Seleccionar página

  blende12/Pixabay

Fuente: blende12/Pixabay

La mayoría de la gente piensa que es más peligroso vivir en una gran ciudad que vivir en un área suburbana o rural. Después de todo, los delitos violentos tienden a ser mucho más altos en las zonas urbanas (Anderson, 2022), y esto incluye los homicidios. Por lo tanto, si su principal preocupación es reducir el riesgo de muerte por homicidio, su mejor opción es mantenerse alejado de la vida urbana.

Pero esa no es la única forma de cuantificar cuán peligrosos son los diferentes centros de población, como Fox (2022) mostró recientemente utilizando datos de 1999 a 2020.[1]. Al observar solo los homicidios, las grandes áreas metropolitanas son más peligrosas que las áreas no metropolitanas. Pero tan pronto como se tienen en cuenta los accidentes de transporte como causa de muerte que acompaña a los homicidios, las áreas no metropolitanas se vuelven mucho más peligrosas en general (aproximadamente un 80 % más peligrosas que la ciudad de Nueva York específicamente y un 35 % más peligrosas que las grandes áreas metropolitanas en general)[2].

Los resultados vuelven a cambiar cuando se amplía la causa de muerte a «causas externas» (p. ej., envenenamiento accidental, complicaciones quirúrgicas). Según esta métrica, las áreas no metropolitanas muestran un 102 % más de riesgo que la ciudad de Nueva York y un 29 % más de riesgo que las grandes áreas metropolitanas en general. Entonces, ¿realmente vivir en una gran ciudad es más peligroso que en otros núcleos de población? La conclusión a la que llegue variará según los riesgos que incluya.

No presenté el ejemplo anterior para abogar por que las personas se muden a grandes áreas metropolitanas.[3]. Mi ejemplo se presentó para resaltar cómo las conclusiones que sacamos a menudo se ven afectadas por las elecciones que hacemos, desde qué datos usamos hasta cómo los agregamos a los análisis específicos que realizamos. Y, al menos en este ejemplo, los datos de la misma fuente (Fox usó datos de CDC) podrían usarse para argumentar que las grandes áreas metropolitanas son más peligrosas y menos peligrosas que las áreas no metropolitanas.

Para que no piense que se trata de un incidente aislado, tal problema puede ocurrir en muchas otras situaciones. Por ejemplo, Fattal (2020) y Cartlidge (2021) muestran, utilizando tipos muy diferentes de dominios de investigación, que la forma en que los analistas toman decisiones sobre su proceso de análisis a menudo determina los resultados que obtienen. Entonces, este no es un problema aislado.

El punto que quiero destacar de todo esto es que los datos o la evidencia rara vez son de naturaleza verdaderamente objetiva. Gran parte de la toma de decisiones humanas se basa en qué datos recopilar, cómo agregarlos y analizarlos y, posteriormente, qué conclusiones sacar de ellos.

Tomemos como ejemplo la determinación de qué ciudad es más peligrosa. Ya mostré cómo definir lo más peligroso con base en los homicidios produce una conclusión muy diferente que lo más peligroso cuando se consideran los homicidios y las muertes en el transporte. Entonces, cuál es el más peligroso ya está abierto a la interpretación subjetiva.

La peligrosidad tiene que ser operacionalizada (definida de una manera que permita la comparación relativa o absoluta entre las opciones) para que sea útil para sacar conclusiones, que probablemente estarán influenciadas por el contexto psicológico del tomador de decisiones (las actitudes, creencias, sesgos y experiencia previa). del decisor). Es probable que varios sesgos entren en juego como parte del contexto psicológico, desde sesgos motivacionales (cuál es el motivo de la decisión) hasta sesgos basados ​​en valores (el peso que se atribuye a los diferentes resultados). Estos sesgos pueden alterar todo el proceso de toma de decisiones.

Por ejemplo, supongamos que un alcalde de un área metropolitana grande (Metro A) va a ser reelegido pronto. En este escenario, el agregado de homicidios y muertes relacionadas con el transporte se compara favorablemente con otras áreas metropolitanas comparables (Metros B y C), mostrando un riesgo agregado menor en Metro A que en B y C. La campaña del alcalde podría tomar esto como evidencia de la éxito del alcalde y concluir que la evidencia apoya la reelección del alcalde. Después de todo, usando esta puesta en funcionamiento, el Metro A es menos peligroso que los Metros B y C. Pero también hay un incentivo obvio para detenerse en este mensaje, ya que retrata al alcalde bajo una luz favorable.

Sin embargo, supongamos además que las cifras agregadas son mejores en general para Metro A, pero esto se debe en gran parte a un riesgo notablemente menor de muertes relacionadas con el transporte en comparación con B y C. Resulta que las tasas de homicidio son mucho más altas en Metro A que en B o C. El oponente del alcalde aprovecha esta información para argumentar exactamente la conclusión opuesta, que Metro A es más peligroso que B o C y señala las diferencias en la tasa de homicidios como evidencia de la necesidad de un cambio de alcalde.

Técnicamente, debido a las diferencias en cómo operacionalizaron la peligrosidad, tanto el titular como el retador estarían en lo correcto. Si este tema fuera el factor decisivo en la elección, qué candidato gana se reduciría a la ponderación de qué resultado fue más relevante para los votantes: peligro agregado o peligro debido específicamente al homicidio[4].

Atentamente

Figura 1. Modelo general de insumo-rendimiento-producto

Fuente: Atentamente

Aunque este ejemplo es ficticio, muestra cómo las conclusiones pueden variar en función de numerosos factores. Podemos representar esto utilizando un modelo general de entrada, rendimiento y salida (Figura 1), donde la entrada se refiere a qué datos se utilizan, el rendimiento se refiere a cómo ponderamos esos datos y las estrategias específicas que usamos para decidir, y el resultado es la decisión en sí. Alterar las entradas puede alterar la decisión resultante (p. ej., considerar solo X puede resultar en una elección de decisión, pero considerar X e Y puede resultar en una elección de decisión diferente), al igual que alterar los rendimientos (utilizar la estrategia de decisión A puede resultar en una elección de decisión). elección, pero usar la estrategia de decisión B puede resultar en una elección de decisión diferente).

Esta es una razón principal por la que Kolsky (2012) argumentó que todos los datos son contextuales. Los datos a menudo brindan poca información si no comprendemos las formas en que tanto las entradas como los rendimientos afectaron las conclusiones extraídas de esos datos.

Entonces, la próxima vez que alguien argumente «la evidencia es clara de que X» (o algo comparable), pregúntese si el contexto (es decir, la entrada y el rendimiento) utilizado para aducir X es razonable o si el contexto se seleccionó específicamente para aducir. X (a diferencia de Y o Z). Eso podría alterar su decisión de aceptar o rechazar X.

Entonces, cuando decidas qué núcleo de población es más peligroso o por qué alcalde votar, recuerda que los datos que usas para sacar estas conclusiones se basan en algún contexto específico, un contexto que puede ser más subjetivo de lo que crees.