{"id":1299212,"date":"2024-01-29T10:25:59","date_gmt":"2024-01-29T15:25:59","guid":{"rendered":"https:\/\/gijn.org\/?p=1299212"},"modified":"2024-01-30T06:47:20","modified_gmt":"2024-01-30T11:47:20","slug":"les-quatre-angles-les-plus-utilises-par-les-datajournalistes-pour-traiter-un-sujet","status":"publish","type":"post","link":"https:\/\/gijn.org\/fr\/histoires\/les-quatre-angles-les-plus-utilises-par-les-datajournalistes-pour-traiter-un-sujet\/","title":{"rendered":"Quatre angles r\u00e9guli\u00e8rement utilis\u00e9s par les datajournalistes pour traiter un sujet"},"content":{"rendered":"

Dans cet article, initialement <\/i>publi\u00e9<\/i><\/a> par Paul Bradshaw sur <\/i>Online Journalism Blog<\/i><\/a> et reproduit ici avec sa permission, le sp\u00e9cialiste de data journalisme enseignant \u00e0<\/i> l’Universit\u00e9 de Birmingham d\u00e9voile les quatre angles \u00e0 conna\u00eetre pour traiter un sujet en mode #ddj.<\/i><\/strong><\/p>\n

Dans le cadre de mon enseignement du journalisme de donn\u00e9es, il m\u2019arrive souvent de parler des diff\u00e9rents formats utilis\u00e9s dans le journalisme de donn\u00e9es. Il m\u2019a donc paru utile de dresser une liste de 100 articles de data journalisme puis de les analyser afin de voir \u00e0 quelle fr\u00e9quence l\u2019on retrouve ces diff\u00e9rents formats-types.<\/p>\n

Ce travail m\u2019a r\u00e9v\u00e9l\u00e9 qu’il existe sept approches-types pour traiter des ensembles de donn\u00e9es. Beaucoup d\u2019articles int\u00e8grent d\u2019autres approches de mani\u00e8re secondaire (ainsi, le r\u00e9cit d\u2019une \u00e9volution peut dans un deuxi\u00e8me temps parler de l\u2019ampleur du probl\u00e8me), mais tous les articles de data journalisme que j\u2019ai examin\u00e9s ont pris l\u2019une d\u2019elles comme fil conducteur.<\/p>\n

Dans ce premier article d\u2019une s\u00e9rie en deux parties, j’explique comment les quatre angles les plus couramment employ\u00e9s<\/strong> peuvent vous aider \u00e0 trouver des id\u00e9es de sujet puis \u00e0 les mettre en \u0153uvre. J\u2019explique \u00e9galement ce qu\u2019il faut garder \u00e0 l’esprit tout au long de ce travail.<\/p>\n

Angle n\u00b01 : l\u2019ampleur \u2013 \u00ab\u00a0Voici l’ampleur du probl\u00e8me\u00a0\u00bb<\/b><\/h4>\n

Quantifier l\u2019ampleur d\u2019un probl\u00e8me<\/strong> est probablement le sujet de data journalisme le plus fr\u00e9quent. Il s\u2019agit d\u2019articles qui identifient un probl\u00e8me majeur ou \u00e9tablissent l\u2019ampleur d\u2019un probl\u00e8me qui fait d\u00e9j\u00e0 d\u2019actualit\u00e9.<\/p>\n

\"https:\/\/gijn.org\/wp-admin\/post.php?post=1234244&action=edit&lang=en.\"<\/a>

Image : Capture d’\u00e9cran, The New York Times<\/p><\/div>\n

Fondamentalement, ces articles informent les lecteurs <\/b>des derni\u00e8res donn\u00e9es disponibles : qu\u2019il s\u2019agisse des derniers chiffres du ch\u00f4mage<\/a>, du taux de criminalit\u00e9<\/a>, de la pollution de l’air, de l’argent investi dans certains domaines, des naissances, des d\u00e9c\u00e8s ou des mariages.<\/p>\n

Pendant les premiers mois de la pand\u00e9mie, par exemple, les m\u00e9dias ont publi\u00e9 quotidiennement des articles traitant entre autres du nombre de cas, de d\u00e9c\u00e8s et de tests de d\u00e9pistage.<\/p>\n

\u201cLe nombre de morts du coronavirus dans les maisons de retraite au Royaume-Uni pourrait avoir atteint 6 000, selon une \u00e9tude<\/a>\u201d (Financial Times, avril 2020) et \u201cLe programme de r\u00e9vision des peines ind\u00fbment cl\u00e9mentes serait \u00ab inad\u00e9quat \u00bb<\/a>\u201d (BBC News, juillet 2019) sont deux exemples d\u2019articles qui se focalisent<\/b> sur la question de l’ampleur d\u2019un probl\u00e8me.<\/p>\n

La question de l\u2019ampleur est parfois secondaire<\/b>, servant de contexte \u00e0 un \u00e9v\u00e8nement particulier \u2013 \u201cUn drone perturbe l’a\u00e9roport de Gatwick<\/a>\u201d (combien d\u2019accidents li\u00e9s \u00e0 des drones ont \u00e9t\u00e9 \u00e9vit\u00e9s de peu ?) \u2013 ou \u00e0 une id\u00e9e de r\u00e9forme politique : \u201cLes nouveaux conducteurs pourraient \u00eatre interdits de conduite la nuit, selon plusieurs ministres<\/a>\u201d (combien de nouveaux conducteurs ont moins de 19 ans ?).<\/p>\n

Traiter de l\u2019\u00e9chelle d\u2019un probl\u00e8me n\u2019est pas ce qu\u2019il y a de plus compliqu\u00e9 \u00e0 faire : dans de nombreux cas, aucun calcul n\u2019est n\u00e9cessaire.<\/p>\n

Le travail consiste dans la plupart des cas \u00e0 contextualiser l\u2019information : dans le pire des cas, un article traitant de l\u2019ampleur d\u2019un probl\u00e8me devient simplement une histoire de \u00ab\u00a0chiffres impressionnants\u00a0\u00bb (\u00ab\u00a0Beaucoup d\u2019argent a \u00e9t\u00e9 d\u00e9pens\u00e9\u00a0\u00bb<\/a> ou \u00ab\u00a0Quelque chose est arriv\u00e9 \u00e0 un grand nombre de personnes\u00a0\u00bb), sans qu\u2019il soit pr\u00e9cis\u00e9 pourquoi cette information est digne d\u2019int\u00e9r\u00eat.<\/p>\n

C’est pourquoi il est important de replacer l\u2019ampleur r\u00e9v\u00e9l\u00e9 dans un contexte plus large, en utilisant des pourcentages<\/b> et des proportions<\/b> (par exemple \u00ab\u00a0un sur cinq\u00a0\u00bb), voire des comparaisons et des analogies (\u00ab\u00a0L’argent investi dans ce programme \u00e9quivaut au salaire de 500 enseignants\u00a0\u00bb).<\/p>\n

Vous pouvez \u00e9galement introduire l\u2019id\u00e9e d\u2019une \u00e9volution <\/b>comme angle secondaire, en montrant comment ces chiffres \u00e9voluent dans le temps.<\/p>\n

Dans l\u2019article du New York Times<\/a> ci-dessus, le \u00ab\u00a0v\u00e9ritable bilan\u00a0\u00bb (l\u2019ampleur) de l\u2019\u00e9pid\u00e9mie de coronavirus est imm\u00e9diatement contextualis\u00e9 par des graphiques qui montrent les \u00e9volutions statistiques depuis le d\u00e9but de l\u2019ann\u00e9e, et ce dans diff\u00e9rentes r\u00e9gions du pays.<\/p>\n

Angle n\u00b02 : \u00e9volution et constance \u2013 Augmentations, diminutions, chiffres stables<\/b><\/h4>\n
\"\"<\/a>

Screenshot, Belfast Telegraph<\/p><\/div>\n

Les articles traitant d\u2019\u00e9volutions sont presque aussi courants que ceux traitant d\u2019ampleur, et probablement plus simples \u00e0 vendre \u00e0 un r\u00e9dacteur-en-chef.<\/p>\n

Apr\u00e8s tout, toute \u00e9volution est intrins\u00e8quement digne d’int\u00e9r\u00eat et vous permet de titrer votre article avec un verbe de mouvement (\u00ab\u00a0monte\u00a0\u00bb, \u00ab\u00a0chute\u00a0\u00bb, etc.).<\/p>\n

Une fois que vous aurez remarqu\u00e9 une \u00e9volution dans les donn\u00e9es dont vous disposez, vous aurez probablement besoin de travailler davantage pour en d\u00e9terminer les causes<\/b>. Pourquoi ces chiffres augmentent-ils ou diminuent-ils ?<\/p>\n

Vous pouvez \u00e9galement ajouter un angle secondaire \u00e0 votre traitement, en explorant les variations<\/b> au sein de cette tendance \u2013 c\u2019est-\u00e0-dire les domaines dans lesquels ces chiffres ont le plus augment\u00e9 ou diminu\u00e9.<\/p>\n

Cela peut vous aider \u00e0 comprendre les causes de l\u2019\u00e9volution que vous avez remarqu\u00e9e : il y a de fortes chances que les zones les plus touch\u00e9es soient particuli\u00e8rement conscientes du probl\u00e8me et \u00e0 m\u00eame de vous l\u2019expliquer.<\/p>\n

Lorsque vous faites \u00e9tat d’un changement, il est important de garder deux \u00e9l\u00e9ments \u00e0 l\u2019esprit : la saisonnalit\u00e9 <\/b>et les marges d’erreur.<\/b><\/p>\n

La saisonnalit\u00e9 est le r\u00f4le que jouent les facteurs saisonniers (g\u00e9n\u00e9ralement pr\u00e9visibles et normaux, et donc non dignes d’int\u00e9r\u00eat) dans les chiffres, comme la fin d’un exercice financier ou d’un trimestre scolaire, la sortie de nouveaux mod\u00e8les de voiture ou simplement les changements de temp\u00e9rature. Des comparaisons annuelles (ce mois d\u2019ao\u00fbt par rapport \u00e0 ao\u00fbt dernier, par exemple) ou une correction saisonni\u00e8re<\/a> permettent d\u2019\u00e9viter cet \u00e9cueil.<\/p>\n

La marge d\u2019erreur<\/b>, quant \u00e0 elle, est la plage dans laquelle se situent les vrais<\/i> chiffres. Puisque de nombreux ensembles de donn\u00e9es sont tir\u00e9s d\u2019\u00e9chantillons<\/i>, qui sont ensuite extrapol\u00e9s au reste de la population examin\u00e9e, une marge d’erreur (ou intervalles de confiance<\/a>) permet d\u2019indiquer le degr\u00e9 de pr\u00e9cision de cette extrapolation. Si une \u00e9volution se situe dans cette marge d\u2019erreur, nous ne pouvons affirmer que quelque chose a chang\u00e9<\/a>.<\/p>\n

Une variante du format \u00e9volution est l\u2019absence<\/b> d\u2019\u00e9volution. Ainsi, ce reportage sur les faillites d\u2019entreprises<\/a> a pris comme point de d\u00e9part une \u00e9volution probable, mais a fini par d\u00e9couvrir que le nombre d\u2019entreprises faisant faillite n\u2019a pas augment\u00e9 pendant la pand\u00e9mie. Les journalistes ont donc sollicit\u00e9 les points de vue d\u2019experts pour analyser cette r\u00e9alit\u00e9 contre-intuitive.<\/p>\n

Angle n\u00b03 : classement et valeurs aberrantes \u2013 Qui est le meilleur, qui est le pire ? Qui sort des sentiers battus et pourquoi ?<\/b><\/p>\n

\"\"<\/a>

Cet article de The Economist est un article de \u00ab classement \u00bb car il identifie le mois le plus \u00ab\u00a0d\u00e9primant\u00a0\u00bb. Image : Capture d’\u00e9cran, The Economist<\/p><\/div>\n

Les articles de classement<\/b> s\u2019int\u00e9ressent aux points de donn\u00e9es les plus positifs ou n\u00e9gatifs <\/b>dans un ensemble de donn\u00e9es, ou permettent de comparer l\u2019entit\u00e9 qui nous int\u00e9resse (qu\u2019il s\u2019agisse d\u2019une police municipale, d\u2019une \u00e9cole ou d\u2019une fili\u00e8re de l\u2019\u00e9conomie) \u00e0 d\u2019autres<\/b>.<\/p>\n

\u00ab\u00a0Ce quartier connait un taux de criminalit\u00e9 particuli\u00e8rement \u00e9lev\u00e9\u00a0\u00bb ou \u00ab\u00a0Ces \u00e9coliers ont obtenu les troisi\u00e8mes meilleurs r\u00e9sultats du pays\u00a0\u00bb sont deux exemples de ce genre d\u2019article de datajournalisme.<\/p>\n

Vous pouvez vous concentrer sur les endroits \u00ab\u00a0les plus touch\u00e9s\u00a0\u00bb, comme dans l\u2019article \u201cCe quartier de Birmingham figure dans le top 10 des endroits au Royaume-Uni les plus touch\u00e9s par les paiements anticip\u00e9s sur les prestations sociales<\/a>\u201d, ou encore comparer la fili\u00e8re qui vous int\u00e9resse \u00e0 d\u2019autres, comme dans l\u2019article \u201cLe b\u00e2timent est la troisi\u00e8me fili\u00e8re la plus dangereuse au Royaume-Uni<\/a>\u201d.<\/p>\n

Mais les articles de classement peuvent \u00e9galement porter sur les meilleurs ou les pires moments, lieux<\/b> ou cat\u00e9gories<\/b> qu’un ensemble de donn\u00e9es \u00ab\u00a0r\u00e9v\u00e8le\u00a0\u00bb.<\/p>\n

L’article de The Economist ci-dessus<\/a>, par exemple, porte sur le mois o\u00f9 le plus grand nombre de personnes \u00e9coutent des chansons tristes. Une histoire de Birmingham Live couvre \u201cles crimes les plus courants \u00e0 Sandwell \u2013 et les endroits qui d\u00e9nombrent le plus grand nombre de victimes<\/a>\u201d.<\/p>\n

Soit dit en passant, The Economist a consacr\u00e9 toute une partie d’un bulletin d’information sur le journalisme de donn\u00e9es \u00e0 \u00ab\u00a0Comment r\u00e9aliser un indice\u00a0\u00bb<\/a>\u00a0:<\/p>\n

\u00ab\u00a0Dans quelle mesure de tels indices sont-ils utiles ? Tout classement qui ne repose pas sur des crit\u00e8res objectifs est susceptible d\u2019\u00eatre critiqu\u00e9. Les classements qualitatifs reposent sur des mesures subjectives. L\u2019adjectif \u00ab\u00a0tol\u00e9rable\u00a0\u00bb pourrait signifier presque la m\u00eame chose pour quelqu’un que l\u2019adjectif \u00ab\u00a0inconfortable\u00a0\u00bb \u2013 alors que \u00ab\u00a0intol\u00e9rable\u00a0\u00bb peut sembler deux fois pire qu\u2019\u00a0\u00bbind\u00e9sirable\u00a0\u00bb ? Sur les \u00e9chelles ordinales, la distance entre ces mesures est subjective \u2013 et pourtant, il faut leur attribuer un score num\u00e9rique pour que le classement fonctionne.<\/p>\n

\u00ab\u00a0The Economist<\/i> publie son indice Big Mac<\/a>, une mesure de la valorisation des devises, depuis 1986. En 2011, nous avons publi\u00e9 l’indice Shoe-Thrower [lanceur de chaussure]<\/a>, qui \u00e9valuait le potentiel de troubles dans le monde arabe. Et cette ann\u00e9e, nous avons cr\u00e9\u00e9 un indice de normalit\u00e9 mondial<\/a>, qui suit la reprise des pays apr\u00e8s le Covid-19. Mieux vaut une mesure imparfaite que de n\u2019avoir aucun moyen de comparaison\u00a0\u00bb.<\/p><\/blockquote>\n

Les articles de classement doivent \u00eatre attentifs au contexte<\/b> : une zone peut conna\u00eetre le plus de criminalit\u00e9, de maladies ou de pollution simplement parce qu’elle compte \u00e9galement le plus d\u2019habitants. Les dates de collecte des donn\u00e9es peuvent \u00e9galement fausser les r\u00e9sultats : le nombre de cas de Covid a tendance \u00e0 augmenter le mardi parce que ces chiffres \u00ab incluent de nombreux d\u00e9c\u00e8s non signal\u00e9s au cours du week-end \u00bb, comme le fait remarquer<\/a> FullFact.<\/p>\n

\"\"<\/a>

Image : Capture d\u2019\u00e9cran, FullFact.org<\/p><\/div>\n

Angle n\u00b04 : Variation \u2013 Hasard g\u00e9ographique, cartes et distributions<\/b><\/p>\n

\"\"<\/a>

Cet article par Aimee Stanton de la BBC Shared Data Unit a relev\u00e9 les diff\u00e9rences d\u2019acc\u00e8s aux stations de recharge pour voitures \u00e9lectriques. Image : Capture d’\u00e9cran, BBC<\/p><\/div>\n

Les articles traitant de variations sont d\u2019autant plus int\u00e9ressants lorsque celles-ci sont inattendues ou r\u00e9v\u00e8lent quelque chose de notre quotidien.<\/p>\n

