“是的，这张图表没有显示这一点”：对在线参与误导性数据可视化分析

文献标题

“Yeah, this graph doesn’t show that”: Analysis of Online Engagement with Misleading Data Visualizations

文献信息

• 主题领域: 数据可视化与错误信息分析
• 关键词: 数据可视化，社交媒体，错误信息，COVID-19，用户交互，事实核查，科学共识，信任构建

研究背景与问题

• 发现的问题或挑战:
  • 数据可视化支持的错误信息在社交媒体上的传播现象尚未被深入探讨，尤其是用户如何回应和识别这类信息。
  • 虽然大量研究已经涉及文本错误信息的传播与修正，关于数据可视化支持的错误信息如何被传播及应对的研究仍然存在空白。
• 问题的重要性:
  • 数据可视化越来越多地被用作支持错误主张的工具，这可能误导公众并造成社会危害。
  • 错误信息导致对科学共识的质疑，并进一步引发关于疫苗安全性、气候变化等问题的不信任。
• 研究动机与相关工作:
  • 作者提出数据驱动的错误信息是一种独特的虚假信息形式，其相比文本更具视觉吸引力和说服力。
  • 先前关于数据误导的研究主要集中在设计技巧或逻辑谬误上，但较少探讨受众如何互动或纠正这些错误信息。

解决方案

• 提出的解决方案:
  • 作者开展了两项研究，结合定量与定性方法，分析公众对社交媒体上COVID-19相关的数据可视化的错误信息的反应。
• 创新之处:
  • 首次定量分析错误数据可视化对社交媒体参与量和持续时间的影响。
  • 提出通过群体智慧揭露数据驱动错误信息的新思路，即利用评论中的多样化观点推动“群体学术评审”。
• 实施步骤与关键技术:
  1. 研究1: 分析误导性数据可视化是否影响受众的参与数量和持续时间，通过包括负二项回归模型在内的统计工具评估社交媒体互动数据。
  2. 研究2: 对平台用户回复中揭示错误信息的行为进行主题分析，建立用于描述和概念化回复内容的代码模板。

研究成果

• 具体成果:
  1. 提供数据洞见的帖子无论其内容是否准确，都会获得更多的分享（平均多60%）、更多的转发（增加147%）和更多的点赞（增加129%）。
  2. 含有推理错误的帖子的评论量提高了60%，但对扩散广度（转发和点赞）的影响有限。
  3. 用户评论可以识别和讨论数据驱动洞见中的统计谬误和关键细节，但单一用户评论难以完整反驳原帖观点。
  4. 群体讨论提供了多角度的质疑，形成整体性评论并弱化原帖洞见的误导性。
• 相较现有解决方案的优势:
  • 强调用户群体在对抗数据驱动错误信息中的潜力，通过综合个体评论形成“群体共识”。
  • 深入探讨数据驱动错误信息与其他形式虚假信息间的差异，为设计针对错信息的干预措施提供详尽启示。
• 实验或评估结果:
  • 定量分析显示数据洞见的存在提高了帖子的参与度和讨论持续时间。
  • 定性分析揭示了用户如何通过评论指出数据解释的不准确性，并试图建议更好的数据处理方法。
• 局限性与未来方向:
  1. 本研究仅使用Twitter数据，结果受平台特性局限；需扩展至其他社交媒体平台进行验证。
  2. 数据仅聚焦于COVID-19相关内容，未来可拓展至气候变化或疫苗犹豫等其他重要领域。
  3. 需要探索平台如何促进群体参与以形成更大、更多样化的讨论。

总结与启示

• 数据驱动的错误信息是一种独特的虚假信息形式，因其复杂性而难以被传统事实核查方式完全修正。
• 平台应支持多角度的“群体审查”机制，综合用户输入以形成环绕科学共识的元评审。
• 未来研究应继续探索不同平台的功能如何塑造数据驱动讨论，优化用户参与与科学信息传播的方式。