La investigación revela que la visualización de datos es una ‘espada de doble filo’ -Scientific Exploration-cnBeta.COM

Desde el inicio de la pandemia de COVID-19, las tablas y gráficos han ayudado a transmitir información sobre las tasas de infección, las muertes y las vacunas. En algunos casos, esta visualización puede fomentar comportamientos que reducen la propagación del virus, como el uso de una máscara. La pandemia ha sido aclamada como un momento decisivo en la visualización de datos.

Pero los nuevos hallazgos revelan una situación más complicada. Un estudio del Instituto de Tecnología de Massachusetts (MIT) mostró cómo los escépticos del coronavirus están utilizando la visualización de datos en línea para oponerse a los beneficios de las regulaciones ortodoxas sobre máscaras de salud pública. Este tipo de “anti-visualización” suele ser bastante complejo, ya que utiliza conjuntos de datos oficiales y los métodos de visualización más avanzados.

Los investigadores revisaron cientos de miles de publicaciones en las redes sociales y encontraron que los escépticos de COVID-19 a menudo implementan anti-visualización mientras usan las mismas afirmaciones de ‘seguimiento de datos’ que los expertos en salud públicos. Sin embargo, las políticas defendidas por los escépticos no son del todo diferentes. Los investigadores concluyeron que visualizar los datos no es suficiente para expresar la urgencia de la pandemia de COVID-19, ya que incluso los diagramas más claros pueden explicarse mediante varios sistemas de creencias.

“Mucha gente piensa que indicadores como las tasas de infección son objetivos”, dijo Crystal Lee, “pero obviamente no lo son, dependiendo del alcance del debate sobre cómo pensar sobre las pandemias. C por eso decimos que la visualización de datos se ha convertido en un campo de batalla . “

Esta investigación se presentará en la Conferencia sobre factores humanos de sistemas informáticos de ACM en mayo. Lee es el primer autor de este estudio y estudiante de doctorado en el proyecto MIT History, Anthropology, Science, Technology, and Society (HASTS) y el MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), y también investigador de Harvard Berkman en el Centro de Internet y Sociedad de Klein. Los coautores de ZE incluyen a Graham Jones, investigador del Margaret-McVega College en antropología, ingeniería eléctrica e informática, y Arvind Satyanarayan, profesor asistente de desarrollo profesional en CSAIL NBX, Tanya Yang, licenciatura del MIT y licenciatura de Wellesley College. . Da a luz a Gabrielle Inchoco.

Con el aumento de la visualización de datos al comienzo de este brote, Lee y sus colegas comenzaron a comprender cómo se implementó en el ámbito de las redes sociales. “Una suposición inicial es que si tenemos más visualización de datos y recopilamos datos de manera sistemática, la gente obtendrá mejor información”, dijo Lee. Para probar esta hipótesis, su equipo combinó la tecnología informática con métodos etnográficos innovadores.

Utilizaron su método de cálculo para recopilar cerca de 500.000 tweets que mencionan “COVID-19” y “datos” en Twitter. A partir de estos tweets, los investigadores generaron un mapa de red para averiguar quién retuitea a quién y a quién le gusta a quién. Lee dijo: “Básicamente creamos una red comunitaria para el intercambio mutuo. Los grupos incluyen grupos como la “comunidad de medios estadounidenses” o los “anti-máscaras”. Los investigadores encontraron que hay tantos grupos anti-máscara como otros grupos en la creación y el intercambio de visualización de datos, si no más que ellos.

Sin embargo, estas visualizaciones no son descuidadas. Satyanarayan señaló: “Son casi los mismos que los datos compartidos por las fuentes tradicionales. A menudo son tan complejos como los gráficos que esperaría ver en las noticias de datos o en los paneles de control de salud pública”.

“Este es un hallazgo muy convincente. Muestra que es empíricamente incorrecto caracterizar al grupo anti-máscara como analfabeto o no participando en los datos”, dijo Lee. Además, también dijo que este método de cálculo les dio una amplia comprensión de la visualización de datos de COVID-19. “Lo realmente emocionante de este trabajo cuantitativo es que estamos haciendo este análisis a gran escala. No puedo leer 500.000 tweets”.

