دانلود مقاله تعامل داده ها و سوگیری شناختی در مدیریت اطلاعات بحران
چکیده
مقدمه
پیش زمینه
طراحی و روش تحقیق
نتایج
بحث
محدودیت ها
نتیجه گیری
منابع
Abstract
Introduction
Background
Research Design & Methods
Results
Discussion
Limitations
Conclusion
References
چکیده
بحران‌های بشردوستانه، مانند اپیدمی ابولا در آفریقای غربی در سال ۲۰۱۴، مدیریت اطلاعات را به چالش می‌کشد و در نتیجه انعطاف‌پذیری دیجیتال سازمان‌های پاسخ‌دهنده را تهدید می‌کند. مدیریت اطلاعات بحران (CIM) با فوریت برای پاسخگویی علیرغم نامشخص بودن وضعیت مشخص می شود. همراه با مخاطرات بالا، منابع محدود و بار شناختی بالا، بحران ها مستعد ایجاد سوگیری در داده ها و فرآیندهای شناختی تحلیلگران و تصمیم گیرندگان هستند. هنگامی که سوگیری ها در CIM کشف نشده و درمان نشده باقی می مانند، ممکن است منجر به تصمیم گیری بر اساس اطلاعات جانبدارانه شوند و خطر پاسخ ناکارآمد را افزایش دهند. ادبیات نشان می‌دهد که واکنش بحران باید با انطباق با اطلاعات جدید و بهتر، به عدم قطعیت اولیه و سوگیری‌های احتمالی رسیدگی کند. با این حال، ما در مورد اینکه آیا رویکردهای تطبیقی اثر متقابل داده ها و سوگیری های شناختی را کاهش می دهند، اطلاعات کمی داریم. ما این سوال را در یک آزمایش اکتشافی و سه مرحله ای در مورد پاسخ به بیماری همه گیر بررسی کردیم. شرکت کنندگان ما متخصصان با تجربه در زمینه تصمیم گیری بحران و تجزیه و تحلیل اطلاعات بودند. ما متوجه شدیم که تحلیلگران نمی‌توانند با موفقیت داده‌ها را رد کنند، حتی زمانی که سوگیری‌ها شناسایی می‌شوند، و این شکست را می‌توان به کم‌ارزش‌کردن تلاش‌های انحرافی به نفع نتایج سریع نسبت داد. این شکست منجر به توسعه محصولات اطلاعاتی جانبدارانه می شود که به تصمیم گیرندگان منتقل می شود و در نتیجه تصمیم گیری را بر اساس اطلاعات جانبدارانه می گیرند. سوگیری تایید اتکا به نتایج بدست آمده با داده های جانبدارانه را تقویت می کند و منجر به یک چرخه معیوب می شود که در آن مفروضات مغرضانه اصلاح نشده باقی می مانند. ما انحراف ذهنی را به عنوان یک استراتژی ضد احتمالی در برابر این اثرات سوگیری در CIM پیشنهاد می کنیم.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Humanitarian crises, such as the 2014 West Africa Ebola epidemic, challenge information management and thereby threaten the digital resilience of the responding organizations. Crisis information management (CIM) is characterised by the urgency to respond despite the uncertainty of the situation. Coupled with high stakes, limited resources and a high cognitive load, crises are prone to induce biases in the data and the cognitive processes of analysts and decision-makers. When biases remain undetected and untreated in CIM, they may lead to decisions based on biased information, increasing the risk of an inefficient response. Literature suggests that crisis response needs to address the initial uncertainty and possible biases by adapting to new and better information as it becomes available. However, we know little about whether adaptive approaches mitigate the interplay of data and cognitive biases. We investigated this question in an exploratory, three-stage experiment on epidemic response. Our participants were experienced practitioners in the fields of crisis decision-making and information analysis. We found that analysts fail to successfully debias data, even when biases are detected, and that this failure can be attributed to undervaluing debiasing efforts in favor of rapid results. This failure leads to the development of biased information products that are conveyed to decision-makers, who consequently make decisions based on biased information. Confirmation bias reinforces the reliance on conclusions reached with biased data, leading to a vicious cycle, in which biased assumptions remain uncorrected. We suggest mindful debiasing as a possible counter-strategy against these bias effects in CIM.
Introduction
Infectiousdisease outbreaks have been on the rise (Smith et al., 2014), with the COVID-19 pandemic being the prime example that epidemics, if not controlled, lead to severe humanitarian crises and exacerbate poverty and hunger in the Global South (United Nations, 2021). To respond to epidemic crises, information is central. Previous research has advocated for digital resilience via information systems, models, and algorithms that address the deluge of information and foster the stability of the digital ecosystem itself (Schemmer et al., 2021). Constantinides et al. (2020) define digital resilience as “[...] the phenomena of designing, deploying, and using information systems to quickly recover from or adjust to major disruptions from [...] shocks.” Crises, however, put digital resilience to the test, especially the ability to rapidly adapt to a dynamic and highly volatile information environment.
Conclusion
Crisis response organizations integrate external analysts into the CIM process to strengthen their digital resilience. In this capacity, external analysts collect and analyze data and develop information products (e.g., maps, tables, infographics) for decision support. While this extended capacity is meant to improve the evidence base for decisions, the CIM process remains challenged by circumstances of urgency, uncertainty, high stakes, and constraint resources. Consequently, crises are prone to induce biases into the data as well as the cognitive processes of external analysts and decision-makers. We investigated how biases influence the CIM process between experienced external analysts and decision-makers through a three-stage experiment.