Que nous vérifions constamment le nombre de nouvelles infections, suivons les progrès des essais de vaccins ou « faisons défiler l'anxiété » sur Twitter, les nouvelles concernant la pandémie de COVID-19 peuvent être accablantes. Il n’est pas facile de trier les bonnes informations des mauvaises et de mettre en contexte les développements de chaque jour.

Carl Bergstrom, professeur de biologie à l'Université de Washington, est un expert sur la manière dont l'information circule dans la science et la société. Lui et son collègue de l'Université de Washington, Jevin West, donnent un cours sur le raisonnement des données dans le monde numérique (ses documents sont disponibles en ligne). Ils ont également écrit un livre basé sur le cours, Calling Bullshit: The Art of Skepticism in a Data-Driven World, qui devrait être publié ce mardi. Bergstrom a suivi de près la pandémie, partageant de fréquentes mises à jour sur Twitter et luttant contre la désinformation. Scientific American a parlé avec lui de sa boîte à outils pour naviguer dans le déluge quotidien d'informations sur le nouveau coronavirus, de la recherche de sources fiables à l'interprétation des rapports sur la recherche préimprimée.

[An edited transcript of the interview follows.]

Quels conseils avez-vous pour gérer l'énorme quantité d'informations sur les coronavirus et les utiliser de la manière la plus saine possible ?

Pour moi Par exemple Elle fait des maladies infectieuses depuis une vingtaine d'années. Elle comprend l'image entière et fait un travail brillant pour la présenter. Je pense qu’il s’agit de trouver les voix en qui vous avez confiance, puis de compter sur ces voix.

La compréhension des scientifiques du coronavirus est en constante évolution. Souvent, des choses qui semblaient vraies il y a quelques mois sont maintenant connues pour être fausses. Dans cette situation, comment pouvons-nous savoir si quelque chose est une bonne information ou une désinformation ?

La première chose à reconnaître [is that] parce que la science change, les conseils que vous recevez des professionnels de la santé changent également avec le temps. Vous verrez des gens dire: « Eh bien, vous ne pouvez pas faire confiance [National Institute of Allergy and Infectious Diseases director Anthony] Fauci, car il disait une chose en février, et il en dit autre en juillet.  » C'est complètement à l'envers. Les personnes en qui vous ne pouvez pas faire confiance sont celles qui n'ont pas changé d'avis et de conseils, bien qu'elles aient énormément plus de preuves. Ceux qui changent leurs points de vue et leurs conseils sur la base de preuves sont ceux qui font de la science et ceux qui font de bonnes recommandations.

Pour ce qui est de la manière dont vous triez les informations erronées, il est important d’examiner les sources des informations. Peut-être que quelqu'un tweete qu'il y a ce document et qu'il renvoie à un article de journal. Eh bien, revenez à l'histoire du journal. Et puis l'histoire du journal pourrait être liée au papier original. Revenez au papier d'origine. La triangulation est une autre chose vraiment importante. S'il y a une réclamation qui existe, assurez-vous que cette réclamation est faite par plusieurs sites, et [that it is] non seulement tweeté par plusieurs comptes, mais provient en fait de personnes différentes. Si quelque chose semble trop bon ou trop mauvais pour être vrai, c'est probablement le cas.

Dans Calling Bullshit, vous parlez des moyens de détecter les vraies données utilisées de manière trompeuse. Pouvez-vous donner un exemple d'outil décrit dans le livre qui vous a aidé à identifier de telles informations trompeuses dans les actualités COVID-19 ?

Le biais de sélection se produit lorsque vous échantillonnez dans une population, puis vous tirez des conclusions sur une population différente, et l'échantillon que vous avez examiné n'est pas vraiment représentatif de la population sur laquelle vous tirez des conclusions. Au début de la pandémie, il y avait quelques médecins de Bakersfield, [Calif.], qui tentaient d'estimer la prévalence de la maladie en Californie. Ils ont examiné la fraction des patients se rendant dans leurs cliniques de soins d'urgence qui avaient le coronavirus, et ils ont constaté que cette fraction était assez élevée. Et puis ils [essentially] a dit: « D'accord, eh bien, cela nous donne une estimation de la fraction en Californie qui a le coronavirus. » Ils ont juste supposé que [the prevalence for] toute la Californie [could be extrapolated from] les gens qui viennent dans leurs cliniques. Mais, bien sûr, c'est une hypothèse complètement déraisonnable au milieu d'une pandémie. Si vous êtes la clinique de la ville qui effectue les tests, une grande partie des personnes qui viennent dans votre clinique pense qu’elles ont un coronavirus. Sinon, ils ne viendraient pas.

Cette évaluation a beaucoup de sens. Mais il est facile d’oublier ces détails