Ο πίνακας ελέγχου που κυβερνούσε τον κόσμο - Μέρος 1ο

Παγκόσμια επιρροή που χρειάστηκε "μόλις λίγες ώρες" για να δημιουργηθεί

*του Thomas Verduyn*

---

Υπάρχουν πολλά γεγονότα που συνέβησαν τον Ιανουάριο του 2020 που είναι, για να το θέσω ήπια, περίεργα. Ένα από αυτά είναι ότι μόλις 23 ημέρες αφότου η Κίνα ανέφερε ότι είχε βρει μερικά κρούσματα “άγνωστης πνευμονίας” στην πόλη Γουχάν, τρία άτομα στη Βαλτιμόρη του Μέριλαντ κυκλοφόρησαν έναν πίνακα ελέγχου, που είχε σχεδιαστεί για να παρακολουθεί τον αριθμό των κρουσμάτων και των θανάτων της ασθένειας σε όλες τις χώρες του κόσμου. Και οι τρεις συνδέονταν με το Τμήμα Πολιτικών Μηχανικών και Μηχανικών Συστημάτων στο Πανεπιστήμιο Johns Hopkins (JHU). Με τα δικά τους λόγια, ο πίνακας ελέγχου “αναπτύχθηκε για να παρέχει στους ερευνητές, στις αρχές δημόσιας υγείας και στο ευρύ κοινό ένα φιλικό προς τον χρήστη εργαλείο για την παρακολούθηση της επιδημίας καθώς εξελίσσεται” [1]. Μαζί με τον πίνακα ελέγχου διατηρούσαν επίσης ένα δημόσιο αποθετήριο δεδομένων κρουσμάτων και θανάτων [2].

Η έναρξη της 22ας Ιανουαρίου έγινε τόσο νωρίς στο χρονοδιάγραμμα της Covid, που η πρώτη αναφορά κατάστασης του ΠΟΥ είχε δημοσιευτεί μόλις την προηγούμενη ημέρα και ο όρος “Covid” δεν είχε καν επινοηθεί ακόμη. Στην πρώτη αυτή έκθεση του ΠΟΥ ανακοινώθηκε ότι “282 επιβεβαιωμένα κρούσματα του 2019-nCoV έχουν αναφερθεί από τέσσερις χώρες, συμπεριλαμβανομένης της Κίνας” [3]. Τα συνολικά κρούσματα εκτός Κίνας ήταν μόνο τέσσερα και δεν υπήρξαν θάνατοι. Στην πραγματικότητα, μόνο έξι θάνατοι συνδέθηκαν επίσημα με τον ιό μέχρι αυτή την ημερομηνία και όλοι ήταν από τη Γουχάν. Για λόγους σύγκρισης και για να βάλουμε τα πράγματα στη θέση τους, ο νοροϊός υπολογίζεται ότι μολύνει 685 εκατομμύρια ανθρώπους και προκαλεί 212.000 θανάτους κάθε χρόνο [4]. Δεν γνωρίζουμε κανέναν πίνακα ελέγχου για τον νοροϊό πουθενά στον κόσμο…

Όσο περίεργο κι αν είναι το γεγονός ότι μια ομάδα στο JHU επέλεξε να δημιουργήσει και να λανσάρει έναν πίνακα ελέγχου για μια ανώνυμη ασθένεια, παρά τους τόσο χαμηλούς αριθμούς κρουσμάτων και θανάτων σε τόσες λίγες χώρες, υπάρχουν πιθανές εξηγήσεις για το γιατί το έκαναν. Μόλις 3 μήνες νωρίτερα το JHU είχε φιλοξενήσει το Event 201, μια “επιτραπέζια άσκηση εκπαίδευσης… βασισμένη σε ένα φανταστικό σενάριο” ενός νέου κορωνοϊού που προκαλεί μια παγκόσμια και θανατηφόρα πανδημία [5]. Επιπλέον, η κύρια δημιουργός του πίνακα ελέγχου (καθηγήτρια Lauren Gardner) είναι ειδική στη μοντελοποίηση μολυσματικών ασθενειών. Ανεξάρτητα από το τι μπορεί να υποδηλώνουν αυτά τα γεγονότα, ο πίνακας ελέγχου ήταν, τουλάχιστον σύμφωνα με τη δική τους μαρτυρία, το αποτέλεσμα μιας απόφασης “της στιγμής” και χρειάστηκε “μόλις λίγες ώρες” για να φτιαχτεί [6].

