"Este gráfico está mentindo para você!" — Uma introdução à alfabetização de dados

[0:01] Tudo bem. E vocês podem ver os slides agora? Sim, eu posso. Certo. Excelente. Então, bem-vindos a este workshop, uma introdução ao letramento de dados. E só para me apresentar. Meu nome é Russel Peterson, sou Bibliotecário de Serviços de Instrução e Pesquisa. Trabalho principalmente com o departamento de línguas modernas e o Centro Capstone para o Sucesso do Estudante. Mas também tenho interesses de pesquisa em desinformação, pensamento conspiratório e cultivo de habilidades de pensamento crítico, especialmente no que se refere a como os dados são apresentados, tanto em fontes acadêmicas quanto nas informações com as quais interagimos todos os dias, como nas redes sociais ou em outros espaços de mídia mais tradicionais. E essas também são minhas informações de contato se alguém quiser falar comigo após esta apresentação. Alguns objetivos para a sessão de hoje: quero que cada participante que esteja. Participando agora, ou assistindo depois, entenda

[1:10] o que são dados e como são usados para fins retóricos, comerciais e políticos, identificando os erros e discrepâncias e como os dados são representados, além de ser capaz de se envolver com visualizações de dados em múltiplos contextos com um grau saudável de ceticismo, não vendo cada visualização como algo inerentemente suspeito, mas exercendo um grau saudável, para saber quando é o momento apropriado de dizer vamos realmente questionar, tipo, como os dados foram coletados, como estão sendo representados. E que tipo de narrativa ou argumentos estão sendo construídos aqui.

[1:53] E então, por último, ser capaz de comunicar. Interpretações de dados com seus colegas ou com qualquer outra pessoa com quem você interage diariamente quando você se depara, seja com uma visualização de dados ou algum outro tipo de representação de dados. E então vamos primeiro falar sobre o que são dados e como são usados para propósitos cotidianos. Ao defini-lo. Primeiro, posso dizer que os dados são informações, seja de forma quantitativa ou qualitativa, e muitas vezes são coletados para um propósito específico, então isso pode ser dados coletados de uma pesquisa, e ela está tentando avaliar, por exemplo, quantas pessoas estão usando um determinado produto comercial, digamos como uma marca de maquiagem ou.

[2:47] Vejamos, como uma certa tecnologia como o iPhone, ou qualquer outro tipo de tecnologia assim, então pode ser para um propósito comercial específico, podem ser dados coletados para meio que captar como as pessoas se sentem sobre uma questão específica, então o Pew Research Center, por exemplo, está coletando dados que são tanto qualitativos, como entrevistas telefônicas e grupos focais, mas também é meio que uma coleta de como as pessoas podem responder em uma situação particular se estiverem respondendo a uma pergunta de pesquisa. E então esses dados podem ser brutos ou podem ser limpos também, podem ser organizados de uma certa forma e exibidos de maneira tabular, como por meio de gráficos em uma planilha do Excel, ou podem ser representados como uma visualização de dados e você pode ver no lado direito aqui.

[3:37] É como um mapa de calor do Leste Europeu. E então os dados ganham significado pelo contexto em que estão situados, como são apresentados ou como são captados ou coletados, então quem está coletando esses dados, estão sendo representados por meio de um gráfico ou estão sendo representados por meio de um mapa, ou o que for, isso realmente é o que dá significado aos dados, não apenas que tipo de perguntas estão sendo feitas, mas como estão situados também, tipo quem é responsável por apresentar esses dados, e os dados são renderizados visualmente para auxiliar na compreensão e descoberta de padrões, eles são definitivamente usados para persuadir as pessoas a, tipo, fazer com que as pessoas concordem com um certo argumento ou para dar clareza de propósito. E então usando dados, então na comunidade científica

[4:41] os dados são usados para testar uma hipótese. Mas em outros domínios, nos negócios, como eu estava dizendo antes com tecnologia, os dados são usados para justificar a tomada de decisões transmitindo uma autoridade numérica. Isso é difícil de desafiar, então é como a Apple, por exemplo, está divulgando um conjunto de relatórios dizendo que, tipo, oh, tipo, as vendas de todos os nossos produtos aumentaram em torno de 20% neste último trimestre.

