پزشکی پیشگیری تغذیه خواص گیاهان دسته‌بندی نشده روان شناختی زیبایی ورزش

پنج اشتباه که مردم هنگام اشتراک گذاری تجسم داده های COVID-19 در توییتر مرتکب می شوند

5 اشتباهی که مردم هنگام اشتراک گذاری تجسم داده های COVID-19 در توییتر مرتکب می شوند

بیش از 25 درصد تجسم داده های مربوط به ویروس کرونا که در توییتر تجزیه و تحلیل شده است ، نتوانسته است به طور واضح منابع اطلاعاتی خود را ذکر کند و باعث کاهش قابلیت اطمینان شود. اعتبار: Francesco Cafaro ، دانشگاه ایندیانا

طغیان ناگهانی به اشتراک گذاری اطلاعات مربوط به ویروس کرونا که در سال جاری در شبکه های اجتماعی انجام شد ، موضوع تحلیل جدیدی است که توسط محققان دانشکده انفورماتیک و محاسبات در IUPUI انجام شده است.

منتشر شده در مجله دسترسی آزاد انفورماتیک، این مطالعه به اشتراک گذاری تجسم داده ها در توییتر – توسط متخصصان بهداشت و شهروندان عادی به طور یکسان – در طول مبارزه اولیه برای درک دامنه همه گیر COVID-19 و تأثیرات آن بر جامعه متمرکز است. بسیاری از کاربران شبکه های اجتماعی همچنان هر روز با نمودارها و نمودارهای مشابهی روبرو می شوند ، به خصوص که موج جدیدی از ویروس های کرونا در سراسر جهان شروع به افزایش کرده است.

این کار نشان داد که بیش از نیمی از تجسم تجزیه و تحلیل شده از کاربران عادی حاوی یکی از پنج خطای رایج است که وضوح ، دقت یا قابلیت اطمینان آنها را کاهش می دهد.

فرانچسکو کافارو ، استادیار دانشکده انفورماتیک و محاسبات ، که رهبری این مطالعه را برعهده داشت ، گفت: “متخصصان هنوز شروع به کشف دنیای تجسم های گاه به گاه در توییتر نکرده اند.” وی افزود: “مطالعه روش های جدیدی كه مردم برای اطلاع رسانی آنلاین برای فهم همه گیر و تأثیر آن بر زندگی خود به اشتراك می گذارند ، گام مهمی در پیمایش این آبهای ثبت نشده است.”

تجسم داده های گاه به گاه به نمودارها و نمودارهایی گفته می شود که به ابزارهای موجود برای کاربران عادی متکی هستند تا اطلاعات را به روشی معنادار شخصی ترسیم کنند. این تجسم ها با تجسم داده های سنتی متفاوت است زیرا توسط “دروازه بان” های سنتی اطلاعات سلامت ، مانند مراکز کنترل و پیشگیری از بیماری ها یا سازمان بهداشت جهانی ، یا توسط رسانه ها تولید یا توزیع نمی شوند.

کافارو گفت: “واقعیت این است که افراد برای تصمیم گیری اساسی در مورد زندگی خود به این تجسمات وابسته هستند: آیا پس گرفتن بچه هایشان به مدرسه ایمن است یا نه ، آیا تعطیلات امن است یا نه و کجا برویم.” “با توجه به نفوذ آنها ، ما احساس کردیم مهم است که بیشتر در مورد آنها درک کنیم ، و مسائل مشترکی را شناسایی کنیم که باعث می شود افراد به طور ناخواسته داده ها را تفسیر کنند یا آنها را مشاهده کنند

برای این مطالعه ، محققان IU با استفاده از توییتر 5409 تجسم داده را که بین 14 آوریل تا 9 مه سال 2020 در شبکه اجتماعی به اشتراک گذاشته شده بود شناسایی کردند. از این تعداد ، 540 نفر به طور تصادفی برای تجزیه و تحلیل انتخاب شدند – با تجزیه و تحلیل آماری کامل که برای 435 تجسم براساس معیارهای اضافی محفوظ است. از این تعداد 112 نفر توسط شهروندان متوسط ​​ساخته شده اند.

