Una tarea complicada: escribir sobre la probabilidad

  Read in English

 

Desde que comenzó la pandemia de COVID-19, casi todas las decisiones que hemos tomado en nuestra vida diaria han requerido una consideración cuidadosa de las probabilidades. ¿Qué tan peligroso es ir al supermercado en hora pico? ¿Es seguro ver amigos después de recibir una dosis de la vacuna? ¿Los niños se enfermarán o transmitirán el virus a otras personas si regresan a la escuela?

Solo la cantidad de decisiones puede resultar agotadora. Pero hay algo más que hace que todas estas decisiones sean tan difíciles: la gente, en general, no entiende bien las probabilidades. Convertimos las probabilidades altas en certezas, como cuando las personas asumen que la precisión de las pruebas de PCR para COVID-19 significa que siempre arrojarán resultados correctos, o cuando pensamos en eventos relativamente improbables, como contraer el virus después de estar completamente vacunado, como imposible. Y entre un 100% de certeza y una probabilidad cero, la forma en que interpretamos cualquier número puede cambiar radicalmente en función de cómo se exprese esa probabilidad.

Tales fallas en el pensamiento no son sorprendentes, dice la periodista y estadística Regina Nuzzo, profesora de estadística en la Universidad Gallaudet en Washington, D.C., y asesora principal de comunicación estadística e innovación de medios en la Asociación Estadounidense de Estadística. “Los cerebros humanos odian la probabilidad, odian la ambigüedad, odian la incertidumbre”, dice. “Simplemente no estamos preparados para lidiar muy bien con este tipo de cosas”.

Pero para los periodistas científicos, evitar la incertidumbre no es una opción. “Todo [en la ciencia] se cuantifica por la probabilidad o la falta de probabilidad de que suceda”, dice la periodista científica Tara Haelle, quien ha escrito extensamente sobre la cobertura de estadísticas para la Association of Health Care Journalists (AHCJ). Pero como dice Haelle, “los humanos no toman decisiones de esa manera”. La gente tiende a sentirse mucho más cómoda con un sí o no definitivo, dice, que con el espacio inexplorado en el medio.

Eso significa que los periodistas científicos tienen que trabajar duro para alejar a los lectores de esos dos extremos y lograr una comprensión más matizada. “La información sobre las probabilidades es crucial para tomar una decisión realmente informada”, dice la psicóloga Vivianne Visschers, quien estudia la comunicación de riesgos y la toma de decisiones en la Universidad de Artes y Ciencias Aplicadas del Noroeste de Suiza. Sin una buena comprensión de dicha información, los lectores pueden relajar las precauciones de distanciamiento social pandémico demasiado pronto o evitar un examen médico que deseen realizarse.

No existe una forma única y sencilla de escribir sobre probabilidad. El mismo concepto puede ser ambiguo y engañoso. Pero estrategias como usar analogías, crear imágenes y hacer un uso cuidadoso del lenguaje pueden ayudar a transmitir lo que realmente significa un 15% de probabilidad de un evento climático extremo, o un 80% de probabilidad de recuperarse de una enfermedad.

 

Reconocer la incertidumbre

Debido a que la incertidumbre es tan difícil de comunicar de manera efectiva, puede ser tentador actuar como si la ciencia en un área determinada fuera más definitiva de lo que realmente es. Pero la incertidumbre es una parte intrínseca de la ciencia, e ignorarla perjudica a los lectores. “Los periodistas que he visto que hacen esto muy bien hablan de por qué no están completamente seguros al 100% de nada”, dice Nuzzo. “Dan un pequeño vistazo al hecho de que la ciencia no es perfecta, que habrá algunas incertidumbres”.

Muchas predicciones científicas, ya sea sobre la posibilidad de que llueva mañana o de incendios forestales catastróficos en California el próximo otoño, o de un puente que se derrumbe en la próxima década, provienen de modelos computacionales —herramientas matemáticas que los científicos usan para hacer predicciones basadas en grandes volúmenes de datos—. A pesar de lo sofisticados que son estos modelos, en última instancia son solo simplificaciones de un mundo complejo e incierto. Explicar qué hace que un modelo sea impreciso, como inexactitudes en los datos subyacentes o la omisión de una variable importante, puede resultar difícil. Pero, dice Nuzzo, deberíamos intentar darles a los lectores una idea de por qué los modelos no pueden dar predicciones definitivas.

Una fuente importante de incertidumbre en cualquier modelo es el conjunto de supuestos en los que se basa. Para un modelo de cambio climático, eso podría significar una suposición sobre qué tipos de políticas ambientales implementarán los gobiernos y cómo esas políticas podrían afectar el cambio climático. Para los modelos sobre COVID-19, las suposiciones podrían incluir cuántas personas en un estado determinado seguirán una orden de uso de mascarilla y cómo afectará eso a la propagación del virus.

Las probabilidades que provienen de los modelos solo pueden ser tan buenas como las suposiciones que se basan en ellos, señala el psicólogo Gerd Gigerenzer, director del Centro Harding para la Alfabetización de Riesgos de la Universidad de Potsdam en Alemania.

En un artículo de enero de 2021 para Quanta sobre por qué el modelado de la COVID-19 ha sido tan difícil, Jordana Cepelewicz discutió cómo un modelo construido por investigadores de la Universidad de Illinois para predecir el riesgo de reanudar las clases presenciales salió mal. El modelo asumió que los estudiantes que dieran positivo y se les ordenara ponerse en cuarentena, seguirían estrictamente esas instrucciones. En realidad, algunos estudiantes infectados fueron a fiestas y cientos de estudiantes terminaron contrayendo COVID-19, un brote que el modelo no pudo anticipar. “Esta [suposición] resultó ser crítica”, escribe Cepelewicz. “Dada la forma en que se propaga la COVID-19, incluso si solo unos pocos estudiantes van en contra de las reglas, la tasa de infección podría explotar”.

Dado que las suposiciones incorrectas pueden tener un impacto sustancial, es importante que los periodistas que cubren predicciones basadas en modelos expliquen cómo las suposiciones influyen en la incertidumbre de esas predicciones. Como señala Gigerenzer, “Parte del arte de la comunicación de riesgos [es] decir: ‘No lo sabemos’”.

 

Convierte las probabilidades en números concretos

Los estudios científicos generalmente comunican las probabilidades como porcentajes —este artículo científico, por ejemplo, encuentra que hay un 90% de posibilidades de que los países más pobres del mundo vean cómo sus economías se reducen entre un 2% y un 20% durante el próximo siglo debido al cambio climático—. Pero eso no significa necesariamente que los periodistas deban hacerlo así. En cambio, un periodista puede comunicar un 90% como 9 de cada 10.

En numerosos estudios, Gigerenzer ha descubierto que las personas pueden utilizar mejor las probabilidadescuando se presentan como números concretos, incluso para probabilidades que pueden parecer fáciles de entender. Una razón puede ser que los números concretos son más fáciles de visualizar.

Los números concretos también pueden hacer que las estadísticas se sientan más relevantes personalmente. Un riesgo del 0,5% de desarrollar un tipo particular de cáncer puede parecer minúsculo. Pero si un lector fue a una escuela secundaria con 1.000 estudiantes, puede resultar más impactante escuchar que cinco de sus compañeros de clase, en promedio, desarrollarán la enfermedad. En un reportaje de marzo de 2021, la American Public Media utilizó números concretos en lugar de porcentajes para comunicar las disparidades raciales en las muertes por COVID-19. Reportaron que 1 de cada 390 indígenas estadounidenses había muerto por COVID-19.

Los periodistas e investigadores también recomiendan transmitir probabilidades que describan el riesgo en términos de riesgo absoluto en lugar de riesgo relativo. Un lenguaje como “el examen preventivo redujo el riesgo de enfermedades graves en un 50%” puede confundir a los lectores. El uso de porcentajes absolutos brinda una imagen más precisa: “Sin el examen, el 2% de las personas experimentó una enfermedad grave. Con él, solo el 1% lo hizo”.  El riesgo relativo hace que la diferencia parezca enorme, pero el riesgo absoluto deja en claro que el examen solo cambió el resultado para 1 de cada 100 personas.