[5:11] É difícil contestar isso de imediato porque os números por si só podem ser uma autoridade difícil de disputar, a menos que você saiba algo mais. A menos que você seja mais. Eu diria cético sobre como esses dados estão sendo representados, como se eles dissessem: ah, tipo, nossas vendas do iPad têm aumentado 20% neste último trimestre. Mas então você vê que, ao longo de um período, as vendas gerais estão caindo, e isso faz você questionar como eles estão realmente apresentando esses dados e como estão transmitindo isso. E então as três principais formas pelas quais os dados são usados para transmitir autoridade são retoricamente. É usado para vencer um argumento de algum tipo. Isso é definitivamente verdade na esfera política, ou em outras esferas comerciais, para vender um produto específico. Mas na esfera política. Também é usado para ganhar poder. Então, se as pessoas estão tipo, estão divulgando

[6:16] tipo certas pesquisas para indicar que, tipo, ah, 75% dos americanos concordam com esta questão específica, ou não gostam desta política específica, isso é usado para meio que justificar a implementação dessa política em primeiro lugar. E então o que é letramento em dados, tipo, como damos sentido a essa habilidade específica, que é usada para meio que ter mais fluência com dados, ser capaz de interpretá-los.

[6:51] E eu disse isso para bibliotecários aqui que ajudaram a definir o que é letramento em dados em nosso campo específico, e Chantel Risdale diz que letramento em dados é a capacidade de coletar, gerenciar, avaliar e aplicar dados, e de maneira crítica. Enquanto Javier Calzado Prado e Miguel Angel Marzal definiram letramento em dados como o componente do letramento informacional, que permite aos indivíduos, isso acessar, interpretar, avaliar criticamente, gerenciar, lidar eticamente, usar dados. Para o workshop de hoje, não vamos realmente falar sobre formas de tipo coletar ou usar dados, mas vamos definitivamente falar sobre como avaliar dados, como avaliá-los criticamente, bem como tipo como podemos acessá-los através de alguns dos bancos de dados aqui na Biblioteca.

[7:44] E então, dados em contexto, como os dados foram coletados, então como podemos estabelecer contexto e dar sentido aos dados pelo que eles são, e formas pelas quais podemos determinar o contexto é fazendo algumas perguntas de atribuição de sentido. Por exemplo, quem, qual é a entidade organização responsável por coletar os dados, isso pode ser importante, se for, digamos, um órgão de pesquisa bem respeitado como o Pew Research Center, ou é uma fonte mais partidária, ou é uma fonte mais voltada ao comercial que poderia levar você a questionar, tipo, como esses dados foram coletados, devemos confiar na entidade por trás disso.

[8:32] Que tipo de dados foram coletados, o que está sendo medido. Então, esses são dados quantitativos, isso é apenas pelos números. Isso é tipo quantas pessoas responderam a uma pergunta específica talvez, ou é, tipo, o que esses dados reúnem, tipo entrevistas telefônicas. E quais são as implicações de, digamos, dados coletados por telefone fixo que não muitas pessoas têm mais versus dados coletados por entrevistas por celular, por exemplo, onde os dados estão sendo coletados em um ambiente ou local específico, é relevante se forem apenas dados coletados nos Estados Unidos, se forem dados coletados de dois lugares muito diferentes, como isso influencia se os dados são confiáveis ou não.

[9:24] Quando, tipo, qual é a linha do tempo exata para coletar esses dados, os dados foram coletados talvez 20 anos atrás. Isso significa que ainda são relevantes para hoje. Por quê, com que propósito esses dados foram coletados. Essas intenções são declaradas ou estão sendo inferidas. Então, quaisquer dados que estejam sendo coletados, ou qualquer propósito específico, seja isso tipo exigido por lei, talvez se, tipo, dados de criminalidade, por exemplo, tiverem que ser coletados por lei, como eles estão coletando isso.

[9:56] Então você tem que tipo considerar o propósito por trás dessa coleta de dados também. E então, sim, qual foi o método para coletar os dados e qual meio foi usado. Acho que enquetes na internet podem ter muitos problemas inerentes. Então é importante tipo ver de que maneira os dados foram coletados para que você possa avaliar adequadamente, ok, isso é tipo uma fonte que tipo avaliou adequadamente todos os diferentes desafios únicos que um determinado meio apresenta quando você está coletando de uma maneira específica. E agora vou pedir para vocês. Tipo, procurem dados por conta própria, e vamos fazer isso indo ao banco de dados de estatísticas, e vamos procurar dois estudos específicos, e ao fazer isso, vamos apenas extrair palavras-chave tipo dessas perguntas de pesquisa e aplicar essas palavras-chave

[10:59] em uma busca e city stuff, então qual é o número de doses da vacina COVID-19 administradas nos EUA por fabricante. Podemos fazer isso apenas extraindo palavras-chave como vacina COVID-19 e fabricante e aplicando essas palavras-chave no cities, e o mesmo para quantos estudantes do ensino médio estão usando cartuchos de vaping de nicotina. Estudantes do ensino médio poderia ser uma palavra-chave misturada com vaping de nicotina também. Então sim, vou sair desta apresentação aqui para que possamos ir ao site da biblioteca e mostrar a vocês como realmente chegar às estatísticas.