Παρά αυτό το βιαστικό ξεκίνημα, ο νέος ιστότοπος [7] συγκέντρωσε σίγουρα μεγάλη προσοχή σε σύντομο χρονικό διάστημα και έγινε γρήγορα ο κορυφαίος ιστότοπος δεδομένων για τα μέσα ενημέρωσης, τους ιατρικούς ερευνητές, τις υγειονομικές αρχές και το ευρύ κοινό, όχι μόνο στις ΗΠΑ, αλλά και στον κόσμο [8, 9]. Μέσα σε δύο μήνες από την έναρξή του, ο ιστότοπος φέρεται να είχε “επισκέψεις 1,2 δισεκατομμύρια φορές την ημέρα”, [10] ή σχεδόν τη μισή επισκεψιμότητα του διαδικτυακού γίγαντα Google. Μέσα σε δύο χρόνια είχε αναφερθεί από ιατρικούς ερευνητές σε περισσότερα από 8.500 άρθρα [11].

“Ο πίνακας ελέγχου του Χόπκινς έχει γίνει ένα πανταχού παρόν και αξιόπιστο σημείο αναφοράς, που αναφέρεται από ομοσπονδιακές υπηρεσίες των ΗΠΑ και μεγάλες πηγές ειδήσεων” [12].

Δεδομένης της επιρροής που άσκησε ο πίνακας ελέγχου του JHU στον κόσμο κατά τη διάρκεια της εκδήλωσης της Covid, είναι σκόπιμο να το εξετάσουμε με κάποια λεπτομέρεια. Συγκεκριμένα, εδώ συζητάμε μερικές από τις δυσκολίες απόκτησης δεδομένων σε πραγματικό χρόνο, τις πηγές που χρησιμοποίησαν για τη λήψη αυτών των δεδομένων, τον τρόπο με τον οποίο τοποθετούν δεδομένα στο σύστημά τους, τα γλωσσικά εμπόδια που εμπλέκονται στη διαδικασία και τέλος, τον ρόλο που μπορεί να έχουν παίξει προσομοιώσεις υπολογιστή ή όχι. Το άρθρο ολοκληρώνεται με ένα παράδειγμα από μια συγκεκριμένη πόλη, τη Νέα Υόρκη.

Λήψη δεδομένων σε πραγματικό χρόνο

Ακόμη και με τη βοήθεια σύγχρονων υπολογιστών, συνήθως χρειάζονται πολλοί μήνες (ή και χρόνια) για να παραχθούν αξιόπιστα δεδομένα θνησιμότητας. Για παράδειγμα, το τελευταίο έτος για το οποίο υπάρχουν διαθέσιμα επίσημα στοιχεία θνησιμότητας από κάθε αιτία στον Καναδά είναι ακόμα μόλις το 2020. Η εθνική στατιστική υπηρεσία, StatsCan, σπεύδει να επισημάνει ότι οι “καθυστερήσεις στην αναφορά” και τα “ελλιπή στοιχεία” είναι ο λόγος πίσω από την τριετή προσπάθεια [13]. Αν αυτή τη στιγμή χρειάζονται δύο ή τρία χρόνια σε έναν ομοσπονδιακά χρηματοδοτούμενο οργανισμό όπως τη StatsCan για να δημοσιεύσει δεδομένα θνησιμότητας, πώς ήταν δυνατό για το JHU να λάβει δεδομένα θανάτου από Covid σε πραγματικό χρόνο;

Είναι εξίσου δύσκολο να παραχθούν στατιστικά στοιχεία για ένα συγκεκριμένο παθογόνο ή ιό. Για παράδειγμα, επτά μήνες μετά το τέλος της περιόδου γρίπης 2017/2018, τα CDC στις ΗΠΑ εξακολουθούσαν να παρέχουν μόνο εκτιμήσεις για κρούσματα και θανάτους. Ο δηλωμένος λόγος τους ήταν ότι “τα δεδομένα για τις πρακτικές δοκιμών και τους θανάτους από τη σεζόν 2017-2018” δεν ήταν ακόμη διαθέσιμα [14]. Η ημερομηνία αυτής της δήλωσης ήταν η 22 Νοεμβρίου 2019. Ακριβώς δύο μήνες αργότερα, ο πίνακας ελέγχου του JHU κυκλοφόρησε, υποσχόμενος πληροφορίες για κρούσματα και θανάτους ενός πρόσφατα ανακαλυφθέντος αναπνευστικού ιού που μοιάζει με τη γρίπη σε πραγματικό χρόνο. Εάν χρειάζονται μήνες ή χρόνια για να ληφθούν δεδομένα θνησιμότητας και κρουσμάτων για τη γρίπη, πώς ήταν δυνατό να ληφθούν δεδομένα για την Covid σε πραγματικό χρόνο; Αν δεν ήταν δυνατό να γίνει αυτό το 2019, πώς έγινε ξαφνικά δυνατό να γίνει το 2020;

