Misinterpretatie van klimaatgegevens komt neer op politieke loyaliteit: onderzoek

De hoeveelheid arctisch zee-ijs rond de Noordpool is al lang op een neerwaartse trend en satellietdata van het National Snow & Ice Data Center laten deze daling zien - vooral grimmig deze tijd van het jaar - met dagelijkse updates.

Maar er zijn pieken in een neerwaartse trend, en een bepaalde piek in 2013 (dankzij een ongewoon koele zomer) veroorzaakte een dergelijke wijdverspreide verkeerde interpretatie langs politieke lijnen dat het het onderwerp werd van een nieuw gepubliceerde sociologische studie. De bevindingen laten zien dat mensen die slimmer besluiten nemen over klimaatwetenschap wanneer ze hun politieke voorkeur wegnemen. Het biedt ook het nieuwste wetenschappelijke voorbeeld van hoe de politiek niet vaak toestaat dat feiten in de weg zitten.

Ten eerste, hier is de grafiek die onderzoekers als problematisch zagen - soort van een politieke Rorschach-test - die een piek laat zien in het arctische zee-ijs in 2013. Bijvoorbeeld, mensen die denken dat klimaatverandering een liberale hoax is, zouden kunnen wijzen op de stijging van het zee-ijs als bewijs dat de neerwaartse trend snel naar boven zou terugkeren.

Damon Centola, een socioloog en professor aan de Annenberg School for Communication aan de Universiteit van Pennsylvania, leidde een onderzoek naar waarom mensen de bovenstaande gegevens verkeerd kunnen interpreteren. Zijn onderzoeksteam gebruikte sociale leerprocessen (waarbij antwoorden van de rest van een groep mensen naast de vraag werden getoond) om te zien of zij polarisatie tussen zelfbenoemde Democraten en Republikeinen konden elimineren.

Het onderzoek 'Sociaal leren en partijdige bias in de interpretatie van klimaattrends' werd maandag in het tijdschrift gepubliceerd Proceedings van de National Academy of Sciences.

De scherpste basisevaluatie voordat het experiment begon, was dat 'de Republikeinen de gegevens aanzienlijk verkeerd interpreteerden', zegt Centola. "Over het algemeen zei bijna 40,2 procent van de republikeinen dat het arctische zee-ijs toenam." Ondertussen schatte 73,9 procent van de liberalen de trend van het zee-ijs correct in de baseline.

Centola, de hoofdauteur op papier, en zijn team rekruteerden 2.400 mensen, half Republikeins en half Democraat, bij Amazon's Mechanical Turk (de 'marktplaats voor werk waarvoor menselijke intelligentie vereist is'). Ze werden willekeurig toegewezen aan sociale bysites van 40 personen om een ​​'intelligentietoets' uit te voeren waarbij de deelnemers werden gevraagd de niveaus van het zee-ijs te voorspellen.

"Hoe nauwkeuriger uw antwoorden, hoe meer u wint!", Werden de onderwerpen van deze studie geïnformeerd. Zij waren niet op de hoogte dat de gegevens werden bepaald door de NASA, om de bekende vooroordelen in verband met de informatiebronnen van de organisatie te voorkomen, schrijven de onderzoekers.

Ze mochten hun antwoorden herzien terwijl ze de reacties van andere mensen in hun netwerk toonden, en wanneer er geen partijaankondiging was naast de antwoorden van hun netwerk buren, was hun voorspelling van zee-ijs dichter bij de wetenschappelijke voorspelling door NASA.

Andere vragen omvatten symbolen naast hen, subtiele suggesties dat deze wetenschappelijke vragen ook politieke zwaartekracht hadden. Toen "proefpersonen tijdens de communicatie werden blootgesteld aan partijlogo's, werd sociaal leren voorkomen en werden basisniveau's van polarisatie gehandhaafd", schrijven ze.