[11:42] E vejo que temos uma nova pessoa entrando. Olá, estamos agora começando esta atividade de procurar certos conjuntos de dados, e vamos fazer algumas perguntas de atribuição de sentido. Quem é a entidade responsável por coletar os dados. Quais são os dados. Quando foram coletados. Onde foram reunidos, por quê, com que propósito, e por qual meio foram coletados. Então vou mostrar a todos como realmente chegar ao city stuff, então estou no site da biblioteca que é lib.ua.edu. Agora, na página inicial aqui, vou clicar no ícone de bancos de dados. E então vou filtrar até os bancos de dados "S". E então rolar até estatísticas.

[12:38] Certo, aqui vamos nós. Agora, para testar. Certo, todos conseguiram chegar onde estou agora. Sim. Sim. Ok, ótimo. Vejo um joinha. Excelente. Certo, então vou voltar ao slide aqui. E vou apenas permitir alguns minutos para todos tipo procurarem esses estudos e depois compartilharem suas conclusões conosco.

[13:57] Obrigado, chat, coloquem algumas informações sobre. Então acho que você encontrou o estudo que tipo

[15:15] tipo delineou. Qual é o número de doses de vacina administradas, a Pfizer é definitivamente a clara maioria, seguida pela Moderna e depois J&J 15 milhões. Sim, então deixe-me ir ao cities e mostrar esse estudo para vocês. Vejam, doses por fabricante. Até outubro 2018 por fabricante. Ok.

[15:50] Certo, então este é o estudo exato. Em outubro de 17 2021, estes são o número de doses de vacina administradas por fabricante. E em termos de tipo perguntas de atribuição de sentido. O que vocês conseguiram tipo determinar sobre este estudo e como os dados foram coletados. Então, coletados pelo CDC, certo, sim, podemos ver tipo pela fonte. Foi coletado pelos Centers for Disease Control.

[16:45] Se você clicar no link da fonte deles, eles até dão mais detalhes. Tipo, dizendo como conseguiram coletar essas informações, então conseguiram obter esses dados de todos os seus parceiros de vacinação. Isso inclui clínicas, farmácias de varejo, instituições de cuidados de longo prazo. E vamos ver, acontece que até, tipo, alguns dando alguns avisos, contas de que foi totalmente vacinado, recebeu duas doses em dois dias diferentes, ou recebeu uma dose de uma vacina de dose única, acontece, então essas fontes de dados, incluindo pôsteres. E você pode personalizar, então é tipo, já que é o CDC, eles estão tipo coletando essas informações para fins governamentais, isso

[17:50] é tipo a responsabilidade deles, essa é a missão deles de tipo acompanhar os resultados de saúde de cada americano, especialmente durante a pandemia. É o trabalho deles acompanhar essas informações. Então você pode tipo acessar com base nisso, que este é tipo uma fonte digna de uso ao citar sobre quantas vacinas estão sendo administradas nos Estados Unidos. Ok.

[18:25] E então para o. Vamos ver o vaping de nicotina em estudantes do ensino médio antes de eu fazer a busca. Sim, acho que tipo o que as pessoas estão encontrando sobre este estudo. Em termos de tipo como os dados foram coletados e onde foram coletados. Agora, fiquem à vontade para colocar isso no chat ou falar. Ok. Certo, então este aqui também parece que foi do CDC. Sim.

[19:06] Ok. Então faça outra busca de estatística, nicotina, cartuchos de vaping de nicotina. Ok, então digamos prevalência e vaping de cartucho de nicotina em estudantes nos EUA por série. Ok. Então você pode ter encontrado outro estudo do CDC. Mas o que estou procurando aqui parece ser do Pew Research Center. Mas havia mais um, embora seja o estudo mais recente de 2020. Ok, então você encontrou um estudo de 2020, excelente, para ter, vou colocar o link. Ok, então podemos também, sim, olhar esse cenário, vaping de nicotina 2020. Coloquei o link no chat. Ok, ótimo.

[20:09] Para compartilhar conosco, estudantes do ensino médio. Ok, ótimo. Novos episódios, porcentagem de estudantes do ensino médio dos EUA usando cigarros eletrônicos e podemos tipo ver um salto acentuado de 2017 para 2018 e depois uma leve queda em 2020, pode ir ao link da fonte especificamente, e ver que este é o relatório semanal de morbidade e mortalidade, mais vívido, desculpe, morbidade e mortalidade, que foi divulgado no final de 2020, tipo dando uma descrição mais aprofundada sobre o uso de cigarros eletrônicos.

[20:50] E novamente, essa é tipo a responsabilidade do CDC. Tipo destacar quais são tipo os impactos na saúde de um produto específico como os cigarros eletrônicos, especialmente entre pessoas mais jovens. Certo. Excelente. Então, voltando à nossa apresentação aqui, acho que vale a pena tipo desenvolver essas habilidades de tentar descobrir tipo de onde os dados vêm.