Φυσικά, υπάρχουν πολλές χώρες στον κόσμο όπου η αναφορά δεδομένων είναι αναξιόπιστη στις καλύτερες των στιγμών. Ομοίως, η Βάση Δεδομένων Ανθρώπινης Θνησιμότητας, η οποία παρακολουθεί τη θνησιμότητα ανά χώρα, είναι τακτικά δέκα χρόνια πίσω για πολλές χώρες [15]. Πώς περίμενε τότε το JHU ότι θα μπορούσε να παράξει διαγράμματα των θανάτων από Covid για κάθε χώρα στον κόσμο σε πραγματικό χρόνο; Το πιο σημαντικό, πώς ενημέρωναν ενδεχομένως τον πίνακα ελέγχου τους "κάθε 15 λεπτά" [1, 16];

Πηγές δεδομένων για τον πίνακα ελέγχου του JHU

Τα καλά δεδομένα εξαρτώνται από καλές πηγές και ο μόνος τρόπος για να κατανοήσετε πώς ο πίνακας ελέγχου του JHU λάμβανε τα δεδομένα του σε πραγματικό χρόνο είναι να εξετάσετε τις πηγές του. Σημαντικό είναι ότι οι πηγές τους άλλαξαν με την πάροδο του χρόνου. Αρχικά, η κύρια πηγή δεδομένων τους ήταν “η DXY, μια διαδικτυακή πλατφόρμα που διευθύνεται από μέλη της κινεζικής ιατρικής κοινότητας, η οποία συγκεντρώνει αναφορές από τοπικά μέσα ενημέρωσης και την κυβέρνηση, για να παρέχει σωρευτικά σύνολα κρουσμάτων COVID-19 σε σχεδόν πραγματικό χρόνο σε επίπεδο επαρχίας στην Κίνα και σε επίπεδο χώρας διαφορετικά” [1]. Αυτή η πηγή, λοιπόν, ήταν ένας συνδυασμός ειδήσεων και κυβερνητικών αναφορών.

Τελικά, η ομάδα στο JHU θεώρησε ότι η DXY αργούσε πολύ να αποκτήσει και να δημοσιεύσει δεδομένα, γι' αυτό επεκτάθηκε για να συμπεριλάβει και άλλες πηγές: “Για να εντοπίσουμε νέες περιπτώσεις, παρακολουθούμε διάφορες ροές στο Twitter, διαδικτυακές υπηρεσίες ειδήσεων και άμεση επικοινωνία που αποστέλλεται μέσω του πίνακα ελέγχου”. Καθώς οι υπηρεσίες υγείας σε όλο τον κόσμο δημιουργούσαν τους δικούς τους πίνακες ελέγχου, το JHU τους ενσωμάτωσε στη λίστα των πηγών του [2].

Ως εκ τούτου, το JHU αναγνώρισε τρεις κύριες πηγές πληροφοριών εκτός από τους επίσημους κυβερνητικούς ιστότοπους:

• Αναρτήσεις στο Twitter

• διαδικτυακές υπηρεσίες ειδήσεων

• άμεση επικοινωνία που αποστέλλονταν στον πίνακα ελέγχου

Από όσο γνωρίζουμε, δεν παρέχονται λεπτομέρειες για καμία από αυτές τις τρεις κατηγορίες πηγών. Και οι τρεις έχουν τη δυνατότητα να περιέχουν λανθασμένες, υπερβολικές ή εντελώς κατασκευασμένες πληροφορίες. Καμία δεν είναι ούτε δημόσια υπόλογη, ούτε υπόκειται σε ανεξάρτητη επαλήθευση. Δεν παρέχονται λεπτομέρειες σχετικά με το ποιος μπορούσε ή όντως επικοινώνησε απευθείας με το JHU.

Το ψάξιμο στο διαδίκτυο για ειδήσεις σχετικά με την Covid έχει σίγουρα τη δυνατότητα να επιταχύνει τη διαδικασία συλλογής δεδομένων. Δυστυχώς και εκτός από τα παραπάνω αναφερόμενα προβλήματα, εισάγει επίσης τη δυνατότητα ενός βρόχου ανάδρασης που ενισχύει τον θόρυβο. Σε τελική ανάλυση, αν οι “κυριότερες πηγές ειδήσεων” εμπιστεύονταν το JHU για ακριβή δεδομένα, πώς θα μπορούσε το JHU να λαμβάνει τα δεδομένα της από (δυνητικά) τις ίδιες πηγές ειδήσεων;

Διπλότυπα

Επιπλέον, ακόμη και αν υποθέσουμε ότι όλες οι πηγές που χρησιμοποιήθηκαν από το JHU ήταν ακριβείς, το έργο του “συνδυασμού πολλαπλών πηγών δεδομένων είναι μια πολύπλοκη διαδικασία” [17]. Μια αξιοσημείωτη πρόκληση είναι ο τρόπος χειρισμού των διπλότυπων. Κάθε φορά που λαμβάνονται πληροφορίες από περισσότερες από μία πηγές, καθίσταται δυνατό το ίδιο γεγονός να μετράται δύο φορές. Τα ειδησεογραφικά μέσα, άλλωστε, δεν περιλαμβάνουν αναγνωριστικά υγείας των ατόμων που αναφέρονται στις ιστορίες τους. Πώς, λοιπόν, το JHU κατάργησε τα διπλότυπα στα δεδομένα; Σημαίνει αυτό ότι ο αριθμός των κρουσμάτων Covid και των θανάτων όπως αναφέρονταν από τον πίνακα ελέγχου μπορεί να ήταν δύο, τρεις ή πολλές φορές υψηλότερος από την πραγματικότητα σε ορισμένες περιοχές; Πράγματι, υπάρχουν περιπτώσεις που οι χρήστες των δεδομένων ήταν πεπεισμένοι ότι ο πίνακας ελέγχου περιείχε διπλότυπα [18]. Για παράδειγμα, στις 11 Μαρτίου 2020, ένας χρήστης του αποθετηρίου δεδομένων του JHU έγραψε: “Υπάρχει μια πρόκληση με την εισαγωγή διπλότυπων δεδομένων σε μια ροή που δεν τα περιείχε ποτέ πριν. Η αναφορά τόσο σε επίπεδο πολιτείας, όσο και σε επίπεδο πόλης στην ίδια στήλη είναι βέβαιο ότι θα προκαλέσει προβλήματα” [18α]. Στο οποίο ένας άλλος χρήστης απάντησε, "Το CSSE φαίνεται να διπλασιάζει τα κρούσματα και τους θανάτους" [18β]. Το CSSE ("Center for Systems Science and Engineering") είναι το ακρωνύμιο του τμήματος στο JHU που διαχειριζόταν το αποθετήριο των δεδομένων.

Το Worldometer ως πηγή δεδομένων

Το JHU αναφέρει ρητά το Worldometer ως μία από τις πηγές του [2]. Το γεγονός αυτό επιβεβαιώνει και το ίδιο το Worldometer, λέγοντας: “Τα δεδομένα μας είναι επίσης αξιόπιστα και χρησιμοποιούνται από το… CSSE του Johns Hopkins” [19]. Γενικά, το Worldometer χρησιμοποιεί προσομοιώσεις υπολογιστή για να αναφέρει στατιστικές πληροφορίες σε “πραγματικό χρόνο”. Οι προσομοιώσεις τους βασίζονται σε ετήσια σύνολα και εκτιμήσεις υπολογιστή. Για παράδειγμα, εάν ένα εκατομμύριο άνθρωποι πεθαίνουν σε τροχαία ατυχήματα κάθε χρόνο, τότε κατά μέσο όρο ένα άτομο χάνεται κάθε 31,6 δευτερόλεπτα. Ο πίνακας ελέγχου του Worldometer για ατυχήματα θα προσθέσει απλώς έναν νέο θάνατο, ανεξάρτητα με το αν κάποιος πέθανε πράγματι κατά τη διάρκεια αυτού του χρονικού διαστήματος. Φυσικά, το Worldometer δεν θα είχε κανέναν τρόπο να γνωρίζει αν κάποιος πέθανε.

