MIT-Studie: „Wenn mehr Covid-19-Daten nicht mehr Verständnis bedeutet“

Nutzer sozialer Medien teilen Diagramme und Grafiken – oft mit denselben zugrunde liegenden Daten – um gegensätzliche Ansätze zur Bekämpfung der Pandemie zu befürworten.

Der folgende Artikel ist eine nicht autorisierte Übersetzung des englischsprachigen Originals vom 04. März 2021. Bildquelle eben dort.

Seit dem Beginn der Covid-19-Pandemie haben Diagramme und Grafiken dazu beigetragen, Informationen über Infektionsraten, Todesfälle und Impfungen zu vermitteln. In einigen Fällen können solche Visualisierungen zu Verhaltensweisen anregen, die die Virusübertragung verringern, wie das Tragen einer Maske. In der Tat wurde die Pandemie als Durchbruch für die Datenvisualisierung gepriesen.

Neue Erkenntnisse weisen jedoch auf ein komplexeres Bild hin. Eine Studie des Massachusetts Institute of Technology zeigt, wie Coronaregel-Skeptiker online Datenvisualisierungen eingesetzt haben, um gegen die Lehrmeinung des öffentlichen Gesundheitssystems, dass Masken nützen zu argumentieren. Solche „Gegenvisualisierungen“ sind oft recht ausgeklügelt und verwenden Datensätze aus offiziellen Quellen und modernste Visualisierungsmethoden.Die Forscher des MIT durchkämmten Hunderttausende von Beiträgen in sozialen Medien und fanden heraus, dass Coronaregel-Skeptiker häufig Gegenvisualisierungen zusammen mit der gleichen „Hört auf die Evidenz“-Rhetorik wie die Experten des öffentlichen Gesundheitswesens einsetzen, obwohl die Skeptiker für radikal andere Maßnahmen plädieren. Die Forscher kommen zu dem Schluss, dass Datenvisualisierungen nicht ausreichen, um die Dringlichkeit der Covid-19-Pandemie zu vermitteln, da selbst die klarsten Diagramme durch eine Vielzahl von Glaubenssystemen interpretiert werden können.

„Viele Menschen halten Messgrößen wie die Infektionsraten für objektiv“, sagt Crystal Lee. „Aber das sind sie eindeutig nicht, wenn man bedenkt, wie sehr darüber debattiert wird, wie man über die Pandemie denken soll. Deshalb sagen wir, dass Datenvisualisierungen zu einem Schlachtfeld geworden sind“.

Die Forschungsergebnisse werden auf der ACM Conference on Human Factors in Computing Systems im Mai vorgestellt. Lee ist der Hauptautor der Studie und Doktorand im MIT-Programm für Geschichte, Anthropologie, Wissenschaft, Technologie und Gesellschaft (HASTS) und im MIT-Labor für Informatik und künstliche Intelligenz (CSAIL) sowie Stipendiat am Berkman Klein Center for Internet and Society der Harvard University. Zu den Co-Autoren gehören Graham Jones, ein „Margaret MacVicar“-Fakultätsmitglied in Anthropologie; Arvind Satyanarayan, ein Juniorprofessor in der Abteilung für Elektrotechnik und Informatik und CSAIL; Tanya Yang, eine MIT-Studentin; und Gabrielle Inchoco, eine Wellesley-College-Studentin.

Als Datenvisualisierungen zu Beginn der Pandemie an Bedeutung gewannen, machten sich Lee und ihre Kollegen daran, zu verstehen, wie sie in den sozialen Medien eingesetzt wurden. „Eine erste Hypothese war, dass die Menschen besser informiert wären, wenn wir mehr Datenvisualisierungen hätten, die auf systematisch gesammelten Daten basieren“, sagt Lee. Um diese Hypothese zu testen, kombinierte ihr Team computergestützte Techniken mit innovativen ethnografischen Methoden.