[21:29] Só para que você possa avaliar adequadamente, tipo, ok, tipo como, qual é o significado desses dados. De onde vêm? porque muitas vezes podem não ser representados naqueles gráficos muito práticos, você já viu estatísticas que podem ser tipo uma captura de tela de um gráfico que você vê online, no Twitter, ou pode ser representado de várias maneiras diferentes. E então, mesmo que os dados venham de um certo lugar. Você também tem que prestar atenção em como o dado está sendo entregue e se está sendo usado para enganar de certa forma.

[22:08] E isso entra na próxima seção da nossa apresentação, que é ser capaz de identificar se, intencionalmente ou não intencionalmente, há dados sendo apresentados de certa forma que sejam enganosos e a citação tipo um trabalho seminal neste tópico, vou citar Darrell Huff que escreveu como viver com estatísticas. Lá em 1954, métodos estatísticos em termos estatísticos são necessários e reportar os dados massivos de tendências sociais e econômicas, condições comerciais. Pesquisas de opinião, o censo, mas sem escritores que usem as palavras com honestidade, compreensão e leitores que saibam o que elas significam. Há então só pode ser absurdo semântico. Então, os números por si só não podem realmente contar uma história, não podem realmente apresentar um certo argumento ou persuadir você de certa forma, são apenas os escritores que são capazes de usar esses dados eticamente e transmitir.

[23:11] talvez uma certa narrativa, ou. Também é preciso leitores que possam tipo entender, ser capazes de interpretar esses dados para dar sentido a eles e talvez exercer seu julgamento em termos de dizer tipo este é um uso apropriado dos dados ou este é um uso inapropriado ou alguém tipo não está sendo franco com a forma como está transmitindo informações. E então vou tipo passar por alguns exemplos diferentes de como os dados podem ser usados indevidamente dessa forma, e como podem ser usados para enganar.

[23:50] E então o primeiro exemplo seria algo chamado de viés de amostragem. E então esta é uma prática estatística em que alguém está tentando essencialmente é uma forma de selecionar como um pequeno grupo de indivíduos ou estimar certas características sobre uma população, então há afirmações que estão sendo feitas. Quando uma amostra é mais forte, afirmações mais fortes são feitas quando uma amostra é mais representativa de um todo, em vez de pegar como uma pequena seção desses indivíduos, e então esse viés de amostragem ocorre quando membros de uma população pretendida estão super-representados ou sub-representados, então também ocorre quando as pessoas que estão coletando os dados estão comprometidas de alguma forma. Então, por exemplo, como, eu acho que um exemplo comum

[24:54] de viés de amostragem é como um slogan que você vê em muitos, tipo, produtos dentários como nove em cada 10 dentistas recomendam usar Colgate usando este certo creme dental. E há como certas suposições que estão sendo feitas ali, tipo, Ah, isso deve significar que tipo, centenas de nossos ou dezenas de milhares de dentistas foram pesquisados sobre isso. E então tipo todos esses dentistas definitivamente tipo responderam a essa pesquisa e eles definitivamente não têm um incentivo para mentir para todos se estivessem fazendo isso por vontade própria.

[25:36] Mas então há várias suposições que estão sendo feitas, quando você se depara com uma declaração como essa, então quem estava sendo pesquisado, qual era o tamanho da amostra, então pode ser o caso de que apenas tipo 50 dentistas foram pesquisados. E então isso definitivamente não é tão representativo de toda a profissão odontológica, e quem são esses respondentes em particular, eles são realmente dentistas, a ponto de serem forçados a tipo mostrar suas credenciais, ou foram, foi apenas tipo pessoas que foram tipo encontradas na rua e dizendo tipo, ah, tipo, Você é um profissional dentista. E há incentivos para mentir, as pessoas que foram pesquisadas. Elas, foram, por exemplo, pagas para dar sua opinião, ou isso é tipo um particular.

[26:31] Eles. Como devo formular isso. Não beneficia a carreira deles de forma alguma tipo responder a uma pesquisa, talvez se for de uma fonte muito prestigiosa. Então esses poderiam ser alguns exemplos de por que você pode querer pensar sobre, existem incentivos para as pessoas não serem francas. E eu acho que isso também se aplica quando as pessoas são questionadas sobre tópicos muito sensíveis, como tópicos sobre dinheiro, ou sobre uso de drogas ou sexo. Esses são tópicos que as pessoas tendem a exagerar ou tipo ocultar seu comportamento ou atividades.