Χρησιμοποίησε το Worldometer υπολογισμούς υπολογιστή για να προσδιορίσει τα στατιστικά στοιχεία της Covid με τρόπο παρόμοιο με αυτό που κάνουν για τα τροχαία ατυχήματα; Εάν το έκαναν (και επειδή δεν μπορούσαν να γνωρίζουν τα ετήσια σύνολα εκ των προτέρων), χρησιμοποίησαν επιδημιολογικά μοντέλα αντί για πραγματικούς θανάτους, για να υπολογίσουν πόσοι άνθρωποι θα πέθαιναν εκείνη τη χρονιά από τον Covid; Καμία ερώτηση δεν μπορεί να απαντηθεί με βεβαιότητα. Ο κατάλογος των πηγών τους περιλαμβάνει μόνο κυβερνητικά ιδρύματα [19]. Ωστόσο, δεδομένου ότι δεν είναι διαθέσιμη μια πλήρης λίστα πηγών και δεδομένου ότι δεν αρνούνται ρητά τη χρήση αλγορίθμων υπολογιστών, είναι πολύ πιθανό το Worldometer να χρησιμοποίησε μοντέλα υπολογιστών για να δημιουργήσει τα στατιστικά της Covid. Αυτό καθίσταται πιο σίγουρο από το γεγονός ότι οι κυβερνήσεις δεν θα μπορούσαν να παράγουν πληροφορίες για τον Covid σε πραγματικό χρόνο.η

Τον Μάιο του 2020, το CNN δημοσίευσε ένα ενδιαφέρον άρθρο που υπογράμμιζε τη σύγχυση της σχέσης μεταξύ του πίνακα ελέγχου του JHU και του Worldometer [20]. Οι απαντήσεις από το JHU σε ερωτήσεις που του τέθηκαν κατά την προετοιμασία για αυτό το άρθρο ήταν υπεκφυγές και άφησαν περισσότερες ερωτήσεις, παρά απαντήσεις [21].

Το θεμελιώδες ερώτημα που παραμένει αναπάντητο, φυσικά, είναι γιατί το JHU θα χρησιμοποιούσε αρχικά το Worldometer ως πηγή; Εφόσον το JHU χρησιμοποίησε το Worldometer ως πηγή, σημαίνει αυτό ότι τα υποκείμενα δεδομένα στον πίνακα ελέγχου του JHU βασίζονταν επίσης σε μοντέλα υπολογιστών και όχι σε πραγματικά γεγονότα; Μέρος του λόγου για τον οποίο είναι τόσο δύσκολο να απαντήσουμε σε οποιαδήποτε από αυτές τις ερωτήσεις, είναι ότι ο κώδικας που χρησιμοποιήθηκε από τον πίνακα ελέγχου δεν ήταν ανοιχτού κώδικα, μια καταγγελία που διατυπώθηκε συχνά κατά της πλατφόρμας από τους χρήστες [22]. Ένας άλλος λόγος είναι ότι τα δεδομένα εισήχθησαν συχνά στο σύστημά τους χωρίς εξήγηση ή επαληθεύσιμες αναφορές.

Εισαγωγή δεδομένων στο σύστημα

Σύμφωνα με το άρθρο του Lancet από τους Gardner et al, για τις πρώτες δέκα ημέρες μετά την κυκλοφορία του πίνακα ελέγχου του JHU, “όλη η συλλογή και η επεξεργασία δεδομένων γίνονταν χειροκίνητα και οι ενημερώσεις συνήθως γίνονταν δύο φορές την ημέρα” [1]. Από υλικοτεχνική άποψη αυτό ήταν εφικτό, δεδομένου ότι υπήρξαν τόσο λίγες περιπτώσεις και μόνο λίγες χώρες που εμπλέκονταν κατά τη διάρκεια αυτής της χρονικής περιόδου.

