21 diciembre 2022

Visualizar las desigualdades puede incrementarlas

por Santi Garcia

Visualizar las desigualdades

Puede sonar paradójico pero hay evidencias de que es así: visualizar las desigualdades puede aumentarlas.

Somos muchos los que pensamos que hay que hacer visibles las desigualdades. Por supuesto, esto no es suficiente para solucionarlas, pero entendemos que ayudar a que otras personas tomen conciencia (o recuerden) su existencia es un primer paso en la dirección correcta. 

A diario en los medios de comunicación encontramos gráficos en los que se comparan los ingresos, las tasas de empleo, la salud o el bienestar de diferentes grupos sociales. Luego muchos los compartimos en plataformas como Twitter y ahora Mastodon. 

Sin embargo, lo que tal vez no sepamos es que usar cierto tipo de gráficos para visualizar esas desigualdades puede provocar el denominado “sesgo de correspondencia” o “error fundamental de atribución”, que hace que las personas tiendan a sobrevalorar los motivos personales internos a la hora de explicar un comportamiento de otras personas, y a infravalorar los motivos externos, como las circunstancias del entorno. 

Esto es lo que han evidenciado Eli Holder y Cindy Xiong en un reciente experimento.

Por ejemplo, los gráficos de barras o columnas, que representan a los grupos como un todo uniforme. En lugar de mostrar la gama de resultados dentro de cada grupo, solo muestran la media de cada uno. En consecuencia dan una impresión falsa de similitud dentro del grupo y exageran las diferencias entre los grupos. Si nos dejamos llevar por esta impresión y pensamos, por ejemplo, que todas las personas del Grupo A ganan más que todas las personas que forman el Grupo B, es más fácil que lleguemos a la conclusión de que esa diferencia de ingresos es causada ​​por algo intrínseco a las personas de cada grupo, en lugar de explicaciones externas más complejas como el racismo sistémico u otro tipo de discriminaciones.

Por el contrario, otro tipo de gráficos como los gráficos de nubes (jitter plots) dejan en evidencia la variabilidad de los resultados. Muestran tanto las diferencias entre los grupos como las diferencias dentro de cada grupo, y al evidenciar la amplia gama de resultados individuales dentro de un mismo grupo desafían nuestra tendencia a generalizar y aplicar estereotipos.

En su investigación, los autores probaron las siguientes hipótesis:

Hipótesis 1. Al interpretar visualizaciones que muestran desigualdades sociales, las creencias de quienes ven los gráficos pueden reflejar explicaciones causales que no son respaldadas por los datos visualizados, pero que son consistentes con sesgos cognitivos sociales documentados (por ejemplo, errores de atribución).

Hipótesis núm. 2. Las visualizaciones que ocultan la variabilidad de los resultados dentro de los grupos (por ejemplo, gráficos de barras) pueden fomentar atribuciones personales más fuertes en comparación con los gráficos que enfatizan la variabilidad dentro de los grupos (por ejemplo, gráficos de nubes).

Hipótesis núm. 3. El tipo de incertidumbre visualizada puede influir en las atribuciones de quienes ven los gráficos. La visualización de la incertidumbre inferencial (por ejemplo, intervalos de confianza) puede fomentar atribuciones personales más fuertes en comparación con la visualización de la incertidumbre de resultados (por ejemplo, intervalos de predicción).

Hipótesis núm. 4. Para los gráficos en que se representan unidades (por ejemplo, gráficos de nubes), el número de personas (puntos de datos) mostradas por grupo puede influir en la atribución. 

Para probar estas hipótesis, presentaron cuatro combinaciones de diferentes tipos de gráficos a más de mil personas a través de Mechanical Turk.

Luego preguntaron a los participantes si estaban de acuerdo con varias explicaciones de las diferencias de resultados que se veían en el gráfico. Las preguntas estaban equilibradas entre dos tipos:

Atribución personal (culpa): Cuánto el participante atribuye las diferencias de resultado a las características personales de las personas dentro de cada grupo (por ejemplo, «Basado en el gráfico, es probable que el Grupo A trabaje más duro que el Grupo D»).

Atribución externa: Cuánto el participante atribuye las diferencias de resultado a factores externos que afectan a las personas dentro de cada grupo (por ejemplo, «Basado en el gráfico, es probable que el Grupo A tenga mejores oportunidades de trabajo que el Grupo D»).

Los investigadores encontraron que los participantes que veían tipos gráficos que minimizaban la variabilidad (por ejemplo, gráficos de barras) eran más propensos a culpar de las diferencias de resultados a las características personales de las personas representadas en el gráfico. Por el contrario, los participantes que vieron gráficos que enfatizaban la variabilidad (por ejemplo, gráficos de nubes) eran más propensos a atribuir las diferencias de resultado a factores externos. Además, encontraron que la visualización de la incertidumbre inferencial (por ejemplo, intervalos de confianza) tiende a fomentar atribuciones personales más fuertes, mientras que la visualización de la incertidumbre del resultado (por ejemplo, intervalos de predicción) tiende a llevar a atribuciones externas más fuertes.

En general, el estudio sugiere que la forma en que mostramos los datos puede influir en cómo la gente interpreta y entiende esos datos. Estos hallazgos tienen importantes implicaciones para cómo visualizamos y hablamos sobre las desigualdades sociales. Simplemente mostrar la desigualdad no es suficiente. Debemos tener cuidado con los tipos de gráficos que utilizamos y asegurarnos de que no estamos contribuyendo a estereotipos o prejuicios dañinos. Al elegir tipos de gráficos que enfatizan la variabilidad dentro de cada grupo y la incertidumbre del resultado podemos ayudar a reducir el riesgo de sesgo de correspondencia, desafiar explicaciones simplistas y fomentar una comprensión más matizada de las desigualdades sociales.

En resumen, es mejor dejar a los destinatarios de nuestros gráficos con preguntas y dudas que darles un falso sentido de certeza sobre conclusiones incorrectas.

***

Imagen Indabelle bajo una licencia Creative Commons.

Referencias

Holder, E., & Xiong, C. (2022). Dispersion vs Disparity: Hiding Variability Can Encourage Stereotyping When Visualizing Social Outcomes. IEEE Transactions on Visualization and Computer Graphics.

Comentarios

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *