想象一个充满不确定性的世界

2020年4月2日

俗话说，一图胜千言。但这并不是一张图片所能说明的，它会使它变得危险，尤其是在不确定的时期。本周，西北大学巴菲特全球事务研究所(Northwestern Buffett Institute for Global Affairs)邀请了西北大学计算机科学与新闻学教授杰西卡·哈尔曼(Jessica Hullman)博士和密歇根大学(University of Michigan)信息学教授马修·凯(Matthew Kay)博士来参加讨论，讨论covid19在主流媒体上流行的可视化效果，以及它们是如何被曲解的。以下是本次讨论的五个要点:

“COVID-19病例资料有偏倚。美国和其他地方缺乏广泛的测试，导致了“极端的选择偏差，” Hullman说。像冰岛和美国的一小部分地区，如特柳赖德和科罗拉多，已经能够测试他们人口的很大比例，因此做了更多的随机抽样，但大多数地方没有这样做，这意味着“病例数和COVID-19率是相当不可靠的。” Hullman指出，COVID-19的死亡率比病例死亡率更可靠，但也需要谨慎看待。她指出，许多COVID-19死亡病例都是在患有多种潜在疾病的人群中发生的，因此很难断定这些死亡病例是否真的与COVID-19有关。Hullman建议观察生长率与病例或死亡率的关系，指出这种可视化方法可以将新确诊的covid19病例与一段时间内的总确诊病例进行对比。

我们的眼睛被吸引到极端。Hullman指出，像地图这样的可视化可以暗示存在不确定性的地方是精确的。她指出，地图让人们很难进行比较。例如，地图上农村地区的COVID-19病例率可能很高，但人口很少的农村地区的COVID-19病例率可能不可靠，使COVID-19病例率看起来比实际情况更极端。另一方面，人口密集的地区往往在面积上显得较小，留下较小的视觉印象，使covid19病例率看起来不像实际情况那么极端。另一个问题是把地图上的大点(比如下面地图上纽约市上空的大点)遮住，妨碍了其他地区的现实景观。

资料来源:《纽约时报》

不确定性常常被伪装成风险。在沟通风险时，我们建议设计一个预测结果的模型是无懈可击和正确的。在传达不确定性方面，我们再次承认，我们设计用来预测结果的模型是对现实的近似，而不是对现实的完美表述。一些报告，比如美国国家公共电台的这篇，打破了模型预测背后的假设，比如我们最近听到的关于潜在死亡人数的报道。然而，许多COVID-19报告和数据可视化使世界看起来更像“固定的”, Hullman和Kay说。hulman说:“如果我们继续这一课程，保持社交距离，而不是继续混来混去，比如，
2都是基于预测模型的，我们必须质疑这些模型背后的假设。”

Kay指出Alison Hill’s博士对COVID-19传播的建模就是不确定性传播的一个很好的例子。Hill’s博士的模型有一个免责声明:“有许多关于COVID-19感染和传播细节的不确定性和争论，这个简单的模型有许多限制。” Kay说:“这是一个很好的例子，说明人们真的在认真思考，并努力保持对y’运行的模型的适用性的谦逊。”Hill’s可视化和其他在传达不确定性方面做得很好的技术的另一个特点是它们的互动性，比如《纽约时报》的这篇文章。凯说，人们可以玩模型s’的参数。不过，了解参数是如何选择的仍然很重要。人们很善于忽视不确定性

“动画帮助人们体验不确定性。”数据可视化动画可以很好地传达不确定性和一系列可能的结果,凯说,指着这张来自《卫报》说明如何麻疹疫情传播和华盛顿Post’s “Coronavirus Simulator”有效使用可视化的实时动画的不确定性。该模拟器运行通过两个不同的场景:一个阐明了社会疏远的含义，而另一个阐明了与强制隔离相关的潜在结果，例如。这需要一点工作，”凯承认。但是如果你重新运行它几次，你会得到结果的方差和不确定性

Kay补充说，动画可以帮助人们将数据点置于上下文环境中。他说，它还可以帮助他们梳理炒作和哗众取宠的内容。他指出，这种关于美国枪击死亡事件的生动的数据叙述表明，主流媒体的标题可能会混淆视听，歪曲事实。

抽象在某种程度上是有效的。凯说:““平曲线”作为一种修辞手段是一个非常强大的想法。”这是一个精练和棘手的行动呼吁，但抽象的曲线可视化缺乏人性。他们可以混淆事实，我们正在谈论的就是这些人，凯注意到并建议用下面的点图作为替代。他说:“每一个圆点代表1万人，当我们在某一天做或不做使曲线变平的时候，他们就需要一张床。这种视觉效果可以帮助你真正理解这样一个事实，即这种情况正在真实的人身上发生。”