Σχετικά με την ακρίβεια των δεδομένων, ισχυρίστηκαν ότι “πριν από την χειροκίνητη ενημέρωση του πίνακα ελέγχου, επιβεβαιώνουμε τους αριθμούς περιστατικών με τα περιφερειακά και τοπικά τμήματα υγείας… καθώς και με υγειονομικές αρχές σε επίπεδο πόλης και πολιτείας”. Έχει ήδη διαπιστωθεί, ωστόσο, ότι ούτε ο Καναδάς, ούτε οι ΗΠΑ θα μπορούσαν να παράγουν δεδομένα θνησιμότητας ή γρίπης εντός ενός χρονικού πλαισίου έξι μηνών. Πώς, λοιπόν, όχι μόνο ο Καναδάς και οι ΗΠΑ, αλλά τελικά κάθε χώρα στον κόσμο, παρείχαν καθημερινούς αριθμούς κρουσμάτων και θανάτων που θα μπορούσε να χρησιμοποιήσει το JHU για επαλήθευση;

Σε μια προσπάθεια να απαντηθεί αυτή η τελευταία ερώτηση, εξετάστηκαν οι ιστότοποι της Στατιστικής Υπηρεσίας του Καναδά, για να διαπιστωθεί πώς απέκτησαν τα δεδομένα τους για την Covid. Διαπιστώθηκε ότι η StatsCan έκανε το ίδιο με την ομάδα του JHU, καθώς χρησιμοποίησε επίσης “τεχνικές προσπέλασης του διαδικτύου για τη συλλογή σχετικών δεδομένων από διάφορους ιστότοπους για την COVID-19” [23]. Δεδομένου ότι δεν παρέχονται πληροφορίες σχετικά με το ποιοι ιστότοποι προσπελάστηκαν, έστειλα email στη StatsCan για να αποκτήσω μια λίστα. Η ευγενική απάντησή τους ανέφερε: “Η Στατιστική Υπηρεσία του Καναδά δεν θα έχει μια ολοκληρωμένη τελική λίστα όλων των πιθανών ιστότοπων που χρησιμοποιήθηκαν για προσπέλαση του διαδικτύου κατά τη διάρκεια της πανδημίας”. Δόθηκαν δύο λόγοι: πρώτον, εμπλέκονταν πολλά τμήματα, το καθένα με διαφορετικές διαδικασίες και δεύτερον, ζητήματα εμπιστευτικότητας. Η StatsCan πρότεινε να επικοινωνήσουμε με την Υπηρεσία Δημόσιας Υγείας του Καναδά (PHAC). Ωστόσο, η PHAC βασιζόταν στη StatsCan για τις πληροφορίες και η StatsCan έκανε την προσπέλαση του διαδικτύου, όχι η PHAC [23]. Σημαίνει αυτή η απάντηση ότι η StatsCan δεν γνωρίζει από πού πήρε τα δεδομένα για την Covid; Ή σημαίνει ότι γνωρίζουν και δεν θέλουν να μοιραστούν τις πηγές τους με το κοινό;

Η απάντηση από τη StatsCan σε κάνει να αναρωτιέσαι αν οι πληροφορίες τους προήλθαν από τον πίνακα ελέγχου του JHU. Δεδομένου του πόσο δημοφιλής έγινε ο πίνακας ελέγχου του JHU, ότι σχεδιάστηκε ρητά για να επιτρέπει στις υγειονομικές αρχές να παρακολουθούν το ξέσπασμα της πανδημίας, ότι αναφέρθηκε από ομοσπονδιακές υπηρεσίες των ΗΠΑ, ότι έχει χρησιμοποιηθεί ευρέως από ιατρικούς ερευνητές και ότι η StatsCan προσπέλασε το διαδίκτυο για να αποκτήσει τα δεδομένα τους, είναι πολύ πιθανό ότι η StatsCan τα πήρε από το JHU. Ακόμα κι αν ο Καναδάς δεν το έκανε, είναι περισσότερο από πιθανό ότι ορισμένες χώρες υιοθέτησαν τα δεδομένα του JHU ως δικά τους. Πώς θα μπορούσε το JHU να επιβεβαιώσει τα δεδομένα του με τις υγειονομικές αρχές, εάν οι ίδιες υγειονομικές αρχές έπαιρναν τα δεδομένα τους από το JHU;

Λαμβάνοντάς το υπόψη αυτό, υπάρχει η πολύ πραγματική πιθανότητα ότι το JHU ανέβαζε δεδομένα στον πίνακα ελέγχου του, ορισμένες χώρες χρησιμοποίησαν και δημοσίευσαν αυτές τις πληροφορίες στους δικούς τους ιστοτόπους και στη συνέχεια το JHU επιβεβαίωσε τις καταχωρίσεις του, συγκρίνοντας τους αριθμούς του με αυτούς στους επίσημους κυβερνητικούς ιστοτόπους. Αν συνέβη αυτό, είναι κυκλικός συλλογισμός στην καλύτερη περίπτωση. Δυστυχώς, δεν υπάρχει τρόπος να αποδειχθεί αν αυτό συνέβη ή όχι. Είτε έτσι, είτε αλλιώς, μας αφήνει ακόμα να αναρωτιόμαστε ποιες πηγές χρησιμοποίησε το JHU για τα δεδομένα του.