[27:17] Então alguns exemplos de viés de amostragem podem ser como um antigo, tipo um relatório de ex-alunos que diz tipo a média, graduado da Universidade do Alabama e ganha mais de $100,000 por ano. Então vale a pena perguntar tipo quantos tipo ex-alunos foram pesquisados, foi apenas tipo estudantes de administração, foi apenas tipo estudantes de engenharia, quantos tipo total de graduados do Alabama foram pesquisados. E então outro exemplo sendo tipo uma nova pesquisa afirma que 85% dos americanos nunca consumiram uma substância ilegal.

[27:55] As pessoas são incentivadas a mentir sobre esses tópicos porque podem não querer admitir ter feito algo ilegal em uma pesquisa, podem não confiar no pesquisador. Então vale a pena considerar tipo como a amostra que foi coletada de uma pesquisa em particular pode ser tendenciosa em uma direção particular. Outro método que pode ser usado, outro método estatístico que as pessoas usam para talvez enganar os outros é a seleção seletiva, e então a seleção seletiva é a prática de usar apenas um pequeno subconjunto. de dados para tipo vender uma certa narrativa. Então eu acho que mencionei, a Apple como exemplo. anteriormente de talvez uma empresa que está apenas. Eles podem querer apenas compartilhar um subconjunto particular de dados, tipo como se fazer parecer bem e talvez tentar mas aumentar a participação de mercado de suas ações e dizer tipo, tipo isso.

[29:02] Neste trimestre em particular, tipo este produto de tecnologia tipo vendeu tipo tantas unidades, mas não olha para as tendências de anos tipo daquele produto em particular não vendendo bem e na verdade declinando e vendas. E então debates sobre questões como mudanças climáticas e taxas de criminalidade são grandes vítimas da seleção seletiva porque mudanças rápidas de ano para ano, não levam em conta anos ou décadas de tendências.

[29:33] Então, muitas pessoas que se envolvem tipo negação das mudanças climáticas, tipo como mostrar talvez um pequeno subconjunto de dados climáticos dizendo tipo, Ah, na verdade está mostrando que a Terra está esfriando ao longo do tempo ou há apenas tipo tantas tipo mudanças rápidas que você não pode realmente dizer que a Terra está tipo aquecendo. Mas então não está levando em conta tipo dados de décadas que mostram que a quantidade da temperatura da Terra está na verdade subindo a uma taxa instável, e está indo acima de tipo certos níveis industriais. E o mesmo é verdade para dados de criminalidade também.

[30:14] Esta é uma captura de tela do San Francisco, San Francisco Chronicle. Eles tiveram um tweet alguns meses atrás dizendo que arrombamentos de carros aumentaram, 753%, e isso tipo levanta a questão de tipo o que realmente aconteceu em. Em 2020, houve tipo uma pandemia massiva que fez muitas pessoas ficarem dentro de casa. E então isso está contabilizando talvez tipo nós tipo talvez cinco anos de dados ou 10 anos de dados que poderiam mostrar que tipo crime.

[30:47] Poderia estar na verdade diminuindo, há muitos dados sugerindo que o crime ainda está constantemente. diminuindo ao longo dos anos, e especialmente ao longo das décadas desde o 1970, é outro estatístico. Acho que método que as pessoas usam para enganar é confundir correlação e causalidade. Só porque, tenho certeza que vocês dois já ouviram isso antes, só porque algo está correlacionado, ou duas coisas estão correlacionadas, não significa que uma é a causa da outra. Então, mesmo se tipo uma afirmação, acabar sendo verdadeira, tipo neste exemplo. Então, só para tipo descrever este gráfico aqui, está mostrando que países que não implementaram um mandato de máscara imediatamente, tiveram uma enorme explosão em casos. Bem, que países que usaram máscara tiveram menos casos.

[31:50] Este é um exemplo de algo que duas coisas que estão correlacionadas. Poderia haver um monte de fatores diferentes que podem explicar este fenômeno correlacionado. Muitos desses países, por exemplo, Coreia do Sul, Japão, Singapura, estes são todos tipo países do Leste Asiático. Talvez não documente. Talvez práticas particulares nesses países que não têm que lidar com mascaramento. Pode ser o caso de que o vírus não era tão prevalente nessas comunidades onde, enquanto era mais prevalente nesses países europeus e norte-americanos.

[32:30] Há tantos outros fatores diferentes que poderiam explicar isso, mesmo se acabar que máscaras são muito úteis em conter a propagação do coronavírus. É importante tipo como estar tipo ciente disso e ser tipo cético sobre argumentos que dizem que este tipo de questão singular é a causa deste problema muito complexo. Então vale a pena tipo como questionar, algo, mesmo se acabar que, esse tipo de coisa pode ser pode ser verdadeira em certos casos, e máscaras são muito úteis, e carbono descrito mas não leva em conta tipo a complexidade multifacetada de por que casos de coronavírus estão aumentando em alguns lugares e não em outros.

