Depuis le début de la pandémie de COVID-19, les tableaux et les graphiques ont aidé à communiquer des informations sur les taux d'infection, des morts, et vaccins. Dans certains cas, de telles visualisations peuvent encourager des comportements qui réduisent la transmission du virus, comme porter un masque. En effet, la pandémie a été saluée comme le moment décisif pour la visualisation des données.

Mais de nouvelles découvertes suggèrent une image plus complexe. Une étude du MIT montre comment les sceptiques du coronavirus ont organisé des visualisations de données en ligne pour s'opposer à l'orthodoxie de la santé publique sur les avantages des mandats de masque. De telles "contre-visualisations" sont souvent assez sophistiquées, en utilisant des ensembles de données provenant de sources officielles et des méthodes de visualisation de pointe.

Les chercheurs ont passé au peigne fin des centaines de milliers de publications sur les réseaux sociaux et ont découvert que les sceptiques du coronavirus déploient souvent des contre-visualisations aux côtés de la même rhétorique de « suivre les données » que les experts en santé publique, pourtant, les sceptiques plaident pour des politiques radicalement différentes. Les chercheurs concluent que les visualisations de données ne sont pas suffisantes pour transmettre l'urgence de la pandémie de COVID-19, parce que même les graphiques les plus clairs peuvent être interprétés à travers une variété de systèmes de croyances.

"Beaucoup de gens pensent que des mesures comme les taux d'infection sont objectives, " dit Crystal Lee. " Mais ils ne le sont clairement pas, sur la base du débat qu'il y a sur la façon de penser à la pandémie. C'est pourquoi nous disons que les visualisations de données sont devenues un champ de bataille."

La recherche sera présentée à la conférence de l'ACM sur les facteurs humains dans les systèmes informatiques en mai. Lee est l'auteur principal de l'étude et un doctorat. étudiant en histoire du MIT, Anthropologie, Science, La technologie, and Society (HASTS) et le Laboratoire d'informatique et d'intelligence artificielle (CSAIL) du MIT, ainsi que membre du Berkman Klein Center for Internet and Society de l'Université Harvard. Les co-auteurs incluent Graham Jones, une boursière Margaret MacVicar en anthropologie; Arvind Satyanarayan, le professeur adjoint en développement de carrière NBX au Département de génie électrique et d'informatique et CSAIL; Tanya Yang, un premier cycle du MIT ; et Gabrielle Inchoco, un premier cycle du Wellesley College.

Alors que les visualisations de données ont pris de l'importance au début de la pandémie, Lee et ses collègues ont cherché à comprendre comment ils étaient déployés dans l'univers des médias sociaux. "Une hypothèse initiale était que si nous avions plus de visualisations de données, à partir de données collectées de manière systématique, alors les gens seraient mieux informés, " dit Lee. Pour tester cette hypothèse, son équipe a mélangé des techniques informatiques avec des méthodes ethnographiques innovantes.

Ils ont utilisé leur approche informatique sur Twitter, grattant près d'un demi-million de tweets faisant référence à la fois à « COVID-19 » et à « données ». Avec ces tweets, les chercheurs ont généré un graphe de réseau pour savoir « qui retweete qui et qui aime qui, " dit Lee. " Nous avons essentiellement créé un réseau de communautés qui interagissent les unes avec les autres. " Les clusters comprenaient des groupes comme la " communauté médiatique américaine " ou les " antimasques ". Les chercheurs ont découvert que les groupes antimasques créaient et partageaient des visualisations de données autant que , sinon plus que, autres groupes.

Et ces visualisations n'étaient pas bâclées. "Ils sont pratiquement impossibles à distinguer de ceux partagés par les sources traditionnelles, ", dit Satyanarayan. "Ils sont souvent aussi raffinés que les graphiques que vous vous attendez à rencontrer dans le journalisme de données ou les tableaux de bord de santé publique."

"C'est une découverte très frappante, " dit Lee. " Cela montre que caractériser les groupes antimasques comme analphabètes des données ou ne s'engageant pas avec les données, est empiriquement faux."

Lee dit que cette approche informatique leur a donné une vue large des visualisations de données COVID-19. "Ce qui est vraiment excitant dans ce travail quantitatif, c'est que nous effectuons cette analyse à une échelle énorme. Je n'aurais jamais pu lire un demi-million de tweets."

Mais l'analyse de Twitter avait une lacune. "I think it misses a lot of the granularity of the conversations that people are having, " says Lee. "You can't necessarily follow a single thread of conversation as it unfolds." For that, the researchers turned to a more traditional anthropology research method—with an internet-age twist.

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. Plutôt, 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 réponse, 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, Doctorat CSAIL 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."

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.