عموم مردم نمودارهای لگاریتمی مورد استفاده برای به تصویر کشیدن COVID-19 را درک نمی کنند

رسانه های جمعی به طور معمول اطلاعات مربوط به مرگ و میر COVID-19 را در نمودارهای لگاریتمی به تصویر می کشند. اما آیا خوانندگان آنها آنها را درک می کنند؟الساندرو رومانو ، چیارا سوتیس ، گوران دومینونی و سباستیین گیدی آزمایشی را انجام دادند که نشان می دهد آنها اینگونه نیستند. آنچه ممکن است بیشتر باشد: پاسخ دهندگان که به یک نمودار مقیاس خطی نگاه می کنند ، دارای نگرش و ترجیحات مختلف سیاست نسبت به همه گیر نسبت به نمونه هایی هستند که داده های یکسانی را در یک نمودار لگاریتمی نشان داده اند. در نتیجه ، صرفاً تغییر مقیاس ارائه داده ها می تواند ترجیحات سیاست های عمومی و سطح نگرانی را تغییر دهد ، حتی در زمانی که افراد به طور معمول در معرض اطلاعات مربوط به COVID-19 قرار می گیرند. بر اساس این یافته ها ، آنها خواستار استفاده از نمودارهای مقیاس خطی توسط رسانه ها و سازمان های دولتی هستند.

این واقعیت که قاب بندی اطلاعات می تواند به طرز چشمگیری تغییر کند که چگونه ما نسبت به آن واکنش نشان می دهیم ، به سختی خواننده این وبلاگ را شگفت زده خواهد کرد. اتفاقاً ، نمونه متعارف از اثرات قاب بندی شامل یک بیماری همه گیر است: بیماری که از بین 600 نفر 200 نفر را از بین می برد ، بدتر از مواردی است که 400 نفر در آن زنده می مانند. در حالی که این اپیدمی خیالی فقط یک آزمایش فکر بود ، یک بیماری همه گیر جهانی به نظر می رسد یک آزمایشگاه ناگوار برای اثرات قاب بندی است. در یک آزمایش اخیر ، ما نشان می دهیم که چگونه قاب بندی بر پاسخ مردم به یکی از مهمترین بلوک های ساختمانی معمای اطلاعاتی Covid-19: تعداد مرگ و میر تأثیر می گذارد. ما نشان می دهیم که نمودارهای مقیاس لگاریتمی که رسانه ها به طور معمول برای نمایش این اطلاعات از آن استفاده می کنند ، توسط مردم ضعیف درک شده و بر نگرش افراد و ترجیحات سیاست نسبت به همه گیر تأثیر می گذارد. این یافته پیامدهای مهمی دارد زیرا در طی یک بیماری همه گیر ، حتی بیشتر از حد معمول ، عموم مردم به رسانه ها بستگی دارند تا اطلاعات قابل فهم را به منظور تصمیم گیری آگاهانه در مورد رفتارهای محافظت کننده از سلامت ، منتقل کنند.

بسیاری از رسانه ها با استفاده از نمودار مقیاس لگاریتمی ، اطلاعات مربوط به تعداد موارد COVID-19 و مرگ و میر را به تصویر می کشند. در نگاه اول ، این معقول به نظر می رسد. در حقیقت ، بسیاری از آنها با نشان دادن اینکه این نمودارها چقدر بهتر هستند در انتقال اطلاعات در مورد ماهیت نمایی این بیماری ، از تصمیم خود دفاع می کنند. برای دوستداران تاریخ ، اقتصاددان محبوب ایروینگ فیشر نیز به این امر اعتقاد داشت ، و همین امر باعث شد كه وی به شدت از استفاده خود در سال 1917 دفاع كند (درست قبل از آنفولانزای اسپانیایی آنها را به طرز غم انگیزی مرتبط می كرد). فیشر در مورد این مقیاس حیرت انگیز بود: "وقتی کسی یک بار به آن عادت کرده است ، هرگز گمراه نمی شود."با این حال ، به نظر می رسد که حتی دانشمندان تخصصی نیز به آن عادت نمی کنند. جای تعجب نیست ، و نه عموم مردم.

ما یک آزمایش بین افراد را انجام دادیم تا آزمایش کنیم که آیا مردم درک بهتری از نمودارها در یک لگاریتمی یا در مقیاس خطی دارند و اینکه آیا مقیاس که در آن نمودار نشان داده می شود ، بر میزان نگرانی و ترجیحات سیاست آنها تأثیر می گذارد. نیمی از نمونه N = 2000 ما از ساکنان آمریکایی پیشرفت مرگ و میر مربوط به COVID-19 در ایالات متحده در زمان بررسی ترسیم شده در مقیاس لگاریتمی نشان داده شد. نیمه دیگر دقیقاً همان اطلاعات را دریافت کرد - این زمان در مقیاس خطی قدیمی خوب ترسیم شده است.