[33:22] E então há maneiras que visualizações são usadas para enganar as pessoas, e há certas práticas que são usadas dentro de visualizações para enganar as pessoas. Então um exemplo disso é gráficos com eixo truncado e omitir a linha de base no eixo y. Então, em ambos esses exemplos, a linha de base está neste número muito incrivelmente alto então tipo neste exemplo, 94 milhões é tipo o ponto de corte quando realmente deveria ser zero. E então o efeito disso é que pode deturpar dados como mais exagerados ou mais dramáticos do que realmente são. E, sim, então este gráfico à direita, diz que mais de 100 milhões de pessoas agora recebendo assistência social federal.

[34:16] E é tipo como olhar para este tipo como explosão de casos ao longo do tempo de 2009 a 2011. Mas se tivéssemos a linha de base em zero você poderia ver que isso é tipo uma mudança muito marginal comparada aos números reais. E eu acho que esse gráfico conta qualquer pessoa recebendo assistência social federal como qualquer pessoa residindo em uma casa e, na qual pelo menos uma pessoa recebeu benefícios de um programa que poderia ser Medicare, Medicaid, ou, desculpe, então qualquer coisa. Aqui está assistência social testada por meios, não Seguridade Social ou Medicare. Ok, então poderia ser tipo qualquer pessoa em uma casa particular que é afetada então isso poderia ser Medicaid ou um programa de assistência federal diferente como.

[35:06] Assistência Temporária para Famílias Necessitadas, por exemplo. Então qualquer pessoa que está recebendo esse benefício. Eles contam todos na casa como recebendo esse benefício então isso é apenas algo para ter em mente para esse gráfico em particular. E o da esquerda. Há muitos problemas com este gráfico, mas um é que está tipo exagerando a, a baixa estatura de mulheres da África do Sul, Índia, porque a linha de base está definida muito perto de cinco pés e então isso não é tipo intervalos iguais.

[35:47] Então tipo faz parecer que pessoas são mulheres da Letônia e Austrália são gigantes comparadas a mulheres da África do Sul e Índia quando é apenas algumas polegadas, e não tipo uma enorme tipo diferença marginal ou significativa. Outro exemplo é apenas mais manipulações do eixo y. Então intervalos entre eixo x e y deveriam ser uniformes e consistentes, e visualizações que manipulam esses intervalos, o fazem exagerando, um aumento ou diminuição através do uso de tipo rótulos ou elementos ilustrados para cor. E então, tipo este exemplo à esquerda, se vocês podem ver é exames de câncer, e serviços preventivos estão diminuindo para Planned Parenthood, mas abortos estão aumentando de 2008 para 2013.

[36:52] Mas o problema é que esses dois números deveriam ser tipo completamente diferentes. Isso é tipo ir de tipo 2 milhões para 900,000, mas para algum exame. Por alguma razão os 300,000 abortos ou, ou tipo acima deste número aqui, então os números nem parecem estar no mesmo plano ali, é tipo uma manipulação do eixo y. Enquanto para este exemplo à direita, sob o Presidente Obama, mais estudantes estão obtendo seus diplomas do ensino médio do que nunca. Mesmo que seja tipo um aumento marginal de 75% em 2009. Para 82% em 2015.

[37:38] É tipo mostrado que isso é tipo mais de tipo metade deste número particular baseado na quantidade de livros que estão sendo empilhados. E então, tipo, já que a linha de base. Já que o eixo y tipo sendo manipulado aqui. Você não pode tipo realmente ver quão profunda a diferença realmente é para o número de estudantes com diploma do ensino médio.

[38:09] Eu diria que um dos exemplos mais notórios de ir contra. Tipo como manipular pessoas ou enganar pessoas com visualizações de dados é ir contra convenções, ir contra convenções padrão de visualizações de dados, tipo o eixo y deveria começar no canto inferior esquerdo e deveria começar em zero. Isso é tipo uma convenção bastante comum. Quando se trata de gráficos de linha e gráficos de barras.

[38:44] E a razão para isso é que gráficos e tabelas se tornaram mais padronizados e ir contra essa padronização contra essas convenções, pode ser muito confuso para as pessoas à primeira vista, e então é tipo geralmente acordado que você deveria tipo começar o eixo y em zero no canto inferior esquerdo para não confundir as pessoas. E este tipo como notório visualização começa o eixo y tipo 1000, para transmitir um argumento que depois de 2005.

[39:23] Depois da lei Stand Your Ground, o número de homicídios cometidos com armas de fogo na verdade diminuiu. Mas o problema é que, se você inverter isso para onde deveria ser zero, na verdade estava aqui embaixo. Você poderia ver que o número de homicídios cometidos com armas de fogo na verdade aumentou depois que essa lei foi implementada na Flórida. E então, isso é como um exemplo de como ir contra as convenções pode enganar as pessoas, porque não é devidamente.