De nombreux articles de ce genre emploient une carte choropl\u00e8the<\/b> ou une carte thermique<\/b> pour montrer comment les r\u00e9gions d\u2019un pays ont plus ou moins acc\u00e8s \u00e0 quelque chose, ou connaissent plus ou moins de demande pour quelque chose.<\/p>\n

Ces cartes peuvent mettre en lumi\u00e8re le fait que l’acc\u00e8s d’une personne \u00e0 quelque chose qui est cens\u00e9 \u00eatre distribu\u00e9 de mani\u00e8re \u00e9gale sur tout le territoire d\u00e9pend en r\u00e9alit\u00e9 du lieu o\u00f9 elle se trouve.<\/p>\n

Ainsi, l\u2019article de la cellule de datajournalisme de la BBC \u201cLe syst\u00e8me de la sant\u00e9 publique rationne l\u2019acc\u00e8s de certains couples \u00e0 la f\u00e9condation in vitro<\/a>\u201d montre que l\u00e0 o\u00f9 on habite peut d\u00e9terminer si on aura ou non acc\u00e8s \u00e0 un traitement de fertilit\u00e9.<\/p>\n

Un article sur les variations g\u00e9ographiques peut r\u00e9v\u00e9ler des injustices \u2013 ou approfondir nos connaissances d\u2019injustices d\u00e9j\u00e0 connus.<\/p>\n

Les articles sur les d\u00e9rives des algorithmes<\/b>, dont la s\u00e9rie \u201cLes biais des machines\u201d de ProPublica<\/a>, traitent en particulier des variations et des injustices que r\u00e9v\u00e8le une analyse pouss\u00e9e du fonctionnement des algorithmes. Ainsi, les algorithmes peuvent fixer des devis d’assurance diff\u00e9rents<\/a> pour deux personnes dont les crit\u00e8res sont pourtant tr\u00e8s proches.<\/p>\n

Ce genre d\u2019article peut \u00e9galement mettre en \u00e9vidence les zones de demande mal desservie ou les zones o\u00f9 l\u2019offre manque : dans le cadre d\u2019un article sur lequel j’ai travaill\u00e9 pour la BBC Shared Data Unit concernant les stations de recharge pour voitures \u00e9lectriques<\/a>, il nous a fallu \u00e9tablir le nombre et l\u2019emplacement des infrastructures existantes dans tout le pays. Ces donn\u00e9es ont fourni une base de travail pour r\u00e9aliser des \u00e9tudes de cas et alimenter nos r\u00e9flexions sur le sujet.<\/p>\n

Dans <\/i>la deuxi\u00e8me partie de cette s\u00e9rie, j’aborde les trois autres formats-types<\/i><\/a> : les articles d\u2019exploration ; ceux qui se concentrent sur la qualit\u00e9, l\u2019existence ou l\u2019absence de donn\u00e9es ; et ceux qui traitent de relations. Une version du diagramme est <\/i>\u00e9galement disponible en finnois<\/i><\/a>.<\/i><\/p>\n

This post was originally\u00a0published<\/a>\u00a0by Paul Bradshaw in the\u00a0Online Journalism Blog<\/a>\u00a0and is reprinted here with permission. Bradshaw leads the\u00a0MA in Data Journalism<\/a>\u00a0at Birmingham City University.\u00a0<\/em><\/p>\n

In my data journalism teaching and training I often talk about common types of stories that can be found in datasets \u2014 so I thought I would take 100 pieces of data journalism and analyze them to see if it was possible to identify how often each of those story angles is used.<\/p>\n

I found that there are actually broadly\u00a0seven core data story angles<\/strong>. Many incorporate other angles as secondary dimensions in the storytelling (a change story might go on to talk about the scale of something, for example), but all the data journalism stories I looked at took one of these as its lead.<\/p>\n

In the first of a two-part series I walk through how the four most common angles can help you identify story ideas, the variety of their execution, and the considerations to bear in mind.<\/p>\n

Data Angle 1: Scale \u2014 \u2018This Is How Big a Problem Is\u2019<\/h4>\n

Perhaps the most common type of story found in data is the\u00a0scale story<\/strong>: these are stories that identify a big problem, or the size of an issue which has become topical.<\/p>\n

\n

\"\"<\/a><\/p>\n

Image: Screenshot, The New York Times<\/p>\n<\/div>\n

At their most simple scale stories provide an\u00a0update<\/strong>\u00a0on new numbers being released: it could be the latest\u00a0unemployment figures<\/a>, the\u00a0amount of crime<\/a>, air pollution, money spent on some area, births, deaths, or marriages.<\/p>\n

