Desde el inicio de la pandemia COVID-19, los cuadros y gráficos han ayudado a comunicar información sobre las tasas de infección, fallecidos, y vacunas. En algunos casos, tales visualizaciones pueden fomentar comportamientos que reducen la transmisión de virus, como llevar una máscara. En efecto, la pandemia ha sido aclamada como el momento decisivo para la visualización de datos.

Pero los nuevos hallazgos sugieren un panorama más complejo. Un estudio del MIT muestra cómo los escépticos del coronavirus han organizado visualizaciones de datos en línea para argumentar en contra de la ortodoxia de la salud pública sobre los beneficios de los mandatos de máscaras. Estas "contravisualizaciones" suelen ser bastante sofisticadas, utilizando conjuntos de datos de fuentes oficiales y métodos de visualización de última generación.

Los investigadores revisaron cientos de miles de publicaciones en las redes sociales y encontraron que los escépticos del coronavirus a menudo despliegan contra-visualizaciones junto con la misma retórica de "seguir los datos" que los expertos en salud pública. sin embargo, los escépticos abogan por políticas radicalmente diferentes. Los investigadores concluyen que las visualizaciones de datos no son suficientes para transmitir la urgencia de la pandemia de COVID-19, porque incluso los gráficos más claros se pueden interpretar a través de una variedad de sistemas de creencias.

"Mucha gente piensa que métricas como las tasas de infección son objetivas, ", dice Crystal Lee." Pero claramente no lo son, basado en cuánto debate hay sobre cómo pensar sobre la pandemia. Por eso decimos que las visualizaciones de datos se han convertido en un campo de batalla ".

La investigación se presentará en la Conferencia ACM sobre factores humanos en sistemas informáticos en mayo. Lee es el autor principal del estudio y un Ph.D. estudiante de Historia del MIT, Antropología, Ciencias, Tecnología, and Society (HASTS) y el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL), así como miembro del Centro Berkman Klein de Internet y Sociedad de la Universidad de Harvard. Los coautores incluyen a Graham Jones, un miembro de la facultad Margaret MacVicar en Antropología; Arvind Satyanarayan, el profesor asistente de desarrollo profesional de NBX en el Departamento de Ingeniería Eléctrica e Informática y CSAIL; Tanya Yang, una licenciatura del MIT; y Gabrielle Inchoco, una licenciatura de Wellesley College.

A medida que las visualizaciones de datos cobraron importancia al principio de la pandemia, Lee y sus colegas se propusieron comprender cómo se estaban implementando en todo el universo de las redes sociales. "Una hipótesis inicial fue que si tuviéramos más visualizaciones de datos, a partir de datos recopilados de forma sistemática, entonces la gente estaría mejor informada, "dice Lee. Para probar esa hipótesis, su equipo combinó técnicas computacionales con métodos etnográficos innovadores.

Usaron su enfoque computacional en Twitter, raspando casi medio millón de tweets que se referían tanto a "COVID-19" como a "datos". Con esos tweets, los investigadores generaron un gráfico de red para averiguar "quién retuitea a quién y a quién le gusta quién, ", dice Lee." Básicamente creamos una red de comunidades que interactúan entre sí ". Los clústeres incluían grupos como la" comunidad de medios estadounidenses "o los" antimaskers ". Los investigadores encontraron que los grupos antimask creaban y compartían visualizaciones de datos tanto como , si no más que, otros grupos.

Y esas visualizaciones no fueron descuidadas. "Son prácticamente indistinguibles de los compartidos por las fuentes principales, ", dice Satyanarayan." A menudo están tan pulidos como los gráficos que esperaría encontrar en el periodismo de datos o en los tableros de control de salud pública ".

"Es un hallazgo muy sorprendente, "dice Lee." Demuestra que caracterizar a los grupos de antimáscara como analfabetos de datos o no interactuando con los datos, es empíricamente falso ".

Lee dice que este enfoque computacional les dio una visión amplia de las visualizaciones de datos de COVID-19. "Lo realmente emocionante de este trabajo cuantitativo es que estamos haciendo este análisis a gran escala. No hay forma de que pudiera haber leído medio millón de tweets".

Pero el análisis de Twitter tuvo una deficiencia. "Creo que se pierde gran parte de la granularidad de las conversaciones que tienen las personas, ", dice Lee." No es necesario seguir un solo hilo de conversación a medida que se desarrolla ". Por eso, los investigadores recurrieron a un método de investigación antropológico más tradicional, con un giro de la era de Internet.

Lee's team followed and analyzed conversations about data visualizations in antimask Facebook groups—a practice they dubbed "deep lurking, " an online version of the ethnographic technique called "deep hanging out." Lee says "understanding a culture requires you to observe the day-to-day informal goings-on—not just the big formal events. Deep lurking is a way to transpose these traditional ethnography approaches to digital age."

The qualitative findings from deep lurking appeared consistent with the quantitative Twitter findings. Antimaskers on Facebook weren't eschewing data. Bastante, they discussed how different kinds of data were collected and why. "Their arguments are really quite nuanced, " says Lee. "It's often a question of metrics." For example, antimask groups might argue that visualizations of infection numbers could be misleading, in part because of the wide range of uncertainty in infection rates, compared to measurements like the number of deaths. En respuesta, members of the group would often create their own counter-visualizations, even instructing each other in data visualization techniques.

"I've been to livestreams where people screen share and look at the data portal from the state of Georgia, " says Lee. "Then they'll talk about how to download the data and import it into Excel."

Jones says the antimask groups' "idea of science is not listening passively as experts at a place like MIT tell everyone else what to believe." He adds that this kind of behavior marks a new turn for an old cultural current. "Antimaskers' use of data literacy reflects deep-seated American values of self-reliance and anti-expertise that date back to the founding of the country, but their online activities push those values into new arenas of public life."

He adds that "making sense of these complex dynamics would have been impossible" without Lee's "visionary leadership in masterminding an interdisciplinary collaboration that spanned SHASS and CSAIL."

The mixed methods research "advances our understanding of data visualizations in shaping public perception of science and politics, " says Jevin West, a data scientist at the University of Washington, who was not involved with the research. Data visualizations "carry a veneer of objectivity and scientific precision. But as this paper shows, data visualizations can be used effectively on opposite sides of an issue, " he says. "It underscores the complexity of the problem—that it is not enough to 'just teach media literacy." It requires a more nuanced sociopolitical understanding of those creating and interpreting data graphics."

Combining computational and anthropological insights led the researchers to a more nuanced understanding of data literacy. Lee says their study reveals that, compared to public health orthodoxy, "antimaskers see the pandemic differently, using data that is quite similar. I still think data analysis is important. But it's certainly not the salve that I thought it was in terms of convincing people who believe that the scientific establishment is not trustworthy." Lee says their findings point to "a larger rift in how we think about science and expertise in the U.S." That same rift runs through issues like climate change and vaccination, where similar dynamics often play out in social media discussions.

To make these results accessible to the public, Lee and her collaborator, CSAIL Ph.D. student Jonathan Zong, led a team of seven MIT undergraduate researchers to develop an interactive narrative where readers can explore the visualizations and conversations for themselves.

Lee describes the team's research as a first step in making sense of the role of data and visualizations in these broader debates. "Data visualization is not objective. It's not absolute. It is in fact an incredibly social and political endeavor. We have to be attentive to how people interpret them outside of the scientific establishment."

This story is republished courtesy of MIT News (web.mit.edu/newsoffice/), a popular site that covers news about MIT research, innovation and teaching.