Sie wendeten ihren rechnerischen Ansatz auf Twitter an, indem sie fast eine halbe Million Beiträge auswerteten, in denen sowohl „Covid-19“ als auch „data“ erwähnt wurden. Anhand dieser Tweets erstellten die Forscher ein Netzwerkdiagramm, um herauszufinden, „wer wen retweetet und wer wen mag“, sagt Lee. „Wir haben im Grunde ein Netzwerk von Gemeinschaften erstellt, die miteinander interagieren. Zu den Clustern gehörten Gruppen wie die „amerikanische media community“ oder „antimaskers“. Die Forscher fanden heraus, dass Anticoronaregelgruppen Datenvisualisierungen in gleichem Maße wie andere Gruppen, wenn nicht sogar in größerem Umfang, erstellen und weitergeben.

Und diese Visualisierungen waren nicht schlampig. „Sie sind praktisch nicht von denen zu unterscheiden, die von etablierten Medien verbreitet werden“, sagt Satyanarayan. „Sie sind oft genauso ausgefeilt wie Diagramme, die man im Datenjournalismus oder auf Anzeigern des öffentlichen Gesundheitswesens finden würde.

„Das ist ein sehr bemerkenswertes Ergebnis“, sagt Lee. „Es zeigt, dass die Charakterisierung von Anticoronaregelgruppen als datenunkundig oder als Personen, die sich nicht mit den Daten beschäftigen, empirisch falsch ist.“

Lee sagt, dass dieser rechnerische Ansatz ihnen einen umfassenden Überblick über die Visualisierung von Covid-19-Daten verschaffte. „Das wirklich Spannende an dieser quantitativen Arbeit ist, dass wir diese Analyse in einem riesigen Maßstab durchführen. Es ist unmöglich, dass ich eine halbe Million Beiträge hätte lesen können.

Die Twitter-Analyse hatte jedoch einen Nachteil. „Meiner Meinung nach geht dabei viel von der Granularität der Unterhaltungen, die die Menschen führen, verloren“, sagt Lee. „Man kann nicht unbedingt einen einzelnen Gesprächsfaden verfolgen, während er sich entfaltet. Aus diesem Grund wandten die Forscher eine traditionellere anthropologische Forschungsmethode an – mit einem Kniff aus dem Internet-Zeitalter.

Lees Team verfolgte und analysierte Gespräche über Datenvisualisierungen in Antimasken-Facebook-Gruppen – eine Praxis, die sie „tiefes Lauerns“ nannten, eine Online-Version der ethnografischen Technik „tiefen Herumhängens“. Lee sagt: „Um eine Kultur zu verstehen, muss man das alltägliche, informelle Treiben beobachten – nicht nur die großen, formellen Ereignisse. Tiefes Lauern ist eine Möglichkeit, diese traditionellen ethnografischen Ansätze auf das digitale Zeitalter zu übertragen“.

Die qualitativen Ergebnisse des tiefen Lauerns schienen mit den quantitativen Twitter-Ergebnissen übereinzustimmen. Die Gegner von Coronaregeln auf Facebook lehnten Daten nicht ab. Vielmehr diskutierten sie darüber, wie und warum verschiedene Arten von Daten erhoben wurden. „Ihre Argumente sind wirklich sehr nuanciert“, sagt Lee. „Es ist oft eine Frage der Metrik.“ So könnten Anti-Coronaregel-Gruppen beispielsweise argumentieren, dass die Visualisierung von Infektionszahlen irreführend sein könnte, unter anderem wegen der großen Unsicherheitsspanne bei den Infektionsraten im Vergleich zu Messungen wie der Zahl der Todesfälle. Daraufhin erstellten die Mitglieder der Gruppe oft ihre eigenen Gegenvisualisierungen und unterrichteten sich sogar gegenseitig in Datenvisualisierungstechniken.

„Ich habe an Livestreams teilgenommen, bei denen sich die Teilnehmer das Datenportal des Bundesstaates Georgia angeschaut haben“, sagt Lee. „Dann sprechen sie darüber, wie man die Daten herunterlädt und sie in Excel importiert“.