During the first months of the pandemic, for example, we had daily scale stories on the numbers of cases, deaths, and tests, among other things.<\/p>\n

Examples of scale stories include\u00a0Death Toll in UK Care Homes from Coronavirus May Be 6,000, Study Estimates<\/a>, but also stories like\u00a0Unduly Lenient Sentences Review Scheme \u2018Inadequate,\u2019\u00a0<\/a>where the lead is based on\u00a0reaction<\/strong>\u00a0to the scale of an issue you have identified.<\/p>\n

Sometimes scale is provided as\u00a0background<\/strong>\u00a0to a single-event story, as in\u00a0Drone Causes Gatwick Airport Disruption\u00a0<\/a>(how many near misses are there?) or to a policy proposal, such as in\u00a0New Drivers Could Be Banned from Driving at Night, Ministers Say<\/a>\u00a0<\/a>(how many new drivers are under 19?).<\/p>\n

Scale stories are one of the easier genres to write: in many cases no calculation is needed.<\/p>\n

Indeed, the main work involved is likely to be in setting\u00a0context<\/strong>\u00a0to that scale \u2014 at its worst a scale story simply becomes a \u201cbig number\u201d story (\u201cA lot of money was spent on stuff<\/a>\u201d or \u201cSomething happens to a lot of people\u201d), and the reader is left unclear whether this is actually newsworthy or just normal.<\/p>\n

For that reason it\u2019s important to put scale into context by using\u00a0percentages\u00a0<\/strong>or\u00a0proportions<\/strong>\u00a0(e.g. \u201cone in five\u201d) or comparisons and analogies (\u201cThe money spent on the scheme is the equivalent of the wages of 500 teachers\u201d).<\/p>\n

You might also bring in\u00a0change<\/strong>\u00a0and\/or\u00a0variation<\/strong>\u00a0as a secondary angle: establishing historical context to the scale you\u2019ve just outlined, or how that scale varies.<\/p>\n

In the\u00a0New York Times piece<\/a>\u00a0above, for example, the \u201ctrue toll\u201d (scale) of the coronavirus outbreak is immediately contextualized by charts which show how that has changed since the start of the year, in different parts of the country.<\/p>\n

Data Angle 2: Change and Stasis \u2014 Things Are Going Up, Things Are Going Down, Things Aren\u2019t Happening<\/h4>\n
\n

\"\"<\/a><\/p>\n

Image: Screenshot, Belfast Telegraph<\/p>\n<\/div>\n

Change stories are almost as common as scale stories \u2014 and probably more straightforward to pitch.<\/p>\n

After all, change is inherently newsworthy and gives you the verb (\u201crises,\u201d \u201cplummets,\u201d \u201c[goes] up\u201d) that you need in a headline.<\/p>\n

Once you\u2019ve identified some sort of change in your data it\u2019s likely you will need further reporting to answer the \u201cwhy?<\/strong>\u201d question. Why are those numbers going up or down?<\/p>\n

You might also add a secondary angle to your story which explores\u00a0variation<\/strong>\u00a0in that trend \u2013 the areas where those numbers have gone up, or dropped, the most and least.<\/p>\n

This can help you direct your reporting on \u201cWhy?\u201d because chances are that the areas affected most will be those most aware of the issue, and able to comment on it.<\/p>\n

When reporting on change it\u2019s important to be aware of two considerations:\u00a0seasonality\u00a0<\/strong>and\u00a0margins of error.<\/strong><\/p>\n

Seasonality is the role that (typically predictable and normal, and therefore non-newsworthy) seasonal factors can play in numbers, such as the end of a financial year or school term, the release of new cars or simply changing temperatures. Year-on-year comparisons (this August compared to last August, for example) or\u00a0seasonal adjustment<\/a>\u00a0is often used to prevent this effect.<\/p>\n

The\u00a0margin of error<\/strong>, meanwhile, is the range within which the\u00a0real<\/em>\u00a0numbers actually lie. Because many datasets are based on\u00a0samples<\/em>, which are then generalized to the rest of the population being looked at, a margin of error (or\u00a0confidence intervals<\/a>) is used to indicate how accurate that generalization actually is. If any change is within that margin of error then\u00a0we can\u2019t really report that anything has changed<\/a>.<\/p>\n

A variation of the change story is the\u00a0lack of change<\/strong>\u00a0angle.\u00a0This story on company insolvencies<\/a>, for example, looks for change where you would expect it, but identifies the absence of any increase in companies going bust during the pandemic and seeks expert comment for this counterintuitive finding.<\/p>\n

