Veri Biyografileri: Verinizi Tanımak

fotoğraf: https://weallcount.com/
fotoğraf: https://weallcount.com/

Çeviren: Pınar Eldemir
Voyd gönüllüsü, veri analisti, doktora öğrencisi

NICAR konferansındaki- bence- en önemli çıktılardan biri veri hikayelerini anlamanın hem kafa karıştırıcı hem de heyecanlı olabileceği oldu. Oradayken veri biyografileri hakkında bir sunum yaptım ve anlattıklarımı sizinle paylaşmak istiyorum. 

Yıllarca hatta belki de on yıllar boyunca büyüleyici veri hikayeleri anlatma deneyimine sahip pek çok uzman var ve bir o kadar da (tamam, muhtemelen daha fazlası) hala veri gazeteciliği ile ilgili denemeler yapan ve veriyi nasıl kullanacağını öğrenen insanlar mevcut. Öğrencilere veri analizi ve görselleştirme konusunda ders verirken bana en sık sorulan sorulardan bir tanesi verilerle çalışmadaki en önemli adımın ne olduğudur ve buna verdiğim cevap her zaman aynıdır: veri biyografilerini geliştirmek. 

Çoğu zaman, deneyimsiz veri kullanıcıları verilerini yüz değerinde alarak hata yapar- bu ilk bakışta gördükleri hikâyenin verilerin anlatması gereken gerçek ve tek hikâye olduğunu varsaymak demektir. İnsanları verilere insan kaynağı gibi davranmaları üzere teşvik etmeyi seviyorum. Sonuçta bilgiyi sağlayan kişileri araştırmadan asla bir hikâye yazmasınız- neden verileri farklı değerlendiresiniz? 

Verinizi Tanımak

Hikayenize ekleyeceğiniz her bir veri parçası için bunların ara planını veya kaynağını bularak bir veri biyografisi oluşturmanız gerekir. Verinin size anlattıklarını yayınlamadan önce bir insan kaynağı üzerinde yaptığınız araştırma gibi verinizi de araştırmalı ve anlamalısınız: 

  • Nereden geldi?
  • Kim topladı?
  • Nasıl toplandı?
  • En önemlisi, neden toplandı?

Bu, her zaman ilk bakışta düşünüldüğü gibi basit olmaz. Ancak datanızı tanımak hikayenizdeki önemli boşlukları, önyargıları, yanlış bilgileri ya da göz ardı edilmiş detayları ortaya çıkarabilir.

Şöyle düşünün: eğer bir doktor beslenme düzeninizde daha fazla şeker tüketmeniz gerektiğini söylerse bu önerisinin altında tıbbi bir neden olduğunu varsayabilirsiniz. Eğer bir şeker satıcısı aynı şeyi söylerse muhtemelen bu sefer bu bilgiyi daha farklı algılarsınız. Aynı şekilde, veriler sadece önünüzdeki sayılarla ilgili değil aynı zamanda bu sayıların oraya nasıl geldiğinin hikayesidir. 

Gerçek Örnekler: Kadına Yönelik Şiddet İstatistikleri

Bir süre önce, ekibimiz kadına karşı şiddetle ilgili bir veri hikayesi üzerinde çalışıyordu. Veri kaynaklarını araştırmak için biraz zaman harcadık ve Birleşmiş Milletler’in iyi bir başlangıç noktası olduğuna kanaat getirdik. BM’nin hem kadına yönelik şiddet hem de partner şiddeti ile ilgili verilerini indirdik ve analizlerimize başladık. 

Bir kadının ömrü boyunca partnerinden gördüğü şiddetin değişkenlerini inceleyerek çeşitli ülkelerdeki eğilimlerin neye benzediğini anlamak için hızlıca bir grafik oluşturduk: 

Bazı ülkelerdeki eğilimler şaşırtıcıydı ve kadına yönelik şiddetin oranında olağandışı değişikliklere işaret ediyordu. Burada neler olduğunu merak ettik. 