برخلاف خوش بینی فیشر ، ما می دانیم که گروهی که اطلاعات را در مقیاس لگاریتمی می خوانند ، سطح درک بسیار کمتری از نمودار دارند: فقط 40. 66 ٪ از آنها می توانند به درستی به یک سؤال اساسی در مورد نمودار پاسخ دهند (آیا مرگ و میر بیشتری وجود دارددر یک هفته یا دیگر) ، در تضاد با 83. 79 ٪ از پاسخ دهندگان در مقیاس خطی است. علاوه بر این ، افراد گروه لگاریتمی نیز ثابت کردند که پیش بینی های مربوط به تکامل این همه گیر را بدتر می کنند: آنها به طور متوسط 71. 250 مرگ و میر به مدت یک هفته پس از انجام آزمایش پیش بینی کردند ، در حالی که گروه خطی 63429 پیش بینی کرده است (مدل پیش بینی Arima ما55،791 نشان داد ، و تعداد واقعی مرگ و میر در آن تاریخ 54،256 بود). با این وجود ، پاسخ دهندگان در هر دو گروه سطح اطمینان مشابهی را در پاسخ های خود اعلام کردند.

علاوه بر این ، ما آزمایش کردیم که آیا مقیاس استفاده شده بر نگرش پاسخ دهندگان نسبت به همه گیر تأثیر می گذارد. به نظر می رسد که چنین می کند. اول ، ما می دانیم که با وجود پیش بینی تعداد بیشتری از مرگ و میرها ، افرادی که نمودار مقیاس لگاریتمی به آنها نشان داده می شوند ، اعلام می کنند که کمتر نگران بحران سلامتی ناشی از کرونوویروس هستند.

با این حال ، واگرایی ها در اینجا متوقف نمی شوند. مقیاس نمودار که آنها می بینند بر پاسخ های افراد در مورد ترجیحات سیاست و رفتارهای بیان شده تأثیر می گذارد. Ceteris Paribus ، پاسخ دهندگان که اطلاعات مربوط به نمودارهای مقیاس خطی را می بینند ، کمتر از سیاست بسته نگه داشتن مشاغل غیر ضروری نسبت به کسانی که به لگاریتمی نگاه می کنند ، پشتیبانی می کنند-اگرچه آنها بعداً دوباره بازگشایی آنها را دارند. در عین حال ، کسانی که نمودار خطی را می بینند ، مایل به حمایت از یک مالیات در سطح دولتی فرضی با هدف تهیه ماسک به شهروندان هستند.

توضیح احتمالی در مورد یافته های ما این است که مقیاس خطی باعث ایجاد یک بیماری همه گیر در حال رشد و بدون هیچ گونه نشانه ای از بهبود می شود. در عین حال ، منحنی در مقیاس لگاریتمی مسطح تر و اطمینان بخش به نظر می رسد. با این حال ، این مقدار نقطه پایانی بالاتری در محور y دارد ، که ممکن است هنگام ارزیابی تکامل کوتاه مدت این همه گیر به عنوان لنگر عمل کند. بنابراین ، در حالی که گروه لگاریتمی به دلیل لنگر بالاتر ، مرگ و میر بیشتری را در کوتاه مدت پیش بینی می کند ، گروه خطی انتظار دارد که این بحران بیشتر طول بکشد. در نتیجه ، گروه خطی بیشتر نگران بحران سلامتی است ، در حالی که پیش بینی می کند که ماسک های کمتری برای استفاده از آنها بپوشید.

مسلماً ، ما نمی توانیم بدانیم که ترجیحات سیاست برتر است. با این حال ، ما می دانیم که بر خلاف افرادی که نمودار را در مقیاس لگاریتمی دیدند ، افرادی که در معرض نمودار مقیاس خطی قرار دارند می توانند ترجیحات خود را بر اساس اطلاعاتی که می توانند بهتر درک کنند ، تشکیل دهند. این یک دلیل به اندازه کافی قوی است که نشان می دهد رسانه های جمعی و سیاست گذاران همیشه باید تکامل همه گیر را با استفاده از نمودار در مقیاس خطی توصیف کنند ، یا حداقل آنها باید هر دو مقیاس را نشان دهند. از این گذشته ، اگر ما می خواهیم مردم دست خود را بشویید و شش پا را از یکدیگر نگه دارند ، آنها بهتر می فهمند که چه اتفاقی می افتد.

این پست نشانگر نظرات نویسندگان است و نه از وبلاگ Covid-19 یا LSE. پیش نمایش آزمایش را می توان در اینجا یافت ، و نویسنده مربوطه را می توان در alessandro. romano@yale. edu به دست آورد.