Data Angle 3: Ranking and Outliers \u2014 Who\u2019s Best and Who\u2019s Worst? Who\u2019s Unusual and Why?<\/h4>\n
\n

\"\"<\/a><\/p>\n

This article by The Economist is a \u201cranking\u201d story because it identifies the \u201cgloomiest\u201d month. Image: Screenshot, The Economist<\/p>\n<\/div>\n

Ranking<\/strong>\u00a0stories are all about who or what comes out\u00a0worst\u00a0<\/strong>or\u00a0best<\/strong>\u00a0in a dataset, or where a particular entity of interest (the local police force, schools or teams, or an industry if it\u2019s the specialist press)\u00a0sits in comparison<\/strong>\u00a0to others.<\/p>\n

Typical stories in this category might include \u201cLocal area one of worst areas for crime\u201d or \u201cLocal schoolchildren get third-best results in the country.\u201d<\/p>\n

You might focus on the places \u201cworst-hit,\u201d as in\u00a0The Parts of Birmingham in Top 10 UK Areas Worst-Hit by Universal Credit Advances<\/a>, or you might look at where your sector compares to others, as in\u00a0Construction Is Third-Most Dangerous UK Industry<\/a>.<\/p>\n

But ranking stories can also be about the best or worst\u00a0times<\/strong>,\u00a0places,<\/strong>\u00a0or\u00a0categories<\/strong>\u00a0that a dataset \u201creveals.\u201d<\/p>\n

The Economist article above<\/a>, for example, is about the top-ranked month for listening to gloomy songs. A Birmingham Live story, on the other hand, leads on\u00a0The Most Common Crimes in Sandwell \u2014 And Where You\u2019re Most Likely to Be a Victim<\/a>.<\/p>\n

The Economist, by the way, dedicated part of one data journalism newsletter to \u201cHow to compile an index<\/a>:\u201d<\/p>\n

\u201cHow useful are such indices? Any ranking that isn\u2019t built on objective criteria is open to criticism. Qualitative rankings are built on subjective measures. Perhaps \u2018tolerable\u2019 means almost the same to someone as \u2018uncomfortable\u2019 \u2014 whereas \u2018intolerable\u2019 might feel twice as bad as \u2018undesirable?\u2019 On ordinal scales the distance between these measures is subjective\u2014and yet they have to be assigned a numerical score for the ranking to work.<\/p>\n

\u201cThe Economist<\/i>\u00a0has been publishing its\u00a0Big Mac index<\/a>, a measure of currency valuations, since 1986. In 2011 we published the\u00a0Shoe-Thrower\u2019s index<\/a>, which assessed the potential for unrest across the Arab world. And this year, we\u2019ve created a\u00a0global normalcy index<\/a>, which is tracking countries\u2019 recovery from COVID-19. An imperfect measure is better than having no means of comparison at all.\u201d<\/p><\/blockquote>\n

Ranking stories need to be careful about\u00a0context<\/strong>: an area may have the most crime, disease, or pollution simply because it also has the most\u00a0people. Reporting dates can skew data, too: COVID case rates tended to peak on Tuesdays because the figures \u201cinclude many deaths not reported over the weekend,\u201d as FullFact\u00a0pointed out<\/a>.<\/p>\n

\n

\"data<\/a><\/p>\n

Image: Screenshot, FullFact.org<\/p>\n<\/div>\n

Data Angle 4: Variation \u2014 \u2018Postcode Lotteries,\u2019 Maps, and Distributions<\/h4>\n
\n

\"data<\/a><\/p>\n

This BBC Shared Data Unit story by Aimee Stanton focused on the variation in access to electric car charging point. Image: Screenshot, BBC<\/p>\n<\/div>\n

Variation stories work best when we expect equal treatment, or when we seek to hold a mirror up to a part of life.<\/p>\n

The classic example uses a\u00a0choropleth map\u00a0<\/strong>or\u00a0heatmap<\/strong>\u00a0to show how some parts of a country have less access to something, or more demand for something, than other parts.<\/p>\n

The phrase \u201cpostcode lottery,\u201d for example, reflects the sense that a person\u2019s access to something that is supposed to be equally distributed is actually a game of chance.<\/p>\n

The BBC data unit story\u00a0IVF: NHS Couples \u2018Face Social Rationing<\/a>,\u2019 for example, maps out how where you live in England can mean the difference between being able to access fertility treatment or not.<\/p>\n

