Aplanar la curva: cómo las gráficas sobre COVID-19 alteran las actitudes y preferencias políticas

Por Alessandro Romano [1], Chiara Sotis [2], Goran Dominioni [3], Sebastián Guidi [4] | Traducción por Jorge Guzmán*.

El hecho de que el encuadre de la información puede alterar dramáticamente la forma en que reaccionamos a ella no sorprenderá a ningún lector de este blog. Por cierto, el ejemplo canónico de los efectos de encuadre implica una epidemia: una enfermedad que mata a 200 de 600 personas se considera peor que una en la que sobreviven 400 personas. Mientras que esta epidemia imaginaria era sólo un experimento psicológico, una pandemia mundial real resulta ser un laboratorio desafortunado para los efectos de encuadre. En un experimento reciente mostramos cómo el encuadre afecta crucialmente a las respuestas de la gente a uno de los componentes básicos más importantes del rompecabezas informativo del COVID-19: el número de muertes. Mostramos que los gráficos de escala logarítmica que los medios de comunicación utilizan habitualmente para mostrar esta información son poco comprendidos por el público y afectan a las actitudes de las personas y sus preferencias políticas hacia la pandemia. Este hallazgo tiene importantes implicaciones; durante una pandemia, incluso más de lo habitual, el público depende de los medios de comunicación para transmitir información comprensible a fin de tomar decisiones informadas sobre los comportamientos de protección de la salud.

Muchos medios de comunicación presentan la información sobre el número de casos y muertes por COVID-19 utilizando un gráfico de escala logarítmica. A primera vista, esto parece sensato. De hecho, muchos de ellos defienden su decisión mostrando cuán mejor son estos gráficos para transmitir datos sobre la naturaleza exponencial del contagio. Para los amantes de la historia, el popular economista Irving Fisher también creía esto, lo que le llevó a abogar fuertemente por su uso en 1917 (justo antes de que la gripe española los hiciera trágicamente relevantes). Fisher estaba extasiado por la escala logarítmica:

Irving Fisher (1917): "Cuando uno se acostumbra a ello, nunca se engaña."

Sin embargo, resulta que ni siquiera los científicos especializados se acostumbran. No es de extrañar que el público en general tampoco.

Realizamos un experimento entre sujetos para comprobar si las personas tenían una mejor comprensión de los gráficos en una escala logarítmica o lineal, y si la escala en la que se muestra el gráfico afecta a su nivel de preocupación y a sus preferencias políticas. A la mitad de nuestra muestra (n = 2000) de residentes de EE.UU. se le mostró la progresión de las muertes relacionadas con COVID-19 en aquel país en el momento de la encuesta representada en una escala logarítmica. La otra mitad recibió exactamente la misma información, esta vez en una bien conocida escala lineal.

Contrariamente al optimismo de Fisher, encontramos que el grupo que lee los datos en una escala logarítmica tiene un nivel de comprensión del gráfico mucho más bajo: sólo el 40,66% de ellos pudo responder correctamente a una pregunta básica sobre el gráfico (si hubo más muertes en una semana u otra), en contraste con el 83,79% de los encuestados en la escala lineal. Además, las personas del grupo logarítmico también resultaron ser peores a la hora de hacer predicciones sobre la evolución de la pandemia: predijeron, en promedio, 71,250 muertes durante una semana después de la realización del experimento, mientras que el grupo lineal predijo 63,429 (nuestro modelo de predicción ARIMA indicó 55,791, y el número real de muertes en esa fecha fue de 54,256). No obstante, los encuestados de ambos grupos declararon un nivel de confianza similar en sus respuestas.

Además, comprobamos si la escala utilizada afecta a las actitudes de los encuestados hacia la pandemia. Parece que sí. En primer lugar, hallamos que a pesar de que se preveía un mayor número de muertes, las personas a las que se les mostró el gráfico de escala logarítmica declaran estar menos preocupadas por la crisis sanitaria causada por el nuevo coronavirus.

Las divergencias, sin embargo, no se detienen ahí. La escala del gráfico que ven afecta a las respuestas de la gente en cuanto a sus preferencias políticas y comportamientos declarados. En igualdad de condiciones, los encuestados que ven la información en los gráficos de escala lineal apoyan con menos fuerza la política de mantener cerrados los negocios no esenciales que los que miran el logarítmico, aunque también están a favor de reabrirlos más tarde. Al mismo tiempo, los que ven el gráfico lineal están más dispuestos a apoyar un hipotético impuesto a nivel estatal destinado a proporcionar máscaras a las personas.

Una posible explicación de nuestro hallazgo es que la escala lineal da la impresión de una pandemia creciente, sin signos de mejora. Al mismo tiempo, la curva en la escala logarítmica parece más plana y tranquilizadora. Sin embargo, tiene un valor final más alto en el eje Y, que podría servir de ancla para evaluar la evolución a corto plazo de la pandemia. Por lo tanto, mientras que el grupo logarítmico predice más muertes a corto plazo debido al anclaje más alto, el grupo lineal espera que la crisis dure más tiempo. En consecuencia, el grupo lineal está más preocupado por la crisis de salud, anticipando usar cubrebocas con menos frecuencia para racionarlas.

Hay que reconocer que no podemos saber qué preferencias políticas son superiores. Empero, sí sabemos que, a diferencia de las personas que vieron el gráfico en una escala logarítmica, aquellas expuestas a un gráfico de escala lineal pueden formar sus opciones basándose en información que pueden comprender mejor. Como se ha demostrado en este texto, la gente tiene problemas para entender la naturaleza del crecimiento exponencial, y cualquier dispositivo que facilite su percepción será valioso. Esta es una razón suficientemente fuerte como para sugerir que los medios de comunicación y los responsables de la formulación de políticas públicas deberían siempre describir la evolución de la pandemia empleando un gráfico a escala lineal, o al menos mostrar ambas escalas. En términos más generales, este es un ejemplo de cómo los gobiernos podrían basarse en la ciencia del comportamiento para mejorar la efectividad de su comunicación a la gente a un costo muy bajo. Después de todo, si queremos que las personas se laven las manos y se mantengan a dos metros de distancia, deben entender lo que está sucediendo.

. . .

Una preimpresión del experimento se puede encontrar aquí, y el autor correspondiente puede ser contactado en alessandro.romano@yale.edu

Los autores también han escrito sobre este tema para el Blog de la LSE Covid19.

. . .

Texto publicado originalmente en el Behavioral Public Policy - Blog de la Universidad de Cambridge, bajo el título «Flatten the (Logarithmic) Curve».

. . .

[1] Alessandro Romano es profesor asistente en la Escuela de Derecho de China y la Unión Europea. Obtuvo un doctorado en derecho y un master en la Universidad Erasmus de Rotterdam, Holanda. 

[2] Chiara Sotis es licenciada en Economía y Negocios por la LUISS Guido Carli. Actualmente es profesora de Economía Ambiental en el departamento de Geografía y Medio Ambiente de la LSE.

[3] Goran Dominioni es egresado por la escuela de derecho de la Universidad de Yale y actualmente se desempeña como Consultor en el Banco Mundial.

[4] Sebastián Guidi es egresado por la escuela de derecho de la Universidad de Yale y se desempeñó como relator especial de la Corte Europea de Derechos Humanos.

* Jorge Guzmán (@JorgeGuzman_) es politólogo y publiadministrativista por la Facultad de Ciencias Políticas y Sociales de la UNAM. Es Coordinador General de Proyectos en BPP A.C.