Feilfortolkning av klimadata kommer ned til politisk lojalitet: Studie

Mengden arktisk sjøis rundt Nordpolen har lenge vært på en nedadgående trend, og satellittdata fra National Snow & Ice Data Center viser denne nedgangen - spesielt sterk denne tiden av året - med daglige oppdateringer.

Men det er spikes i noen nedadgående trend, og en spesiell stigning i 2013 (takket være en uvanlig kul sommer) forårsaket en så omfattende feilfortolkning langs politiske linjer at det ble gjenstand for en nylig publisert sosiologisk studie. Resultatene viser at når man fjerner politisk tilhørighet, gjør folk smartere beslutninger om klimavitenskap sammen. Den tilbyr også det nyeste vitenskapelige eksemplet på hvordan politik ikke ofte tillater fakta å komme i veien.

For det første er det diagrammet som forskerne så så problematisk - som en politisk Rorschach-test - som viser en økning i arktisk sjøis i 2013. For eksempel er folk som tror klimaendringer, en liberal hoax som kan tyde på økningen av sjøis som bevis på at nedadgående trenden snart ville komme oppover.

Damon Centola, en sosiolog og professor ved Annenbergs skole for kommunikasjon ved University of Pennsylvania, ledet en undersøkelse av hvorfor folk kan misforstille dataene ovenfor. Hans forskerteam brukte sosiale læringsprosesser (viser svar fra resten av en gruppe mennesker sammen med spørsmålet) for å se om de kunne eliminere polarisering mellom selvidentifiserte demokrater og republikanere.

Forskningen, "Sosial læring og partisk bias i tolkningen av klimaendringene," ble utgitt mandag i tidsskriftet Prosedyrene ved det nasjonale vitenskapsakademiet.

Det skarpeste utgangspunktet før eksperimentet begynte var at "republikanerne misforstod dataene betydelig," sier Centola. "Samlet sett sa nesten 40,2 prosent av republikanerne at arktisk sjøis økte." Samtidig estimerte 73,9 prosent av de liberale korrekt sjøisutviklingen ved grunnlinjen.

Centola, seniorforfatteren på papiret, og hans lag rekrutterte 2400 personer, halv republikansk og halvdemokrat, på Amazons Mekaniske Turk (shipping giantens "markedsplass for arbeid som krever menneskelig intelligens"). De ble tilfeldig tildelt 40 personers bipartisan sosiale nettverk for å ta en "intelligens test" som spurte deltakerne om å prognose sjø isnivå.

"Jo mer nøyaktige svarene dine, desto mer vinner du!", Ble emnene i denne studien informert. De var ikke informert om at dataene ble bestemt av NASA, for å unngå kjente forstyrrelser knyttet til organisatoriske kilder til informasjon, skriver forskerne.

De fikk lov til å revidere svarene sine samtidig som de viste svar fra andre mennesker i nettverket, og når det ikke var noen festtilknytning ved siden av svarene til nettverksgrannene, var deres isisforutsigelse nærmere den vitenskapelige forutsigelsen fra NASA.

Andre spørsmål inneholdt symboler ved siden av dem, subtile forslag om at disse vitenskapelige spørsmålene også hadde politisk tyngdekraften. Når "fag ble utsatt for festlogoer under kommunikasjon, ble det forhindret sosial læring, og baseline nivåer av polarisering ble opprettholdt," skriver de.

Når alle deltakerne ble presentert med dataene, bedt om å prognostisere basert på dataene, og informert om at de ville bli betalt mer penger for nøyaktige svar, sier Centola at gruppen "løst NASAs problem" av folk som misforstått sin forskning.

"Åttifem prosent av både republikanere og demokrater var enige om at arktiske sjø isnivåer faktisk gikk ned," sier han om dataene som ble presentert naken, uten tilknytning eller bilder. "Og enda viktigere, konsensusen var en mye mer nøyaktig konsensus for begge grupper."

Men da dataene ble presentert med republikansk elefant eller demokratisk esel, eller ordene "konservative" eller "liberale" eller et diagram som viste hvordan folk som identifiserte som konservative eller liberale stemte, skjedde prognosene vekk fra de riktige resultatene.

"Fordelene med sosial læring var ikke begrenset til konservative," skriver forskerne. "Liberaler forbedret også i nettverk uten partisanlyd, og endte med betydelig høyere trendnøyaktighet enn liberaler i kontrolltilstanden. Ved slutten av studien, i bipartisanettverk uten partisanordninger, var det ikke lenger signifikante forskjeller i trendnøyaktighet mellom liberaler og konservative."

Når presentert med konsensus fra gruppen uten fest tilknytning, studiene fagene jobbet sammen for å gjøre riktig prediksjon.

"Vi finner at i fravær av politiske bilder, eliminerer krysspartikontakt polarisasjon og fører til mye bedre forståelse av klimaendringer, sier Centola.

Abstrakt

Vital vitenskapelig kommunikasjon blir ofte feilfortolket av lekgjennomgangen som følge av motivert resonnement, hvor folk misforstryker data for å passe sine politiske og psykologiske forstyrrelser. I tilfelle av klimaendringer har det vist seg at noen mennesker systematisk har feilfortolket klimadata på måter som er i konflikt med klimaforskernes forventede budskap. Mens tidligere studier har forsøkt å redusere motivert resonnement gjennom bipartisan kommunikasjonsnettverk, har disse nettverkene også vist seg å forverre bias. Populære teorier holder at bipartisanske nettverk forsterker partiskhet ved å utsette folk for motstridende tro. Disse teoriene er i spenning med kollektiv intelligensforskning, noe som viser at utveksling av tro på sosiale nettverk kan lette sosial læring og dermed forbedre individuelle og gruppedommer. Tidligere eksperimenter i kollektiv intelligens har imidlertid nesten utelukkende støttet seg på nøytrale spørsmål som ikke involverer motivert resonnement. Ved hjelp av Amazonas Mekaniske Turk gjennomførte vi et online-eksperiment for å teste hvordan toparts sosiale nettverk kan påvirke fagpersolkning av klimakommunikasjon fra NASA. Her viser vi at eksponering mot motstridende tro i strukturerte bi-partiske sosiale nettverk forbedret nøyaktigheten av dommer blant både konservative og liberale, eliminere trospolarisasjon. Imidlertid finner vi også at sosial læring kan reduseres, og trospolarisering opprettholdes, som følge av partisanopplæring. Vi finner at økt partisanship i kommunikasjon, både gjennom eksponering for logoer fra politiske partier og gjennom eksponering for nettverkssamfunnets politiske identiteter, kan redusere sosial læring betydelig.