Verileri hızlıca inceledikten sonra ilk attığımız adım bu noktaların her biri için veri biyografileri oluşturmak oldu. Elde ettiğimiz bilginin arka planını bilmemiz gerekiyordu ki gördüğümüz kalıpları daha iyi anlayabilelim. 

Veri Biyografisi: Nerede? 

Bu durumda, verilerimizde ilk fark ettiğimiz şey bilginin nereden geldiğiydi. Verilerin bazıları tüm kadınları, bazıları ise sadece belirli bir yaştaki kadınları yansıtıyordu. Bazıları ise sadece belirli bir medeni statüdeki kadınları içeriyordu. Tüm bu veriler aynı değişkende toplanmıştı- aynı isim, aynı etiket- ve veri kaynağının farklılığına dair hiçbir ipucu yoktu. 

Veri Biyografisi: Kim?

Sonrasında veriyi kimin topladığına baktık. Veri biyografimizi tamamlamak için BM’nin belgelerini incelemek bu değişkende yer alan verilerin toplanmasında çok farklı kişi ve kuruluşların yer aldığını ortaya çıkardı. 

Veri Biyografisi: Nasıl ve Neden?

Kullandığımız verileri toplayan bazı taraflar bunları ulusal istatistiki amaçlarla toplarken bazıları bir dava savunuculuğu yapıyor bazıları ise yeni bir yöntemi test ediyordu. Farklı yöntemler ve nedenlerle toplanan verimizin tamamı aynı tabloda aynı değişken adıyla ve aynı etiketlerle sunulmuştu. Eğer veri biyografisi ile verimizi tanımak için zaman ayırmasaydık tüm bu noktaların ne kadar farklı olduğunu asla fark edemezdik. 

Veri biyografimizi tamamladıktan sonra şiddet oranlarında önemli değişiklikler gibi gözüken bazı eğilimlerin aslında veri toplamadaki farklılıklardan kaynaklandığını gördük. 

 

 

 

 

 

Veri biyografimizi kullanarak Ruanda’daki veri toplama sürecinin yıllar boyunca son derece tutarlı olduğunu belirledik. Bu verilerde gördüğümüz eğilimlerin gerçekten meydana geldiğine emin olduğumuz için oradaki kadınlara yönelik şiddette bu kadar ciddi bir artışa neyin yol açtığını araştırmak için ilerleyebilirdik. 

İlginçtir, yukarıda gösterilen yıllarda Ruanda’da çoğunluğu kadınlardan oluşan bir parlamento seçilmişti ve kadına karşı şiddeti önlemeyi amaçlayan ülkenin ilk yasaları da bu meclisten geçmişti. Peki bu ne anlama geliyordu?

Hükümet değişikliklerine karşı şiddet eylemlerine yol açan büyük bir tepki mi vardı?

Ya da şimdi kadınların müracaat ettiklerini hissettikleri için daha fazla mı şiddet olayı bildirildi? 

İyi bir veri biyografisi ile bile verinizi yorumlarken dikkatli olmak zorunda kalırsınız- bir sonraki yazıda bu konuda daha fazla konuşacağız. 

Veri her zaman objektif değildir

Geçtiğimiz günlerde Alberto Cairo ’nun yönettiği ücretsiz çevrimiçi veri gazeteciliği kursuna katılanlar belki veri biyografisi oluşturmak için neler yapılması gerektiğini açıklayan bu videoyu hatırlayabilir: 

Unutmayın ki bir veri biyografisini oluşturmak için zaman ayırarak hikayenizi kaynaklarınızın doğru ve güvenilir olduğundan emin olarak anlatabilirsiniz. Kaliteli veri biyografileri oluşturmanın kolay bir yolunu mu arıyorsunuz? Veri biyografisi şablonunun ücretsiz bir kopyasını indirin.

1 YORUM

Comments are closed.