به طور گسترده ، کافرو گفت که این مطالعه پنج دام مشترک در تجسم داده های تجزیه و تحلیل شده را شناسایی کرده است. علاوه بر شناسایی این مشکلات ، نویسندگان این تحقیق گامهایی را برای غلبه بر یا کاهش تأثیر منفی آنها پیشنهاد می کنند:

  • بی اعتمادی: بیش از 25 درصد از پست های مورد تجزیه و تحلیل نتوانسته اند منبع داده های خود را به روشنی شناسایی کنند و بی اعتمادی به صحت را ایجاد کنند. این اطلاعات غالباً به دلیل طراحی ضعیف – از قبیل انتخاب بد رنگ ، چیدمان شلوغ یا اشتباه تایپی – و نه گرفتگی عمدی پنهان می ماند. برای غلبه بر این مسائل ، نویسندگان این تحقیق پیشنهاد می کنند که به طور واضح برچسب گذاری منابع داده ها و همچنین قرار دادن این اطلاعات روی خود گرافیک به جای متن همراه باشد ، زیرا تصاویر هنگام اشتراک اجتماعی اغلب از پست اصلی آنها جفت نمی شوند.
  • استدلال متناسب: یازده درصد از پست ها مسائل مربوط به استدلال متناسب را به نمایش می گذارند ، که به توانایی کاربران در مقایسه متغیرها بر اساس نسبت یا کسر اشاره دارد. برای مثال ، درک میزان عفونت در مکان های مختلف جغرافیایی یک چالش استدلال متناسب است ، زیرا تعداد مشابهی از عفونت ها می توانند سطح مختلفی از شدت را در محیط های کم جمعیت در مقایسه با جمعیت بالا نشان دهند. برای غلبه بر این چالش ، نویسندگان این مطالعه پیشنهاد می دهند از برچسب هایی مانند تعداد عفونت در هر 1000 نفر برای مقایسه مناطق با جمعیت متفاوت استفاده کنید ، زیرا درک این معیار از تعداد یا درصد مطلق آسان تر است.
  • استدلال زمانی: محققان 7 درصد از پست ها را با موضوعات مربوط به استدلال زمانی شناسایی کردند ، که به توانایی کاربران در درک تغییرات با گذشت زمان اشاره دارد. این موارد شامل تجسماتی بود که تعداد مرگ و میر ناشی از آنفلوانزا در یک سال کامل را با تعداد مرگ ناشی از COVID-19 در چند ماه مقایسه کرد ، یا تجسماتی که تاخیر بین تاریخ آلودگی و مرگ را به حساب نمی آورد. توصیه هایی برای پرداختن به این مسائل شامل شکستن معیارهایی بود که در نمودارهای جداگانه به مقیاس های زمانی مختلف بستگی دارد ، در مقابل انتقال داده ها در یک نمودار واحد.
  • تعصب شناختی: درصد کمی از پست ها (0/5 درصد) حاوی متنی بود که به نظر می رسید کاربران را به سو تعبیر تفسیر داده ها بر اساس “سوگیری های مربوط به نژاد ، کشور و مهاجرت” سازنده ترغیب می کند. محققان اظهار داشتند كه اطلاعات باید با توصیفات عینی و روشن ارائه شود كه به دقت از هرگونه تفسیر سیاسی همراه جدا شده باشد.
  • سو Mis تفاهم در مورد ویروس: دو درصد تجسمات ناشی از سوerstand تفاهم در مورد ویروس کرونا بود ، مانند استفاده از داده های مربوط به SARS یا آنفلوانزا.

این مطالعه همچنین نشان داد که انواع خاصی از تجسم داده ها با شدت بیشتری در شبکه های اجتماعی انجام می شود. تجسم داده هایی که با گذشت زمان تغییراتی نشان می دهند ، مانند نمودارهای خط یا میله ، معمولاً به اشتراک گذاشته می شوند. آنها همچنین دریافتند که کاربران بیشتر با نمودارهای انتقال تعداد مرگ و میر در مقایسه با تعداد عفونت یا تأثیر بر اقتصاد درگیر می شوند ، این نشان می دهد که مردم بیش از سایر تأثیرات منفی آن بر سلامتی یا اجتماعی به کشنده بودن ویروس علاقه مند هستند.


اکنون همه آماری هستند. آنچه که کارشناسان COVID صندلی اشتباه می کنند در اینجا است


اطلاعات بیشتر:
Milka Trajkova و دیگران ، کاوش تجسم تصویری داده های COVID-19 در توییتر: موضوعات و چالش ها ، انفورماتیک (2020) DOI: 10.3390 / informatics7030035

تهیه شده توسط دانشگاه ایندیانا


استناد: پنج اشتباهی که مردم هنگام اشتراک گذاری تجسم داده های COVID-19 در توییتر مرتکب می شوند (2020 ، 10 نوامبر) در تاریخ 10 نوامبر 2020 از https://medicalxpress.com/news/2020-11-people-covid-visualizations-twitter.html بازیابی شده است

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. جدا از هرگونه معامله عادلانه با هدف مطالعه خصوصی یا تحقیق ، هیچ بخشی بدون اجازه کتبی قابل تولید نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.