Newsletter n. 34 | Aperture ai dati

Quello delle elezioni è un ottimo momento per parlare di data literacy: ci troviamo ad avere a che fare con lettura e interpretazione di statistiche, previsioni, percentuali e, ovviamente, tante data visualization. Ma quanti sono abituati ad usare il linguaggio dei dati?

Già partendo dalle diverse leggi elettorali, possiamo vedere come gli stessi dati possono avere effetti molto diversi. I dati non sono neutrali, il loro significato dipende da come vengono raccolti e calcolati, ma anche dal sistema di regole in cui vengono usati.

Durante queste ultime elezioni, ad esempio, abbiamo visto che, essendo in vigore il Rosatellum, le percentuali di voti attribuite ai partiti aveva pesi diversi nel calcolo dei seggi in Camera e Senato, attribuiti in base a un sistema maggioritario (uninominale) e uno proporzionale (plurinominale).

Durante le campagne elettorali (ma non solo, lo sai bene ) è centrale l’attenzione sulle fonti: è necessario precisare quanto cambia se le percentuali provengono dai sondaggi elettorali, e quindi da calcoli previsionali o interviste all’elettorato rispetto alle sue intenzioni di voto; dagli exit poll e quindi dalle dichiarazioni di chi ha appena espresso il voto in cabina; o dagli effettivi risultati elettorali, che vengono comunicati ufficialmente solo qualche giorno dopo la chiusura delle urne.

E infine, come vengono rappresentati questi dati? Probabilmente ricordi il caso della mappa coropletica che l’ex presidente USA Trump ha condiviso in seguito alle elezioni del 2016. Noi non ci siamo imbattuti in particolari casi di manipolazione dell’informazione attraverso mappe o dataviz (se ti è capitato , scrivici). Anzi, in questi giorni abbiamo visto diverse testate condividere mappe interattive e navigabili con i risultati in continuo aggiornamento.

Non è andata altrettanto bene su altri due fronti:

non so se ci hai fatto caso, ma la suddivisione dei registri elettorali, e quindi le code che si formano ai seggi per attendere il turno per il voto sono suddivise per genere. Senza parlare dei disagi che possono vivere persone che non si riconoscono in uno dei due generi, ma da un punto di vista strettamente burocratico e di gestione dei dati: questo procedimento prevede una doppia suddivisione dei registri - prima per genere e poi in ordine alfabetico -, che potrebbe essere ridotta a una sola, semplice: A-L, M-Z.