A variation story may be revealing that the unfairness exists \u2014 or, if people are aware of it, precisely how and where it plays out (particularly in their area).<\/p>\n

Algorithmic accountability<\/strong>\u00a0stories such as\u00a0ProPublica\u2019s Machine Bias series<\/a>\u00a0are often about variation and the unfairness that is revealed when an algorithm is unpicked: it may be people being sentenced differently, or\u00a0given different insurance quotes<\/a>, despite no meaningful difference between them on the dimensions that matter.<\/p>\n

A variation story can equally be used to highlight areas of underserved demand, or lack of supply:\u00a0one story that I worked on for the BBC Shared Data Unit about electric car charging points<\/a>\u00a0involved identifying how much infrastructure existed in the country, and where. The picture that the data painted provided a foundation for case studies and reaction.<\/p>\n

In\u00a0the second part of this series I look at the other three angles<\/a>: exploratory stories; those that focus on data quality, existence, or absence; and angles about relationships. A version of the diagram is\u00a0also available in Finnish<\/a>.<\/em><\/p>\n

Ressources compl\u00e9mentaires<\/h4>\n

10 \u00e9tapes pour se lancer dans le data journalisme<\/em><\/a><\/p>\n

Bo\u00eete \u00e0 Outils : extraire des donn\u00e9es sans savoir coder<\/a><\/em><\/p>\n

Comment cr\u00e9er votre propre base de donn\u00e9es<\/em><\/a><\/p>\n

D\u00e9couvrir les liens entre diff\u00e9rents sites webs avec SpyOnWeb, VirusTotal et SpiderFoot HX<\/em><\/a><\/p>\n

Les meilleurs outils pour collecter des donn\u00e9es exclusives<\/em><\/a><\/p>\n

\n

\"paulPaul Bradshaw<\/a><\/strong> encadre les masters de Data Journalisme<\/a> et de journalisme multim\u00e9dia et mobile<\/a> at l’Universit\u00e9 de Birmingham au Royaume-Uni. Il est \u00e9galement consultant en data journalisme au service data de BBC England.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

Dans cet article, initialement publi\u00e9 par Paul Bradshaw sur Online Journalism Blog et reproduit ici avec sa permission, le sp\u00e9cialiste de data journalisme enseignant \u00e0 l’Universit\u00e9 de Birmingham d\u00e9voile les quatre angles \u00e0 conna\u00eetre pour traiter un sujet en mode ddj.<\/p>\n","protected":false},"author":3031173,"featured_media":1299287,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_price":"","_stock":"","_tribe_ticket_header":"","_tribe_default_ticket_provider":"","_tribe_ticket_capacity":"0","_ticket_start_date":"","_ticket_end_date":"","_tribe_ticket_show_description":"","_tribe_ticket_show_not_going":false,"_tribe_ticket_use_global_stock":"","_tribe_ticket_global_stock_level":"","_global_stock_mode":"","_global_stock_cap":"","_tribe_rsvp_for_event":"","_tribe_ticket_going_count":"","_tribe_ticket_not_going_count":"","_tribe_tickets_list":"[]","_tribe_ticket_has_attendee_info_fields":false,"republication-tracker-tool-hide-widget":false,"footnotes":"","_tec_slr_enabled":"","_tec_slr_layout":""},"categories":[23098],"tags":[],"gijn_topic":[18641,18634],"series":[],"gijn_language":[],"gijn_region":[],"class_list":["post-1299212","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-histoires","gijn_topic-nouvelles-et-analyses","gijn_topic-journalisme-de-donnees"],"acf":[],"ticketed":false,"_links":{"self":[{"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/posts\/1299212","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/users\/3031173"}],"replies":[{"embeddable":true,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/comments?post=1299212"}],"version-history":[{"count":5,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/posts\/1299212\/revisions"}],"predecessor-version":[{"id":1301282,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/posts\/1299212\/revisions\/1301282"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/media\/1299287"}],"wp:attachment":[{"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/media?parent=1299212"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/categories?post=1299212"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/tags?post=1299212"},{"taxonomy":"gijn_topic","embeddable":true,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/gijn_topic?post=1299212"},{"taxonomy":"series","embeddable":true,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/series?post=1299212"},{"taxonomy":"gijn_language","embeddable":true,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/gijn_language?post=1299212"},{"taxonomy":"gijn_region","embeddable":true,"href":"https:\/\/gijn.org\/fr\/wp-json\/wp\/v2\/gijn_region?post=1299212"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}