Comment les graphiques et visuels peuvent manipuler l’opinion : astuces et pièges

Un graphique est un outil puissant pour visualiser une grande quantité de données. Mais il peut aussi induire en erreur, parfois intentionnellement. Tromper avec un graphique ne signifie pas nécessairement mentir : les erreurs ou approximations involontaires peuvent suffire à déformer la réalité. Cependant, certaines manipulations graphiques suggèrent une volonté délibérée de biaiser l’interprétation des données, violant ainsi les principes d’éthique et de déontologie.

Des techniques pour orienter la perception

Voici quelques stratégies fréquemment utilisées pour rendre un graphique trompeur :

• Omettre certaines données ou cacher celles qui nuisent à l’objectif voulu.
• Modifier ou approximativement présenter les données pour orienter l’interprétation.
• Surcharger visuellement le graphique pour brouiller la compréhension ou minimiser une réalité.
• Employer des formes graphiques inadaptées qui déforment la représentation des proportions.

L’ampleur de la manipulation peut être évaluée en comparant l’effet visuel du graphique avec l’effet réel des données brutes.

L’illusion de la 3D : un exemple frappant

L’enquête de l’INED en 2008 sur la répartition religieuse en France illustre bien cette manipulation :

• 45 % des Français déclaraient ne pas avoir de religion.
• 43 % étaient catholiques, 8 % musulmans, et 2 % protestants.

Trois diagrammes circulaires peuvent représenter ces données de manière correcte. Cependant, en ajoutant une perspective 3D au graphique, une manipulation visuelle peut émerger. Par exemple, placer la part des musulmans (8 %) au premier plan, en accentuant l’épaisseur 3D, donne l’impression qu’elle est bien plus importante qu’en réalité. Cette distorsion visuelle transforme un simple graphique en outil de persuasion.

En manipulant la forme, les proportions ou la mise en avant des données, les graphiques peuvent devenir de puissants outils d’influence. Reconnaître ces techniques est essentiel pour interpréter les représentations visuelles de manière critique.

La perception humaine est mal adaptée pour interpréter des données en trois dimensions. Dans un graphique 3D, notre cerveau associe souvent inconsciemment une plus grande quantité à une couleur ou une surface plus visible. Dans les camemberts 3D, par exemple, les tranches placées à l’avant-plan semblent plus importantes en raison de leur épaisseur apparente et du nombre de pixels qu’elles occupent. Cette illusion peut fausser notre interprétation des proportions.

Modifier l’échelle : tronquer l’axe des ordonnées

Une autre méthode fréquente de manipulation consiste à ne pas commencer l’axe des ordonnées à zéro. Cette pratique altère visuellement la pente d’une courbe, rendant une tendance plus dramatique ou, au contraire, minimisant une évolution significative.

Pourquoi cela fonctionne ?

Lorsqu’on observe un graphique, on se concentre souvent sur la tendance générale plutôt que sur l’échelle exacte. Cette première impression, rapide et intuitive, influence immédiatement notre perception.

Exemple : le budget de la Défense en France (2009-2016)

• Graphique avec un axe classique : il montre un budget stable de 2009 à 2016, avec une légère augmentation en fin de période.
• Graphique avec un axe tronqué : en réduisant l’échelle de l’axe des ordonnées, la même évolution donne l’impression d’une augmentation marquée et d’un investissement croissant.

Un autre moyen d’étudier l’évolution d’un paramètre est de calculer les variations.

Lorsque nous voyons un graphique, nous supposons instinctivement qu’il représente des quantités ou des variations de manière proportionnelle. Pourtant, certains graphiques peuvent être conçus pour induire en erreur en modifiant leur structure visuelle.

Un exemple : le taux de grévistes à la SNCF en avril 2018

Dans un communiqué de presse publié pendant une grève, la SNCF a présenté un graphique concernant le taux de grévistes, mais a omis l’axe des ordonnées. Cette suppression rend la lecture et l’interprétation des données beaucoup plus compliquées. De plus, l’axe semble avoir été tronqué en ne commençant pas à zéro, amplifiant ou minimisant visuellement l’impact des chiffres selon les objectifs recherchés.

Cette présentation a été réalisée dans un contexte de conflit social, où la direction de la SNCF avait tout intérêt à réduire l’apparence du succès de la grève pour démotiver les cheminots.

Pourquoi cela trompe ?

En supprimant les échelles et les axes, le lecteur perd les repères nécessaires pour évaluer correctement les données. Sans ces éléments, il devient plus facile d’orienter l’interprétation vers une conclusion biaisée.

Mais, en traçant les graphiques avec une échelle complète partant de zéro, la baisse de 4 points semble nettement moins significative.

En choisissant une échelle linéaire ou logarithmique, il est possible de modifier l’apparence d’une courbe. Une échelle logarithmique peut aplatir des variations importantes, rendant les tendances moins évidentes, tandis qu’une échelle linéaire accentuera les écarts. Ce choix peut donc orienter la perception du lecteur.

La difficulté des graphiques à aires empilées

Les graphiques à aires empilées, bien qu’attrayants visuellement, compliquent souvent l’interprétation des données. Ces graphiques demandent de comparer des aires pour évaluer les tendances, ce qui n’est pas une tâche intuitive.

Exemple : les émissions de gaz à effet de serre en France (secteur agricole)

• Graphique à aires empilées (gauche)
  Dans ce graphique, les émissions agricoles sont représentées en jaune-saumon. Pour comprendre l’évolution de ce secteur, il faut comparer la taille des aires entre les différentes catégories, ce qui complique la lecture et peut masquer des tendances.
• Graphique sectoriel (droite)
  En isolant uniquement les émissions du secteur agricole, le graphique devient beaucoup plus clair. On distingue une tendance nette à la diminution des gaz à effet de serre, avec des projections représentées par plusieurs courbes.

Les fausses corrélations

Corrélation vs causalité : un piège visuel courant

La corrélation entre deux variables, mesurée par le coefficient de Pearson rrr, permet de détecter une relation linéaire entre deux variables continues XXX et YYY. Cependant, une corrélation forte ne signifie pas qu’il existe une relation de causalité entre ces variables. Pourtant, de nombreux graphiques exploitent cette ambiguïté en superposant des courbes, laissant subtilement penser à une relation causale.

Exemple d’une corrélation trompeuse

Une corrélation très forte (r>0.90r > 0.90r>0.90) a été observée entre :

• Les dépenses aux États-Unis dans le domaine scientifique et de l’aérospatial.
• Les décès dus au cancer survenant le jeudi.

Cette corrélation, bien qu’impressionnante sur un graphique, est évidemment dénuée de tout lien causal.