Teknologi prototipe menyusut AI untuk menghadirkan fungsionalitas seperti otak dalam satu perangkat yang kuat - ScienceDaily
Society

Analisis menemukan kesalahan umum dalam berbagi informasi pandemi di media sosial – ScienceDaily


Pusaran berbagi informasi terkait virus Corona yang terjadi tahun ini di media sosial adalah subjek analisis baru yang dipimpin oleh para peneliti di Sekolah Informatika dan Komputer di IUPUI.

Diterbitkan di jurnal akses terbuka Informatika, studi ini berfokus pada berbagi visualisasi data di Twitter – oleh para ahli kesehatan dan warga negara rata-rata – selama perjuangan awal untuk memahami ruang lingkup pandemi COVID-19, dan pengaruhnya terhadap masyarakat. Banyak pengguna media sosial terus menemukan bagan dan grafik serupa setiap hari, terutama karena gelombang baru kasus virus corona mulai melonjak di seluruh dunia.

Pekerjaan menemukan bahwa lebih dari setengah visualisasi yang dianalisis dari rata-rata pengguna berisi satu dari lima kesalahan umum yang mengurangi kejelasan, akurasi, atau kepercayaan mereka.

“Para ahli belum mulai menjelajahi dunia visualisasi kasual di Twitter,” kata Francesco Cafaro, asisten profesor di Sekolah Informatika dan Komputer, yang memimpin penelitian tersebut. “Mempelajari cara-cara baru orang berbagi informasi secara online untuk memahami pandemi dan pengaruhnya terhadap kehidupan mereka merupakan langkah penting dalam menjelajahi perairan yang belum dipetakan ini.”

Visualisasi data kasual mengacu pada bagan dan grafik yang mengandalkan alat yang tersedia untuk pengguna rata-rata untuk menggambarkan informasi secara visual dengan cara yang bermakna secara pribadi. Visualisasi ini berbeda dari visualisasi data tradisional karena tidak dibuat atau didistribusikan oleh “penjaga gerbang” informasi kesehatan tradisional, seperti Pusat Pengendalian dan Pencegahan Penyakit atau Organisasi Kesehatan Dunia, atau oleh media.

“Kenyataannya adalah bahwa orang bergantung pada visualisasi ini untuk membuat keputusan besar tentang hidup mereka: apakah aman atau tidak untuk mengirim anak-anak mereka kembali ke sekolah, apakah aman untuk berlibur atau tidak, dan ke mana harus pergi,” kata Cafaro. “Mengingat pengaruh mereka, kami merasa penting untuk memahami lebih banyak tentang mereka, dan untuk mengidentifikasi masalah umum yang dapat menyebabkan orang yang membuat atau melihatnya salah menafsirkan data, seringkali secara tidak sengaja.”

Untuk penelitian ini, peneliti IU merayapi Twitter untuk mengidentifikasi 5.409 visualisasi data yang dibagikan di jejaring sosial antara 14 April dan 9 Mei 2020. Dari jumlah tersebut, 540 dipilih secara acak untuk analisis – dengan analisis statistik lengkap yang disediakan untuk 435 visualisasi berdasarkan kriteria tambahan. . Dari jumlah tersebut, 112 dibuat oleh warga biasa.

Secara umum, Cafaro mengatakan studi tersebut mengidentifikasi lima jebakan yang umum terjadi pada visualisasi data yang dianalisis. Selain mengidentifikasi masalah tersebut, penulis penelitian menyarankan langkah-langkah untuk mengatasi atau mengurangi dampak negatifnya:

  • Ketidakpercayaan: Lebih dari 25 persen postingan yang dianalisis gagal mengidentifikasi sumber datanya dengan jelas, sehingga menebarkan ketidakpercayaan pada keakuratannya. Informasi ini sering kali dikaburkan karena desain yang buruk – seperti pilihan warna yang buruk, tata letak yang sibuk, atau kesalahan ketik – bukan penyamaran yang disengaja. Untuk mengatasi masalah ini, penulis studi menyarankan untuk memberi label dengan jelas pada sumber data serta menempatkan informasi ini pada grafik itu sendiri daripada teks yang menyertainya, karena gambar sering kali tidak dipasangkan dari pos aslinya selama sosial berbagi.
  • Penalaran proporsional: Sebelas persen postingan menunjukkan masalah yang berkaitan dengan penalaran proporsional, yang mengacu pada kemampuan pengguna untuk membandingkan variabel berdasarkan rasio atau pecahan. Memahami tingkat infeksi di lokasi geografis yang berbeda merupakan tantangan penalaran proporsional, misalnya, karena jumlah infeksi yang sama dapat menunjukkan tingkat keparahan yang berbeda di rangkaian populasi rendah versus tinggi. Untuk mengatasi tantangan ini, penulis studi menyarankan penggunaan label seperti jumlah infeksi per 1.000 orang untuk membandingkan wilayah dengan populasi yang berbeda, karena metrik ini lebih mudah dipahami daripada angka atau persentase absolut.
  • Penalaran temporal: Para peneliti mengidentifikasi 7 persen postingan dengan masalah terkait penalaran temporal, yang mengacu pada kemampuan pengguna untuk memahami perubahan dari waktu ke waktu. Ini termasuk visualisasi yang membandingkan jumlah kematian akibat flu dalam setahun penuh dengan jumlah kematian akibat COVID-19 dalam beberapa bulan, atau visualisasi yang gagal memperhitungkan penundaan antara tanggal infeksi dan kematian. Rekomendasi untuk mengatasi masalah ini termasuk metrik pemutusan yang bergantung pada skala waktu yang berbeda dalam bagan terpisah, sebagai lawan untuk menyampaikan data dalam satu bagan.
  • Bias kognitif: Sebagian kecil postingan (0,5 persen) berisi teks yang tampaknya mendorong pengguna untuk salah menafsirkan data berdasarkan “bias terkait ras, negara, dan imigrasi” dari pembuat konten. Para peneliti menyatakan bahwa informasi harus disajikan dengan deskripsi yang jelas dan obyektif yang dipisahkan dengan hati-hati dari komentar politik yang menyertainya.
  • Kesalahpahaman tentang virus: Dua persen visualisasi didasarkan pada kesalahpahaman tentang novel coronavirus, seperti penggunaan data yang terkait dengan SARS atau influenza.

Studi tersebut juga menemukan beberapa jenis visualisasi data yang dilakukan paling kuat di media sosial. Visualisasi data yang menunjukkan perubahan dari waktu ke waktu, seperti grafik garis atau batang, paling sering dibagikan. Mereka juga menemukan bahwa pengguna lebih sering terlibat dengan bagan yang menunjukkan jumlah kematian dibandingkan dengan jumlah infeksi atau dampak pada perekonomian, menunjukkan bahwa orang lebih tertarik pada kematian akibat virus daripada kesehatan negatif atau efek sosial lainnya.

“Tantangan menyampaikan informasi secara akurat secara visual tidak hanya terbatas pada berbagi informasi di Twitter, tetapi kami merasa komunikasi ini harus dipertimbangkan secara cermat mengingat pengaruh media sosial terhadap pengambilan keputusan masyarakat,” kata Cafaro. “Kami yakin temuan kami dapat membantu lembaga pemerintah, media berita, dan rata-rata orang lebih memahami jenis informasi yang paling dipedulikan orang, serta tantangan yang mungkin dihadapi orang saat menafsirkan informasi visual terkait pandemi.”

Penulis terkemuka tambahan dalam penelitian ini adalah Milka Trajkova, A’aeshah Alhakamy, Sanika Vedak, Rashmi Mallappa dan Sreekanth R. Kankara, asisten peneliti di Sekolah Informatika dan Komputer di IUPUI pada saat penelitian. Alhakamy saat ini menjadi dosen di Universitas Universitas Tabuk di Arab Saudi.

Sumber Cerita:

Materi disediakan oleh Universitas Indiana. Catatan: Konten dapat diedit untuk gaya dan panjangnya.

Dipersembahkan Oleh : Lapak Judi

Baca Juga : Pengeluaran HK