En su extenso reportaje sobre las pruebas de detección del cáncer, la periodista Christie Aschwanden utiliza el riesgo absoluto para brindar a los lectores una visión lo más precisa posible de los beneficios —y costos— de las pruebas de detección. Al escribir sobre un estudio sobre la efectividad de las mamografías, por ejemplo, Aschwanden podría haber reporteado que la incidencia de tumores de mama grandes disminuyó en aproximadamente un 20% en un periodo de aproximadamente 30 años, un hallazgo que podría sugerir que las mamografías detectaron muchos tumores cuando aún eran pequeños. Pero Aschwanden, en cambio, se centró en los números absolutos y escribió que solo 30 de cada 100.000 mujeres estaban realmente protegidas de esos grandes tumores —porque la tasa de incidencia de estos era baja para empezar—.

“Siempre es una muy buena idea darles a los lectores una idea de la tasa base de cualquier problema cuando se habla de riesgo, para que sepan [si es] un gran problema para empezar”, dice. “Las personas a menudo tienden a sobrestimar sus posibilidades básicas de que les dé algo, de tener un mal resultado. Y eso sesga su forma de pensar”.

 

Ten cuidado con el lenguaje impreciso

La ventaja de incluir porcentajes y números concretos en una historia es que ofrecen un respaldo preciso de lo que se afirma. La desventaja es que meter demasiados números en un solo artículo puede desanimar a los lectores. Es tentador aliviar la carga de los lectores utilizando frases de probabilidad como “improbable”, “posible” y “muy probable”. Sin embargo, la gente tiende a interpretar estas frases de diferentes formas. Una persona podría leer “posible” y pensar “5%”, mientras que otra persona podría pensar “65%”.

Tal ambigüedad significa que los periodistas deberían considerar anclar frases de probabilidad con números precisos. Eso es lo que hizo Susannah Locke de Vox en una historia de 2014 sobre la genética del sueño. Al describir un nuevo estudio, combinó una frase de probabilidad con un número concreto, y escribió que era “muy, muy poco probable” que su lector pudiera sobrevivir con seis o menos horas de sueño por noche. Luego, agregó que el estudio encontró que solo el 5% de las personas podían funcionar con esa cantidad de sueño.

Como ilustra la historia de Locke, las frases de probabilidad funcionan mejor cuando se implementan junto con otros componentes de la historia. Y esos componentes pueden ir más allá de una sola oración. “Puedes comunicar la urgencia en el marco de tu artículo, sin que necesariamente la mayor atención se centre en si es ‘extremadamente probable’ o ‘muy probable’”, dice Shannon Osaka, reportera climática de Grist. Este fue su enfoque cuando escribió un artículo sobre cómo los cambios ambientales como la deforestación habían hecho que las pandemias fueran más probables. Aunque no incluyó estadísticas acerca de cuánto más probable es que los científicos creen que se han vuelto las pandemias, dejó poco espacio para que los lectores ignoren ese riesgo. “Necesitamos reconocer que estamos jugando con fuego”, escribió en su reportaje, citando a un investigador que entrevistó.

 

Comunicar a través de imágenes

Los elementos visuales brindan un beneficio único cuando se trata de comunicar probabilidades: pueden lograr precisión usando pocos o ningún número. A veces, incluso una imagen muy simple puede hacer mucho del trabajo. Por ejemplo, puedes comunicar un 27% de riesgo de verse afectado por una determinada enfermedad mostrando una cuadrícula que muestre 100 figuras, con 27 de ellas coloreadas.

