به آنها اجازه دهید مقیاس ورود به سیستم

این پست ممکن است به نظر برسد که با تأخیر شش ماهه است ، اما در واقع اینگونه نیست! الکسی گزی در مورد مطالعه ای که توسط برخی از محققان در LSE و Yale در اوایل تاریخ همه گیر انجام شده است ، پیوندی را به این پست وبلاگ ارسال می کند. آنها به طور تصادفی 2000 بزرگسال آمریکایی را به صورت آنلاین به یکی از دو نمودار زیر استخدام کردند و سپس از آنها سؤال کردند که تعداد موارد جدید را برای چند هفته مختلف تخمین زده اند ، موارد آینده را پیش بینی کرده و نگرش خود را در مورد سیاست های مختلف مانند بسته شدن فروشگاه ها گزارش می دهند. یا ماسک های توزیعتا آنجا که من می توانم بگویم که آنها به شرکت کنندگان دستورالعمل نحوه خواندن نمودارها را نداده اند ، غیر از متن تحت عنوان که نشان می دهد یک مقیاس خطی و یک ورود به سیستم است. نمودارها از www. worldometers.info گرفته شد

نویسندگان می نویسند:

ما نشان می دهیم که این مقیاس عواقب مهمی در نحوه درک و واکنش مردم نسبت به اطلاعات منتقل شده دارد. به طور خاص ، ما می یابیم که وقتی افراد در معرض مقیاس لگاریتمی قرار می گیرند ، درک دقیق کمتری از چگونگی آشکار شدن همه گیر تا کنون ، پیش بینی های دقیق کمتری در مورد آینده خود دارند و ترجیحات سیاست های متفاوتی نسبت به زمانی که در معرض مقیاس خطی قرار دارند ، دارندبشراین نتیجه با شواهد موجود سازگار است که حتی دانشمندان در درک اطلاعات منتقل شده در نمودارهای مقیاس لگاریتمی مشکل دارند [32]. از آنجا که کاهش اطلاعات غلط می تواند به بهبود پاسخ به COVID-19 [45] کمک کند ، رسانه های جمعی و سیاست گذاران باید داده هایی را در مورد تکامل همه گیر با استفاده از نمودار در مقیاس خطی ارائه دهند ، یا حداقل آنها باید هر دو مقیاس را نشان دهند.

همانطور که در پست وبلاگ شرح می دهند ، فقط نیمی از شرکت کنندگان می توانند نمودار ورود به سیستم را به درستی بخوانند تا بگویند کدام یک از چند هفته شاهد مرگ بیشتر بوده است (~40 ٪ در مقایسه با~80 ٪). این یک تفاوت بزرگ است ، هرچند که به ویژه تعجب آور نیست با توجه به اینکه مقیاس ورود به سیستم برای سری زمانی در مورد مقایسه نرخ رشد آسانتر است ، نه تعداد مطلق.

تا حدودی برخلاف برخی از مخالفت ها در استفاده از مقیاس های ورود به سیستم برای نمودارهای کووید، شرکت کنندگان در مقیاس ثبتی بیش از مرگ های تخمینی در هفته بعد حدود 10 هزار بیشتر از گروه مقیاس خطی تخمین زدند. آنها همچنین نتایج عجیب و غریبی را گزارش می کنند که برای مثال، افرادی که نمودارهای خطی را می دیدند، کمتر از بسته شدن مشاغل حمایت می کنند و کمتر از ماسک استفاده می کردند. من واقعاً نمی توانستم حدس و گمان نویسندگان درباره دلیل این امر را درک کنم. اما هر دوی این نتایج نشان می دهند که این کار به این سادگی نیست که مقیاس های آماری باعث می شود مردم شدت همه گیری را دست کم بگیرند.