Jones sagt, dass die Vorstellung der Anti-Coronaregel-Gruppen von Wissenschaft nicht darin besteht, passiv zuzuhören, wie Experten an einem Ort wie dem MIT allen anderen sagen, was sie glauben sollen. Er fügt hinzu, dass diese Art von Verhalten eine neue Wendung für eine alte kulturelle Strömung darstellt. „Die Nutzung der Datenkompetenz durch die Gegner der Coronaregeln spiegelt tief verwurzelte amerikanische Werte der Selbstständigkeit und der Ablehnung von Experten wider, die auf die Gründung des Landes zurückgehen, aber ihre Online-Aktivitäten drängen diese Werte in neue Arenen des öffentlichen Lebens.

Er fügt hinzu, dass es ohne Lees „visionäre Führung bei der Leitung einer interdisziplinären Zusammenarbeit zwischen SHASS und CSAIL unmöglich gewesen wäre, dieser komplexen Dynamik einen Sinn zu entlocken“.

Die Forschung mit gemischten Methoden „fördert unser Verständnis von Datenvisualisierungen bei der Gestaltung der öffentlichen Wahrnehmung von Wissenschaft und Politik“, sagt Jevin West, ein Datenwissenschaftler an der University of Washington, der nicht an der Forschung beteiligt war. Datenvisualisierungen „tragen den Anschein von Objektivität und wissenschaftlicher Präzision. Aber wie diese Arbeit zeigt, können Datenvisualisierungen auch auf entgegengesetzten Seiten eines Themas effektiv eingesetzt werden“, sagt er. „Es unterstreicht die Komplexität des Problems – dass es nicht ausreicht, nur Medienkompetenz zu vermitteln. Es erfordert ein differenzierteres gesellschaftspolitisches Verständnis derjenigen, die Datengrafiken erstellen und interpretieren.“

Die Kombination von computergestützten und anthropologischen Erkenntnissen führte die Forscher zu einem differenzierteren Verständnis von Datenkompetenz. Lee sagt, ihre Studie zeige, dass „Antimaskierer die Pandemie anders sehen als die Lehrmeinung des öffentlichen Gesundheitswesens und dabei Daten verwenden, die recht ähnlich sind. Ich denke immer noch, dass Datenanalyse wichtig ist. Aber sie ist sicherlich nicht das Wundermittel, das ich dachte, um Menschen zu überzeugen, die glauben, dass das wissenschaftliche Establishment nicht vertrauenswürdig ist“. Lee sagt, ihre Ergebnisse deuten auf „eine größere Kluft in der Art und Weise, wie wir in den USA über Wissenschaft und Fachwissen denken“. Diese Kluft zieht sich auch durch Themen wie Klimawandel und Impfungen, bei denen sich in den sozialen Medien oft eine ähnliche Dynamik abspielt.

Um diese Ergebnisse der Öffentlichkeit zugänglich zu machen, haben Lee und ihr Mitarbeiter, der CSAIL-Doktorand Jonathan Zong, ein Team von sieben MIT-Studenten angeleitet, um eine interaktive Erzählung zu entwickeln, in der die Leser die Visualisierungen und Gespräche selbst erkunden können.

Lee beschreibt die Forschung des Teams als einen ersten Schritt, um die Rolle von Daten und Visualisierungen in diesen breiteren Debatten zu verstehen. „Datenvisualisierung ist nicht objektiv. Sie ist nicht absolut. Sie ist in der Tat ein unglaublich soziales und politisches Unterfangen. Wir müssen darauf achten, wie die Menschen sie außerhalb des wissenschaftlichen Establishments interpretieren.“

Diese Forschung wurde zum Teil von der National Science Foundation und dem Social Science Research Council finanziert.

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahren Sie mehr darüber, wie Ihre Kommentardaten verarbeitet werden .