Por supuesto, los diferentes tipos de elementos visuales son más efectivos en algunas circunstancias que en otras. Por ejemplo, como advierte Visschers, cuando un resultado es muy raro, una simple imagen visual que muestre el número de cada 100 personas afectadas podría no funcionar. En los EE. UU., Por ejemplo, el 0,17% de la población ha muerto de COVID-19 —más de 570.000 al llegar a mayo de 2021, una cifra enorme—. En una imagen que contenga 100 personas, ninguna de ellas estaría coloreada. Por lo tanto, visualizar tal información requiere un enfoque diferente. En mayo de 2020, por ejemplo, cuando el total de muertes por COVID-19 en EE. UU. alcanzó las 100.000 personas, The New York Times destacó el impacto humano de la pandemia al describir a los que habían muerto de COVID-19 en los EE. UU. como individuos, en lugar de como una fracción de la población.

Otros tipos de imágenes pueden ayudar a que las estadísticas de probabilidad se sientan personalmente relevantes. Para comunicar cuánto tiempo puede esperar vivir una persona de una edad determinada, el estadístico Nathan Yau, que dirige el blog de visualización de datos FlowingData, creó una visualización en la que los puntos que representan a personas individuales se mueven a lo largo de una línea horizontal curva sobre un eje que se extiende desde la edad cero hasta los 120 años. En algún momento, cada punto se sale de la curva y “muere”, algunos antes, otros más tarde. Los puntos caídos transmiten el concepto abstracto de esperanza de vida en forma concreta. Y al permitir que su lector cambie el sexo y la edad de las personas simuladas, Yau mantiene su visualización relevante para el lector.

Más allá de solo comunicar los números y sus implicaciones personales o sociales, las imágenes pueden profundizar en las fuentes de incertidumbre que rodean un tema determinado. En “Por qué es tan increíblemente difícil hacer un buen modelo de COVID-19”, publicado en marzo de 2020, Maggie Koerth, Laura Bronner y Jasmine Mithani de FiveThirtyEight reunieron una serie de diagramas de flujo para explicar cuántos factores intervienen en la predicción de casos de COVID-19 y muertes —33 factores, según los recuadros de colores que dibujaron— y de cuánto no podemos estar seguros en el proceso. Al trazar 37 líneas entre estos recuadros, demuestran los vínculos entrelazados entre los factores mucho más claramente de lo que podrían haberlo hecho en el texto.

 

Utiliza las comparaciones de forma eficaz

Los periodistas también pueden comunicar la probabilidad comparando una estadística desconocida con algo más familiar. La mañana de las elecciones presidenciales de 2020, por ejemplo, FiveThirtyEight comparó el 10% de posibilidades de victoria de Donald Trump con las posibilidades de lluvia en el centro de Los Ángeles en un día cualquiera. Si bien es probable que pocas personas conozcan la probabilidad precisa de lluvia en Los Ángeles, la mayoría tiene una idea general de la frecuencia con la que llueve allí (rara vez, pero no nunca).

Antes de implementar una analogía específica, dice Aschwanden, es una buena idea verificarla con una fuente experta. “El mejor escenario posible es que el investigador proponga la analogía en primer lugar”, dice. “Pero si es una que se me ocurrió a mí, casi siempre querré verificarla con ellos y asegurarme de que sea una analogía adecuada”. Cuando Aschwanden estaba entrevistando a expertos para un artículo sobre un anuncio engañoso de prevención del cáncer de piel, uno de ellos describió los cánceres de piel como “tortugas” (que son demasiado lentas para causar problemas), “pájaros” (que ya han escapado a la posibilidad de tratamiento) y “osos” (que se pueden detener). Aschwanden incorporó esa analogía a su artículo para ayudar a los lectores a comprender por qué solo una fracción de las muertes por cáncer se puede prevenir con exámenes de detección.

Las analogías también pueden ser útiles para establecer el rango en el que se encuentra una probabilidad determinada. Nuzzo señala un ejemplo de la epidemia de ébola, cuando el reportero de NPR Michaeleen Doucleff comparó una nueva vacuna contra el ébola —con una eficacia entre el 70% y el 100%— con la vacuna contra la influenza más reciente, que tenía una eficacia de alrededor del 50%. Al hacerlo, dice Nuzzo, Doucleff transmitió de manera eficiente cuán impresionante realmente era la eficacia de la vacuna contra el ébola.

