuire Tableau
• PDF : Diversité, équité et inclusion dans la visualisation de données : recommandations générales
• PDF : Liste de contrôle relative à l’équité raciale dans la visualisation de données
• Ouvrage : Algorithmes d’oppression : comment les moteurs de recherche renforcent le racisme, par Safiya Noble