مقیاس خطی در مقابل گزارش برای سؤال پیامدهای کووید چیزی است که اغلب در اوایل همه گیری درباره آن سؤال می شد. من واقعاً با نویسندگان اینجا موافق نیستم که باید از مقیاس های ورود به سیستم اجتناب شود. برای یکی، آنها فقط یک کشور را در نمودارها نشان دادند، اما بسیاری از تجسم های کووید که مردم در اوایل به آنها نگاه می کردند، چندین سری زمانی را برای کشورها یا ایالت های مختلف نشان دادند. به نظر می رسد بحث در مورد نامناسب بودن مقیاس های گزارش به این بستگی دارد که آیا شما معتقدید باید نقشی را که تجسم ها می توانند در بحران هایی مانند اینها ایفا کنند در انتقال استعاره یا خلاصه یک موقعیت، که اغلب بنا به تعریف نادقیق است، بر نقشی که در آن ایفا می کنند، اولویت دهیم. به ما کمک می کند تا مقایسه های دقیق تری انجام دهیم که به روش هایی که متن یا جدول ها نیز نمی توانند انجام دهند، به موقعیت ما مرتبط است. مقایسه شیب تند دو شیب از قبل تند در یک طرح مقیاس بندی غیرلگی دشوار است. مقیاس های ورود به سیستم برای مشاهده تفاوت ها در نرخ ها بهتر است، به عنوان مثال، کدام یک از چندین کشور کار بهتری برای مهار نرخ رشد خود انجام می دهند. نیویورک تایمز در مارس 2020 مقاله خوبی در دفاع از مقیاس های ورود به سیستم داشت، و نمودارهای مقیاس بندی گزارش فایننشال تایمز، که بسیاری از غربی ها در یک جمعیت شناسی خاص در طول همه گیری همه گیر به آن اعتماد کرده اند، از مقیاس های ورود به سیستم همراه با نکات خوب دیگری مانند تبدیل x استفاده کردند.-محور روزها از 10 مرگ برای در نظر گرفتن نقاط مختلف ورود ویروس به کشورهای مختلف، و خطوط مرجع برای تقسیم چیزها به مناطق تا بینندگان بتوانند راحت تر ببینند که کشورها از دو برابر شدن موارد یک تا دو روزه به هر دو روز رسیده اند. تا سه روز و غیره

مقیاس های ورود به سیستم نیز دیروز در کلاس من تدریس می کنم. ما در مورد "مقیاس بندی بزرگی ظاهری" صحبت می کردیم که ایده ای از نقشه برداری است که از آنجا که روانپزشکی نشان داده است که بین شدت درک شده از یک محرک و شدت واقعی آن رابطه قدرت وجود دارد ، و این می تواند به صورت تجربی (نماینده استیونز) تخمین زده شود. آن کانال رمزگذاری (اندازه ، سبکی و غیره) ، پس از آن منطقی است که ویژگی های ترسیم شده علائم را در یک تجسم تنظیم کنید تا قضاوت های نسبی بین علائم با دقت درک شود. این ایده هرگز به دلایل بارز مورد توجه قرار نگرفته است - اگر برخی از تجسم ها این کار را انجام دهند اما برخی دیگر این کار را نمی کنند ، چگونه می توانیم بدانیم که چه زمانی تنظیم شده است ، و این بدان معنی است که ما باید همیشه تکیه کنیم. یکی از دانش آموزان استدلال کرد که مقیاس بندی بزرگی در همان کلاس است که مقیاس ورود به سیستم در آن است که شما آنچه را که مردم می بینند تحریف می کنید. اما فکر نمی کنم این یک مقایسه عادلانه باشد. مقیاس بندی بزرگ ظاهری من را بیشتر شبیه به عصا می کند که به مردم می دهید تا با سیستم ادراکی کمبود خود مقابله کنند ، که این یک ایده خوب در تئوری است اما تحقق آن دشوار است. در حالی که مقیاس ورود به سیستم بیشتر شبیه یک ابرقدرت است تا به آنها در مقایسه برخی از مقایسه ها کمک کند.

بنابراین ، بله ، به آنها اجازه دهید از مقیاس ورود به سیستم استفاده کنند ، با مسئولیت پذیری.

سرانجام من نیز کمی تردید دارم که دیدن نمودارهای مقیاس پذیر بیشتر ، نگرش های سیاست افراد را به روش های قابل توجهی از روشی که این مقاله ارائه می دهد شکل می دهد. قبلاً در مورد چگونگی تصمیمات مردم در مورد چگونگی پاسخگویی به همه گیر توسط عواملی مانند جایی که زندگی می کنند یا وابستگی سیاسی آنها چیست ، گفته شده است. مدتی که در مورد تجسم CDC به همراه جان برن مردوچ صحبت کردم ، که احتمالاً بیشترین تصمیم را برای تصمیم خود برای استفاده از مقیاس های ورود به سیستم در گرافیک های Covid Financial Times دریافت کرده است. در یک لحظه ، او گفت چیزی در امتداد "مردم ترجیح می دهند داده هایی را که با روایت Covid مورد نظر خود در تضاد است" در پاسخ به سؤالی در مورد داده های بستری ، که با من طنین انداز بود ، مطابقت داشته باشد ، زیرا این امر با نوع مقاومت انتخابی در برابر داده های حاکی از آن مطابقت دارداوضاع بهتر می شد (یا بدتر) که من در اوایل در این بیماری ، حتی در افراد تحصیل کرده ، در اطرافم متوجه شدم. به عنوان مثال ، این ایده که مقیاس های ورود به سیستم می توانند به طور چشمگیری از اقدامات پیشنهادی این نیروهای دیگر را نادیده بگیرند ، به این نکته اشاره نمی کنند که به خوبی از این مقاله پشتیبانی نمی شود ، همانطور که برخی از نتیجه گیری ها دلالت دارد.