Sin embargo, las analogías no están exentas de inconvenientes. Estas comparaciones son eficaces cuando relacionan los números con los antecedentes y las experiencias del lector. Pero es posible que diferentes lectores no siempre interpreten esas analogías de la misma manera. Por ejemplo, dice Visschers, comparar un riesgo particular para la salud con los peligros de fumar puede no tener el impacto deseado en alguien cuya abuela vivió hasta los 90 años fumando un paquete al día.

En última instancia, estas diversas estrategias pueden funcionar mejor cuando se usan juntas. “Vas a tener pensadores diversos” en tu audiencia, dice Haelle, y diferentes formas de comunicarse sobre la probabilidad pueden funcionar mejor para diferentes personas. Pero, dice, sé prudente: arrojar todas las estrategias para ver qué funciona “hará más pesada tu historia, especialmente si tienes varias cosas que transmitir”, dice.

 

Usar probabilidades con propósito

Incluso las decisiones aparentemente sutiles tomadas durante el proceso de escritura, como cuándo presentar números concretos en lugar de porcentajes o si usar una analogía frente a otra, pueden tener un gran impacto en cómo los lectores interpretan una estadística. Eso significa que comunicar probabilidades de manera efectiva es mucho más que hacer que los números sean digeribles: puede tener un impacto real en lo que los lectores obtienen de tu artículo y las elecciones que toman. “Con demasiada frecuencia, debido a que las personas no comprenden los números, son propensas a tomar decisiones que no se alinean con sus valores”, dice Aschwanden.

Pero los periodistas no están de acuerdo sobre si los escritores deberían pensar explícitamente en estas decisiones cuando escriben sobre probabilidad. Aschwanden traza una marcada línea divisoria entre su papel —de comunicar los números— y los juicios finales que harán los lectores. “Mi trabajo como periodista es ayudar a las personas a comprender los números y cómo se aplican a ellos”, dice. “Y luego pueden tomar las decisiones sobre si esta prueba [médica] es importante, si esta cuestión ambiental es dañina o no, qué tipo de riesgo están dispuestos a asumir”.

Cuando escribe sobre mamografías, por ejemplo, Aschwanden analiza tanto el riesgo de morir de cáncer de mama como el riesgo (mucho mayor) de estresarse por un resultado falso positivo de la prueba. Pero no les dice a los lectores cómo sopesar estos riesgos entre sí. “En medio de todos estos consejos contradictorios, los pacientes tienen que tomar sus propias decisiones”, escribe en un artículo para FiveThirtyEight. “Después de más de 15 años reporteando sobre este tema, he decidido dejar las mamografías por completo, [pero] una amiga mía ha examinado la misma evidencia y ha llegado a la conclusión opuesta”.

Haelle, por otro lado, advierte que no es del todo posible separar la comunicación de probabilidad de la forma en que los lectores toman sus decisiones. En una columna para AHCJ, explica que cubrir las encuestas sobre si las personas tienen la intención de recibir una vacuna contra la COVID-19 —que puede no predecir con precisión la aceptación de la vacuna— en realidad puede afectar la disposición de las personas a hacerlo al establecer nuevas normas sociales. “Cuanta más gente cuestiona las vacunas, más gente cuestiona las vacunas”, escribió. “Las dudas ante las vacunas es contagiosa”. La misma decisión sobre qué historias cubrir es inevitablemente una decisión que puede influir en el comportamiento de las personas.

Haelle dice que no es su trabajo promover la salud pública, pero tampoco quiere socavarla. “La gente siempre va a interpretar algo que decimos de cierta manera”, dice. “La pregunta es, ¿vamos a actuar deliberadamente al respecto o no?”

 

 

Grace Huckins es periodista científica freelance y candidata a un doctorado en neurociencia en la Universidad de Stanford. Su trabajo ha aparecido en Wired, Scientific American y Popular Science, entre otras publicaciones. En 2020, trabajó como una AAAS Mass Media Fellow en Wired. Tiene una maestría en neurociencia y estudios de género de la Universidad de Oxford, donde estudió con el apoyo de una beca Rhodes. Síguela en Twitter en @grace_huckins.