Αυτόματες ενημερώσεις

Όποιες και αν ήταν οι πηγές, οι μη αυτόματες ενημερώσεις τερματίστηκαν σύντομα υπέρ της αυτοματοποίησης:

“Η διαδικασία χειροκίνητης αναφοράς έγινε μη βιώσιμη. Ως εκ τούτου, την 1η Φεβρουαρίου 2020, υιοθετήσαμε μια ημι-αυτόματη στρατηγική ζωντανής ροής δεδομένων”. [1]

Οι λέξεις “μη βιώσιμη” το κάνουν να ακούγεται σαν να είχαν κατακλυστεί από κρούσματα Covid. Τα πραγματικά γεγονότα το διαψεύδουν. Σύμφωνα με τις εκθέσεις του ΠΟΥ, υπήρχαν μόνο 19 χώρες που ανέφεραν κρούσματα εκείνη την ημέρα [24]. Αυτό μπορεί να περιλάμβανε 80 έως 100 αναφορές την πρώτη Φεβρουαρίου. Δεν είναι καθόλου σαφές πώς τόσο λίγες αναφορές θεωρήθηκαν μη βιώσιμες.

Το άρθρο του Lancet βεβαιώνει ότι οι μη αυτόματες ενημερώσεις επιβεβαιώθηκαν πρώτα από την αρμόδια υγειονομική αρχή. Τίποτα, από την άλλη πλευρά, δεν λέγεται για το εάν επιβεβαιώθηκαν ποτέ ή όχι οι αυτοματοποιημένες εισροές.

Επιπλέον, είναι καν δυνατόν να αυτοματοποιηθεί η συλλογή δεδομένων από πολλούς ιστότοπους, από μια αυξανόμενη λίστα χωρών, όταν κάθε ιστότοπος χρησιμοποιεί διαφορετικές μορφές για την εμφάνιση των δεδομένων του; Αυτή η ερώτηση είναι ιδιαίτερα έγκυρη, δεδομένου του πόσο συχνά άλλαζαν αυτές οι μορφές κατά τη διάρκεια της εκδήλωσης της Covid. Πράγματι, όπως διαπίστωσε μια ερευνητική ομάδα, μέχρι τον Μάιο του 2021 δεν υπήρχαν ακόμη “πρότυπα” για την αναφορά των δεδομένων της Covid [17]. Πώς το έκανε τότε η μικρή ομάδα του JHU, όταν τελικά οι ίδιοι αναγνώρισαν όλα αυτά τα προβλήματα [16];

Γλωσσικά εμπόδια

Δύο από τα τρία άτομα που συμμετείχαν στη σχεδίαση του πίνακα ελέγχου του JHU ήταν από την Κίνα, ενώ το τρίτο ήταν από την Αμερική. Αυτό θα τους επέτρεπε να διαβάσουν τις κινεζικές αναφορές που δημοσιεύτηκαν στον ιστότοπο της DXY. Αλλά δεν δημοσιεύουν όλες οι χώρες στον κόσμο δεδομένα είτε στα κινέζικα, είτε στα αγγλικά. Οι δυσκολίες εξαγωγής δεδομένων από ιστότοπους σε ξένες γλώσσες είναι σημαντικές, ακόμη και με αυτοματοποιημένα εργαλεία μετάφρασης. Η αυτοματοποίηση όλου αυτού σε παγκόσμιο επίπεδο είναι σχεδόν αδιανόητη. Η προσπέλαση του διαδικτύου είναι σχεδόν αδύνατη, όταν οι ιστότοποι που αναζητούνται είναι σε γλώσσα άγνωστη στον ερευνητή. Τέτοιες προκλήσεις αντιμετωπίζονται συνήθως από οποιονδήποτε κάνει παγκόσμια έρευνα και ως αποτέλεσμα οι ερευνητές συχνά περιορίζονται σε χώρες που χρησιμοποιούν μια γλώσσα που τους είναι γνωστή. Πώς το έκανε τότε η ομάδα του JHU;

