作者丹尼尔·阿克曼，麻省理工学院 麻省理工学院的研究人员发现，推特和脸书上的新冠肺炎怀疑论者——远非“数据盲”——经常使用复杂的数据可视化技术来反对公共卫生预防措施，如口罩授权
荣誉:麻省理工学院何塞-路易斯·奥利瓦雷斯 自新冠肺炎大流行开始以来，图表有助于交流关于感染率、死亡率和疫苗接种的信息
在某些情况下，这种可视化可以鼓励减少病毒传播的行为，比如戴口罩
事实上，这场流行病被誉为数据可视化的突破性时刻
但是新的发现显示了一个更复杂的图景
麻省理工学院的一项研究显示，冠状病毒怀疑论者如何在网上整理数据可视化，以反对关于口罩授权益处的公共卫生正统观点
这种“反可视化”通常相当复杂，使用来自官方来源的数据集和最先进的可视化方法
研究人员梳理了数十万条社交媒体帖子，发现冠状病毒怀疑论者经常像公共卫生专家一样，在同样的“跟踪数据”说辞中使用反可视化，然而怀疑论者主张截然不同的政策
研究人员得出结论，数据可视化不足以传达新冠肺炎大流行的紧迫性，因为即使是最清晰的图表也可以通过各种信仰系统来解释
“很多人认为像感染率这样的指标是客观的，”李馨巧说
“但基于对如何看待这种流行病的争论，它们显然不是
这就是为什么我们说数据可视化已经成为战场
" 这项研究将在5月举行的美国计算机学会计算系统中人的因素会议上发表
李是这项研究的主要作者和博士
D
麻省理工学院历史、人类学、科学、技术和社会项目和麻省理工学院计算机科学和人工智能实验室的学生，以及哈佛大学伯克曼·克莱因互联网和社会中心的研究员
合著者包括格雷厄姆·琼斯，玛格丽特·麦克维卡人类学研究员；阿尔温德·萨蒂亚那拉扬，NBX职业发展助理教授，在电气工程和计算机科学系和中国电子信息科学研究院工作；杨坦雅，麻省理工大学本科生；还有加布里埃尔·因乔科，韦尔斯利学院的本科生
随着数据可视化在大流行早期的突出地位，李和她的同事开始了解它们是如何在整个社交媒体世界中部署的
“最初的假设是，如果我们有更多的数据可视化，从系统的方式收集数据，那么人们会更好地了解情况，”李说
为了验证这一假设，她的团队将计算技术与创新的人种学方法相结合
他们在推特上使用他们的计算方法，抓取了近50万条同时涉及“新冠肺炎”和“数据”的推文
“通过这些推文，研究人员生成了一个网络图，以找出“谁在转发谁，谁喜欢谁，”李说
“我们基本上创建了一个相互交流的社区网络
集群包括“美国媒体社区”或“反屏蔽者”等群体
“研究人员发现，反病毒小组创建和共享数据可视化的数量与其他小组一样多，甚至更多
这些可视化并不草率
“它们实际上与主流来源共享的内容没有什么区别，”Satyanarayan说
“它们通常就像你在数据新闻或公共卫生仪表板上看到的图表一样完美
" “这是一个非常惊人的发现，”李说
“这表明，将反间谍小组定性为数据盲或不接触数据，在经验上是错误的
" 李说，这种计算方法给了他们一个新冠肺炎数据可视化的广阔视野
“这项量化工作真正令人兴奋的是，我们正在进行大规模的分析
我不可能读到50万条推文
" 但是推特的分析有一个缺点
“我认为它忽略了人们正在进行的谈话的很多细节，”李说
“随着对话的展开，你不一定能跟上一个线索
为此，研究人员转向了一种更传统的人类学研究方法——一种互联网时代的转折
李的团队跟踪并分析了反屏蔽脸谱网小组中关于数据可视化的对话——他们称之为“深度潜伏”，这是一种叫做“深度闲逛”的人种学技术的在线版本
李说:“理解一种文化需要你观察日常的非正式活动，而不仅仅是大型的正式活动
深层潜伏是将这些传统民族志方法移植到数字时代的一种方式
" 深层潜伏的定性发现似乎与推特的定量发现一致
Facebook上的反屏蔽者并没有回避数据
相反，他们讨论了不同种类的数据是如何收集的，以及为什么
“他们的论点真的很微妙，”李说
“这通常是一个衡量标准的问题
“例如，反病毒小组可能会辩称，感染数字的可视化可能会产生误导，部分原因是与死亡人数等衡量指标相比，感染率存在很大的不确定性
作为回应，小组成员通常会创建他们自己的反可视化，甚至互相指导数据可视化技术
“我去过直播流，在那里人们从佐治亚州屏幕分享和查看数据门户，”李说
“然后他们将讨论如何下载数据并将其导入Excel
" 琼斯说，当麻省理工学院这样的地方的专家告诉其他人该相信什么时，反屏蔽小组的“科学理念”不是被动地倾听
”他补充道，这种行为标志着旧文化潮流的新转向
“反垄断者对数据素养的使用反映了美国根深蒂固的自力更生和反专业的价值观，这种价值观可以追溯到建国之初，但他们的在线活动将这些价值观推向了公共生活的新领域
" 他补充说，如果没有李开复“富有远见的领导，策划一个横跨SHASS和中国教育学院的跨学科合作”，那么“理解这些复杂的动态是不可能的”
" 华盛顿大学的数据科学家杰文·韦斯特没有参与这项研究，他说，混合方法研究“提高了我们对数据可视化在塑造公众对科学和政治的看法方面的理解”
数据可视化”带有客观性和科学精确性的外衣
但正如这篇论文所显示的，数据可视化可以有效地用于问题的相反方面，”他说
“这凸显了问题的复杂性——仅仅教授媒体素养是不够的
“这需要对那些创建和解释数据图表的人有更细致入微的社会政治理解
" 结合计算和人类学的见解，研究人员对数据素养有了更细致入微的理解
李说，他们的研究揭示，与公共卫生正统观念相比，“反屏蔽者使用非常相似的数据，以不同的方式看待流行病
我仍然认为数据分析很重要
但这肯定不是我认为的那种让人们相信科学机构不可信的药膏
李说，他们的发现指出“我们对美国科学和专业知识的看法存在更大的分歧”
S
“同样的分歧贯穿于气候变化和疫苗接种等问题，在这些问题上，类似的动态经常在社交媒体讨论中出现
为了让公众能够获得这些结果，李和她的合作者
D
学生乔纳森·宗带领一个由七名麻省理工学院本科生研究员组成的团队开发了一种互动叙事，读者可以在其中自己探索可视化和对话
李将该团队的研究描述为理解数据和可视化在这些更广泛的辩论中的作用的第一步
“数据可视化并不客观
这不是绝对的
事实上，这是一项令人难以置信的社会和政治努力
我们必须注意人们在科学机构之外是如何解释它们的
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