Toen alle deelnemers de gegevens kregen voorgelegd, gevraagd om op basis van die gegevens te voorspellen, en geïnformeerd dat er meer geld zou worden betaald voor nauwkeurige antwoorden, zegt Centola dat de groep "het probleem van NASA heeft opgelost" dat mensen hun onderzoek verkeerd interpreteren.

"Acht-vijf procent van zowel de Republikeinen als de Democraten waren het erover eens dat de niveaus van het poolijs in de ijskappen inderdaad daalden," zegt hij over de gegevens die naakt werden gepresenteerd, zonder aansluiting of beeldspraak. "En nog belangrijker, de consensus was een veel meer accurate consensus voor beide groepen."

Maar toen de gegevens werden gepresenteerd met Republikeinse olifant of democraat ezel, of de woorden "conservatief" of "liberaal", of een grafiek die laat zien hoe mensen die als conservatief of liberaal stemden, de voorspellingen scheidden weg van de juiste resultaten.

"De voordelen van sociaal leren waren niet beperkt tot conservatieven", schrijven de onderzoekers. "Liberalen verbeterden ook in netwerken zonder partijdige signalen, en eindigden met aanzienlijk hogere trendnauwkeurigheid dan liberalen in de controleconditie. Tegen het einde van de studie, in bipartisan netwerken zonder partijdige signalen, waren er geen significante verschillen meer in trendnauwkeurigheid tussen de liberalen en conservatieven."

Wanneer gepresenteerd met de consensus van de groep zonder partijafhankelijkheid, werkten de proefpersonen samen om de juiste voorspelling te doen.

"We merken dat bij afwezigheid van politieke beelden cross-party contact polarisatie elimineert en leidt tot veel beter begrip van klimaatverandering", zegt Centola.

Abstract

Vitale wetenschappelijke communicatie wordt vaak verkeerd geïnterpreteerd door het lekenpubliek als gevolg van een gemotiveerde redenering, waarbij mensen gegevens verkeerd interpreteren om te passen bij hun politieke en psychologische vooroordelen. In het geval van klimaatverandering hebben sommige mensen gevonden dat ze klimaatgegevens systematisch verkeerd interpreteren op een manier die in strijd is met de bedoelde boodschap van klimaatwetenschappers. Hoewel eerdere studies hebben geprobeerd om gemotiveerd redeneren te verminderen via bipartisan communicatienetwerken, blijken deze netwerken ook vooroordelen te verergeren. Populaire theorieën stellen dat bipartisane netwerken vooroordelen versterken door mensen bloot te stellen aan tegengestelde overtuigingen. Deze theorieën staan ​​in spanning met onderzoek naar collectieve intelligentie, waaruit blijkt dat het uitwisselen van overtuigingen in sociale netwerken sociaal leren kan vergemakkelijken, waardoor individuele en groepsoordelen worden verbeterd. Eerdere experimenten met collectieve intelligentie zijn echter bijna uitsluitend gebaseerd op neutrale vragen die niet gemotiveerd redeneren. Met behulp van Amazon's Mechanical Turk hebben we een online experiment uitgevoerd om te testen hoe bipartisan sociale netwerken de interpretatie van onderwerpen van klimaatcommunicatie door NASA kunnen beïnvloeden. Hier laten we zien dat blootstelling aan tegengestelde overtuigingen in gestructureerde, bipartiaanse sociale netwerken de nauwkeurigheid van oordelen van zowel conservatieven als liberalen aanzienlijk heeft verbeterd, waardoor polarisatie van overtuigingen is geëlimineerd. We zien echter ook dat sociaal leren kan worden gereduceerd en dat polarisatie van overtuigingen kan worden gehandhaafd als gevolg van partijdige priming. We merken dat het vergroten van de saillantie van partijdigheid tijdens communicatie, zowel door blootstelling aan de logo's van politieke partijen als door blootstelling aan de politieke identiteiten van netwerkgenoten, het sociale leren aanzienlijk kan verminderen.