[39:55] Começando o eixo y em seu ponto adequado. Um é, este exemplo aqui na verdade está seguindo as convenções, os mapas de densidade populacional. Normalmente cores mais escuras devem representar que algo é mais densamente povoado, então os estados da Califórnia, Illinois e Nova York, Massachusetts, Nova Jersey são mais densamente povoados do que Wyoming e Montana. Mas se essa convenção fosse invertida de alguma forma. Se as pessoas, se, por exemplo, você tentasse dizer que as cores mais claras indicam um lugar mais densamente povoado.

[40:41] Isso confundiria os leitores que já estão acostumados a saber que um lugar com sombreamento claro deve ser menos densamente povoado, então eles podem confundir certos lugares como sendo mais populares do que deveriam ser. E então isso pode ser bastante importante quando você vê uma visualização como nas redes sociais, como no Twitter ou Instagram, e você apenas dá uma olhada rápida, não está realmente estudando em profundidade. Se for contra uma certa convenção, isso pode facilmente enganar alguém levando a pensar que uma certa ideia é verdadeira ou não. E então, estou usando o gráfico errado, pode ser uma grande forma de enganar as pessoas ou pelo menos confundi-las, gráficos de pizza, por exemplo, são notoriamente mal utilizados. Eles devem representar partes de um todo.

[41:34] Então este exemplo à esquerda não faz muito sentido de americanos que experimentaram maconha. 51% dizem hoje, 43% dizem no ano passado, 34% dizem 1997. Sim, isso simplesmente não faz sentido porque se você está tentando avaliar como talvez o uso de maconha mudou ao longo do tempo, você usaria um tipo muito diferente de visualização para exibir isso versus um gráfico de pizza, que sempre deve somar 100%, e deve ser como partes de um todo, deve ser como mostrar como a variável representa, ou como está relacionada à variável e como está representando partes de um todo versus certos outros tipos de visualizações. Existem dados que correspondem a certos tipos de visualização, então são dados que estão sendo usados para comparar dois valores, para as diferenças

[42:40] ou semelhanças, e esses valores que usariam comparação, então gráficos de barras, gráficos de halteres são muito bons para aqueles que estão tentando avaliar relacionamentos, um mapa de calor. Por exemplo, você está tentando mostrar se são conexões e dados ou retratar uma correlação ou falta dela, mapas de calor ou gráficos de dispersão são bons para isso, distribuição visualmente, visualizações que exibem frequência ou talvez mudanças ao longo do tempo, um histograma seria muito melhor para esse tipo de dados aqui, esse tipo de gráfico mostrando uma mudança ao longo do tempo comparado a um gráfico de pizza.

[43:20] Certo, então agora vamos classificar as visualizações. E então, já que temos que ter você aqui, vou colocar dois PDFs no chat. Sinta-se à vontade para talvez escolher um PDF em vez do outro, mas essencialmente você classificará as visualizações de qual visualização é mais confiável vs. quais são as menos confiáveis, e apenas usando o que você aprendeu hoje sobre como as visualizações são representadas.

[44:00] Como as pessoas talvez estejam usando mal certas visualizações para transmitir um argumento. Você pode ver quais visualizações seriam mais confiáveis versus quais podem ser menos confiáveis. Então vou parar. Agora o que vou fazer é realmente colocar isso no chat para que todos possam ver. Vamos ver se consigo compartilhar um PDF aqui.

[44:48] um segundo aqui. Acho que o que vou fazer é, não acho que consigo compartilhar arquivos no chat. Minhas desculpas. Então o que vou fazer é compartilhar a tela de um desses arquivos que contém todas aquelas visualizações para que todos vocês possam ver esse arquivo e comentar qual é mais confiável versus qual é menos confiável.

[45:19] Então deixe-me encontrar isso, e então compartilharei com todos. Vou usar o segundo. Certo, então vou compartilhar minha tela mais uma vez. Ok.

[46:08] E todos vocês podem ver este PDF agora. Me dê um joinha se puderem. Ótimo. Sim, ótimo. Então, vejamos estas quatro visualizações aqui, vou diminuir o zoom. Ok, vamos ver.

[46:38] Ok, então temos duas visualizações aqui, uma é um mapa de densidade populacional, outra é tipo um donut ou outro tipo de gráfico de pizza. Isso está mostrando quantos assentos o Partido Trabalhista no Reino Unido tem versus quantos assentos os Conservadores têm, com base nas suas primeiras impressões dessas visualizações. Como você caracterizaria a confiabilidade delas? Uma parece mais confiável que a outra, definitivamente.

[47:22] Definitivamente está seguindo as convenções de mapas de densidade populacional, o vermelho é usado para indicar lugares com mais densidade populacional versus cores como amarelo e verde, e então sim, o do The Sun. Acho que uma coisa a notar é que o partido UKIP é tipo, mesmo que não tenha ganhado nenhum assento, é mostrado como tendo pelo menos metade do que os Liberal Democratas ganharam com esse gráfico, e o SNP quase tem a mesma área exata que os Liberal Democratas, mesmo tendo ganhado mais.

[48:11] Então é definitivamente enganoso, como isso é representado aqui, mesmo que esse partido não tenha ganhado nada, de alguma forma está representado neste gráfico de donut. Sim, o UKIP nem deveria estar aparecendo, está em zero aqui, exatamente. Certo, e então como essas duas outras visualizações aqui. Uma está mostrando tipos de dívida por domicílio médio dos EUA. E então este segundo gráfico aqui embaixo.

[48:45] Está mostrando horas gastas online por idade e gênero. Vamos usar um gráfico de bolhas. Um é mais confiável que o outro aqui. Sim, eu diria, sim, o segundo, essa é uma maneira estranha de distinguir diferenças entre homens e mulheres mostrando. Sim, é difícil até discernir o que essas diferentes bolhas significam, mesmo que esteja comparando algo com outra coisa.

[49:25] Sim, então talvez homens de 12 anos estejam gastando mais horas, ou gastando menos horas online do que mulheres de 12 anos, pode ser difícil avaliar isso à primeira vista. Sim, acho que o tamanho diferente dos círculos é suposto transmitir que aqueles. Isso é suposto indicar que mais pessoas estão passando tempo online, sim, é meio difícil avaliar como isso é sequer relevante.

[50:04] Sim, o gráfico de bolhas é bastante pouco claro. Sim, gráficos de bolhas são frequentemente usados para demonstrar frequência. Acho que mapas de calor, por exemplo, mostram se um lugar é mais densamente povoado ou mais pessoas estão respondendo a um determinado problema, a bolha se expande, fica maior. Mas neste contexto não faz muito sentido.

[50:37] Você pensaria que talvez um gráfico de barras fosse mais apropriado ali, enquanto este. Sim, eu diria que esta é provavelmente a melhor maneira de capturar esses dados é com o gráfico de barras empilhadas ali. É um pouco enganoso, no entanto, que os empréstimos de automóveis sejam considerados como três quartos das hipotecas, mesmo que 28,000 seja definitivamente muito menos que 176,000.

[51:12] E então acho que este gráfico aqui precisa ser ajustado em termos de quanto os cartões de crédito e empréstimos de automóveis precisam ser reduzidos pela metade, encolhidos significativamente em comparação com a dívida hipotecária e eu e empréstimos estudantis especialmente. Certo, então vamos voltar aos slides aqui e apenas perguntar algumas considerações finais sobre como você acha que vai lidar com dados no futuro. Agora que você viu esses exemplos de como os dados podem ser usados para enganar, sabendo a importância do contexto

[52:18] dos dados, como são coletados, como são representados e apresentados para dar um argumento particular, seja para fins comerciais, retóricos ou políticos. Sim, eu apenas acho que ser capaz de ser alfabetizado com dados significa ser capaz de avaliá-los criticamente e saber, por exemplo. Por que os dados estão sendo apresentados de uma maneira particular e com que propósito. Então espero que após esta apresentação, você tenha a conclusão de que pode adequadamente.

[52:55] Ver, dados, seja representado através das redes sociais ou outros canais como em fontes acadêmicas, por exemplo, e ser capaz de talvez olhar a seção de metodologia e ver como eles realmente coletaram esses dados, podemos confiar adequadamente. O argumento que me foi transmitido. Então, sim, espero que as pessoas tenham essa conclusão após ver esta apresentação hoje. Mas ficarei feliz em responder a quaisquer perguntas que você tenha. Deixe-me compartilhar minha página de obras citadas aqui e apenas compartilhar como montei isso hoje, mas estou feliz em responder a quaisquer perguntas. Ok.

[53:46] No chat aqui... vou ter cuidado, prestar atenção em quais informações se pretende transmitir, também prestar atenção em coisas como cherry picking, manipulação de eixos. Sim, absolutamente. Os slides serão disponibilizados? Sim! Os slides, incluindo minhas notas neles, enviarei por e-mail para cada um dos participantes registrados. E a gravação desta apresentação também será disponibilizada. Certo! Maravilhoso! Obrigado a todos por comparecerem!

[54:29] E se você estiver assistindo a esta gravação mais tarde, sinta-se à vontade para me enviar um e-mail. Vou colocar minhas informações de contato para que todos possam ver. Você pode me contatar por e-mail em rtpeterson1@ua.edu ou entrar em contato por telefone também. Fico feliz em responder às suas perguntas da maneira que você quiser me contatar. Então, obrigado a todos! Agradeço muito por entrar em contato e ouvir minha apresentação hoje. Obrigado!