Πρώτα έξω από την Πύλη

Ο πίνακας ελέγχου του JHU ήταν σχεδόν πάντα ο πρώτος ιστότοπος που ανέφερε το πρώτο κρούσμα Covid σε μια δεδομένη τοποθεσία. Η Gardner ισχυρίστηκε ότι:

“Ο πίνακας ελέγχου είναι ιδιαίτερα αποτελεσματικός στην καταγραφή του χρόνου του πρώτου αναφερόμενου κρούσματος COVID-19 σε νέες χώρες ή περιοχές… Με εξαίρεση την Αυστραλία, το Χονγκ Κονγκ και την Ιταλία, το CSSE στο Πανεπιστήμιο Johns Hopkins ανέφερε πρόσφατα μολυσμένες χώρες πριν από τον ΠΟΥ, με το Χονγκ Κονγκ και την Ιταλία να αναφέρονται μέσα σε λίγες ώρες από την αντίστοιχη έκθεση κατάστασης του ΠΟΥ” [1].

Σε αντίθεση με ό,τι υπονοεί αυτή η δήλωση, οι πίνακες ελέγχου δεν καταγράφουν αυτό το είδος πληροφοριών, οι άνθρωποι το κάνουν. Πώς είναι δυνατόν η μικρή ομάδα του JHU να ανταποκρίθηκε τόσο γρήγορα, ώστε να βρει το πρώτο νέο κρούσμα σχεδόν σε κάθε χώρα πριν από οποιονδήποτε άλλο; Είναι απλή σύμπτωση το ότι η Gardner είχε πρόσφατα αναπτύξει ένα μοντέλο, που χρησιμοποιούσε τα μοτίβα των αεροπορικών ταξιδιών για να προβλέψει ακριβώς αυτό; Γράφοντας για αυτό το μοντέλο, είπε: “Το μοντέλο παρέχει τον αναμενόμενο αριθμό των (100) εισαγόμενων κρουσμάτων που φτάνουν σε κάθε αεροδρόμιο παγκοσμίως” [25].

Ήταν αυτό το μοντέλο τόσο ακριβές, που βοήθησε το JHU στην εύρεση κάθε πρώτης νέας περίπτωσης; Δεδομένου του πόσο ανακριβές ήταν το μοντέλο, αυτό το σενάριο είναι εξαιρετικά απίθανο: το ίδιο μοντέλο είχε προβλέψει αριθμούς κρουσμάτων στην Κίνα πέντε φορές υψηλότερους από αυτούς που αναφέρονταν. Παρά αυτό το κραυγαλέο πρόβλημα με το μοντέλο της, η Gardner εξακολουθούσε να πιστεύει ότι ήταν πιο ακριβές από τις αναφορές που βασίζονται σε γεγονότα:

“Πιστεύουμε ότι ο πραγματικός αριθμός των κρουσμάτων του 2019-nCoV στην ηπειρωτική Κίνα είναι πιθανότατα πολύ μεγαλύτερος από αυτόν που έχει αναφερθεί μέχρι σήμερα. Συγκεκριμένα, υπολογίζουμε ότι θα υπάρχουν περίπου 58.000 σωρευτικά κρούσματα του 2019-nCoV στην ηπειρωτική Κίνα έως τα τέλη Ιανουαρίου (στις 31 Ιανουαρίου, τα αναφερόμενα κρούσματα πλησιάζουν τα 12.000”.

Δεν είναι δυνατόν, επομένως, η Gardner να ένιωθε επίσης ότι οι προβλέψεις της για το πότε και πού θα εμφανιστούν τα πρώτα κρούσματα ήταν επίσης πιο ακριβείς από αυτές που ανέφερε οποιαδήποτε χώρα; Ανέφερε το JHU νέα κρούσματα στον πίνακα ελέγχου του με βάση τα μοντέλα της; Μήπως αυτός είναι ο λόγος που είπε ότι “ο πίνακας ελέγχου ήταν ιδιαίτερα αποτελεσματικός στην καταγραφή…”; Εάν ναι, πίστεψαν οι άλλες χώρες και ο ΠΟΥ αυτό που είχε αναφέρει το JHU και στη συνέχεια το ανέφεραν και οι ίδιοι;

ΣΥΝΕΧΙΖΕΤΑΙ…

---