《纽约时报》记者：数据新闻不存在半真实

“你写的报道即便是事实也可能仍是错的。” 在5月欧洲的一场调查记者和数据新闻大会上，美国《纽约时报》数据新闻记者Robert Gebeloff如是说。

大会全称是“European Investigative Journalism Conference & Dataharvest”。Gebeloff认为，数据和新闻的结合可能会导致一些错误的解读，且难以杜绝。

“每当我做新闻报道时，都希望能获得关于选题的一切资料。” Gebeloff表示他会从所有可能的渠道搜集数据，再用相关方法验证，而最后只会发表那些他确认为事实的部分。

时下流行事实核查，美国网站Politifact就发明了一个叫Truth-O-Meter的工具来衡量政治人物讲话的真实程度，将结果分别用“真实”、“大部分真实”、“半真实”、“大部分失实”或“失实”（false）来表示。

然而，Gebeloff认为这些标准不适用于数据新闻，“数据新闻不能止步于‘半真实’，只要哪怕一丁点失实都是不可承受之错。” 他坚持数据新闻必须永远真实。

有时候，即便你文章中写的统统都是事实，Gebeloff认为也有可能出错：“你可能算对了数字，却用错了地方，或者未能说明其中的不确定性，又或者用错误的方式陈述事实。”

他举了个例子。此前有媒体报道称，美国前总统小布什任命的移民法官倾向于拒绝批出避难申请。该报道的依据一篇论文中的数字：16名法官中的11人过往拒绝避难申请的比例高于平均水平。Gebeloff认为，尽管相关论文看似正确，但该媒体据其所作出的报道仍旧是错误的。

Gebelof解释说，那11人中有两人的拒绝率在统计上其实高得并不显著，因此不能得出结论说两人高于平均水平。

他进一步解释道，统计学上，“卡方检验”是用来计算差异显著性的公认方法，主要说明一个群体与另一个群体相比，是否有明显不同的特征。该公式主要涉及两个因素，一个是差异大小（比如前面提及的拒绝率的差别），另一个是样本大小（比如法官作出决定的次数，次数太少就很难说明问题）。

因此，如果我们基于很小的统计样本来说事，那就会导致事实正确但结论错误的情况。

数学是一门精确而又深奥的学科，一般大众难以明白较高级的数学理论，因此记者在使用时务必谨慎，因为你很难在报道中向读者解释清楚。

Gebelof认为记者可以用数学方法来发现新闻线索，但他的经验是，如果发现相关方法无法用浅显的语言说明白，就要果断放弃。

Gebeloff和《纽约时报》的同事于2016年12月发表了一组关于纽约州监狱对犯人存在性别歧视问题的调查报道。在运用多种方法对六万宗监狱纪律处分个案进行统计分析后，他们在报道中写下了这样的文字：

“分析发现，在多数监狱，黑人和拉丁裔遭受纪律处分的比例高于白人——某些案例中甚至达到两倍。他们被关禁闭的次数更多，时间也更长。”

《纽约时报》2016年12月系列报道“Race Behind Bars”。

Gebeloff表示，他们不仅与专家分享统计数据以作进一步求证，同时也与报道的批评对象即监狱方分享。他认为即便遭到反驳，记者也应该在报道发表前确切知道反驳的内容，并且将其一并写入报道。

Gebeloff一再强调，数字本身的准确并不足够，还要放在正确的语境中用恰当的方法解释，否则“半真实仍然是失实。”

为此，总结出一个核对清单供记者同行参考。

编译/周穗斌

编辑/梁思然