Pero el análisis de Twitter tiene una falla. “Creo que carece de la granularidad de las conversaciones en curso de las personas. No necesariamente sigues el flujo de una línea de conversación”, dijo Lee. Por este motivo, los investigadores recurrieron a un método de investigación antropológica más tradicional, con la distorsión de la era de Internet.

El equipo de Lee rastreó y analizó las conversaciones de visualización de datos en el grupo de Facebook Anti-Mask; llamaron a este enfoque “latencia profunda”. “Para comprender una cultura, es necesario observar las actividades informales diarias, no solo los grandes eventos formales. La latencia profunda es una forma de trasplantar estos métodos etnográficos tradicionales a la era digital”, dijo Lee.

Los resultados cualitativos de latencia profunda parecen ser consistentes con los resultados cuantitativos de Twitter. Los agentes antisubmarinos de Facebook no se han retirado de los datos. En cambio, discutieron cómo recopilar diferentes tipos de datos y por qué. Lee dijo: “Su argumento es realmente sutil. A menudo es una cuestión de estándares de medición. Por ejemplo, el equipo anti-máscara puede argumentar que visualizar el número de infecciones puede ser engañoso, en parte porque los estándares de medición como el número de muertes En contraste, el rango de incertidumbre para la tasa de infección es amplio. En respuesta, los miembros del equipo a menudo crean sus propias anti-visualizaciones e incluso se guían entre sí en términos de técnicas de visualización de datos “.

Jones enfatizó que la filosofía científica de los grupos anti-máscara es no escuchar pasivamente a los expertos en lugares como el MIT decirles a otros en qué creer. Cree que este comportamiento marca un nuevo punto de inflexión en una vieja corriente cultural. “El uso de la alfabetización de datos por parte de los anti-máscaras refleja valores profundamente arraigados de autonomía y anti-expertos en los Estados Unidos, que se remontan a la fundación temprana de la nación, pero sus actividades en línea han crecido. Estos valores en nuevas áreas de la vida pública “.

Además, agregó, “sin el liderazgo visionario de Lee, planeando una colaboración interdisciplinaria que abarque SHASS y CSAIL, sería imposible darle sentido a estas dinámicas complejas.

Jevin West, un científico de datos de la Universidad de Washington, dijo que este estudio de método mixto avanzó su comprensión del papel de la visualización de datos en la configuración de las percepciones públicas de la ciencia y la política. West no participó en esta investigación. West dijo: “La visualización de datos tiene el manto de objetividad y precisión científica. Pero, como muestra este artículo, la visualización de datos se puede utilizar de manera eficaz como lo opuesto a un problema. Requiere una comprensión sociopolítica más detallada de quienes crean e interpretan los gráficos de datos. “

Al combinar el conocimiento de la informática y la antropología, los investigadores obtienen una comprensión más detallada de la alfabetización de datos. Lee dijo que su investigación muestra que las máscaras ven la pandemia de una manera diferente a la ortodoxia de la salud pública, pero los datos utilizados son bastante similares. Lee dijo que sus hallazgos indican que “en Estados Unidos existe una brecha mayor en nuestra forma de pensar acerca de la ciencia y la experiencia”. Esta división también atraviesa temas como el cambio climático y la inmunización, y dinámicas similares a menudo surgen en las discusiones en las redes sociales.

Con el fin de llevar estos resultados a la atención pública, Lee y su becario de doctorado de CSAIL, Jonathan Zong, dirigieron un equipo de 7 investigadores de pregrado del MIT. Desarrollaron una narrativa interactiva para que los lectores pudieran explorar la visualización y el diálogo por sí mismos.

Lee describió la investigación del equipo como el primer paso para comprender el papel de los datos y la visualización en estos debates más amplios. “La visualización de datos no es objetiva. No es absoluta. De hecho, es un esfuerzo social y político increíble. Tenemos que tener cuidado con la forma en que la gente los interpreta fuera de las instituciones científicas”, dijo Lee.