Varför behöver vi prata om statistisk litteracitet?

“People often underestimate the difficulty of doing this well, due to the ease of doing it poorly.” Så står det i informationen om the Rousseeuw Prize for Statistics. Detta stämmer också med Dunning-Kruger effekten, alltså att det finns en tendens att överskatta sin kompetens inom områden där man har begränsade kunskaper.

Sedan millennieskiftet har tillgången på data ökat explosionsartat. Detta har inneburit möjligheter men också utmaningar.

Hans Rosling (1948–2017) drev en kampanj för statistisk litteracitet som fick en hel del uppmärksamhet. Tillsammans med sin son Ola och sonhustru Anna bildade han Gapminder, en icke-vinstdrivande organisation som identifierar missuppfattningar om viktiga samhällsutvecklingar. De har också utvecklat undervisningsmaterial baserat på tillförlitlig statistik. Hans Rosling utsågs till Årets statistikfrämjare 2014 av Svenska statistikfrämjandet. Några kollegor i vår schweiziska systerorganisation har initierat ett projekt i Hans Roslings anda kallat ”Unlocking the Power of Data Initiative”. I skrivande stund har initiativet lagts på is, men det pågår en utvärdering.

Med litteracitet har man traditionellt avsett elementär läs- och skrivkunnighet, det vill säga färdigheter som i princip alla medborgare bör besitta för att ett modernt samhälle skall fungera. Graden av läskunnighet brukar vara nära 100 % i de flesta utvecklade länder. Ribban sitter således inte speciellt högt.

Efter hand har nya begrepp såsom finansiell litteracitet (vilket innebär elementär förståelse för termer såsom ränta, inflation och riskspridning) myntats. Mest adekvat för Qvintensens läsare torde vara begrepp som risklitteracitet, datalitteracitet och statistisk litteracitet. Jag skall inte försöka mig på att skarpt avgränsa dessa begrepp. Jag vill dock nämna att för risklitteracitet finns ett enkelt test med tre frågor kallat The Berlin Numeracy Test

Vad är statistisk litteracitet?

Engelskspråkiga Wikipedia har en artikel om statistisk litteracitet som visserligen är klassificerad som ”start-class” men ändå ganska läsvärd. Definitionen av statistisk litteracitet låter rätt rimlig:

”Statistical literacy is the ability to understand and reason with statistics and data. The abilities to understand and reason with data, or arguments that use data, are necessary for citizens to understand material presented in publications such as newspapers, television, and the Internet. However, scientists also need to develop statistical literacy so that they can both produce rigorous and reproducible research and consume it.“

En viktig aspekt av statistisk litteracitet är att ha en förståelse för när man kan dra slutsatser på egen hand och när man bör anlita någon form av expertis. Detta är betydelsefullt att poängtera inom utbildningar av olika slag.

Jag har ett tidigt minne av (brist på) statistisk allmänbildning. När jag gick på mellanstadiet visade en lärare hur man kan få fram världsrekordet ett visst år genom att interpolera i ett diagram. Jag försökte förklara att rekordet var vad det var tills någon slog det. Läraren förstod inte vad jag menade.Cirka sextio år senare kan man konstatera att brist på statistisk litteracitet fortfarande är utbrett och långt ifrån bara för mellanstadielärare, vilket man kan läsa om bland annat i böckerna av Bauer et.al. och Hanne Kjöller, som återfinns i referenslistan.

Har intresset för statistisk litteracitet ökat under 2020-talet?  Man skulle kunna tycka att så borde vara fallet med tanke på alla som på egen hand ritade kurvor över smittspridningen under pandemin. När jag tittade på ”pageviews” under statistisk litteracitet i engelskspråkiga Wikipedia fick jag dock inte det intrycket. Grovt skattat var antalet sidvisningar dubbelt så stort i mitten av 2010-talet  jämfört med mitten av2020-talet (vi bör dock beakta att sättet att hitta information ändrats).

Som nämnts ovan skall man vara försiktig med att dra alltför långtgående slutsatser, det kan finnas flera orsaker som skulle behöva analyseras, men en annan indikation på att intresset för statistisk litteracitet har minskat är att SMHI tagit bort sannolikhetsdata från sina prognoser. Jag fick följande kommentar från SMHI:s kundtjänst i mars 2025: ”Vi har tagit bort prognosens säkerhet av tekniska och användarvänlighetsskäl. Prognosen vi visar är alltid den mest sannolika. Vi arbetar på att utveckla nya sätt att förklara prognosens säkerhet. Mer information om prognosernas säkerhet kan du hitta i SMHI:s kunskapsbank.” 

Därefter har sannolikhetsdata återinförts för nederbördsprognoser.Man kan konstatera att SMHI valt att presentera osäkerheter något annorlunda än exempelvis norska YR. Det kan finnas anledning att ytterligare studera hur osäkerhetsdata för väderprognoser lämpligen bör presenteras och hur de tolkas av allmänheten. Personligen tycker jag att SMHI:s nya approach, där man redovisar sannolikheten för nederbörd både på tim- och dygnsnivå ger ökad tydlighet. 

Några aktuella exempel

Det går att hitta åtskilliga exempel på hur statistik används i media på ett tvivelaktigt sätt.  Nedan ges några exempel som dykt upp på senare tid.

Är tyska läkare tre gånger effektivare än svenska?

Det har ibland påpekats av bland annat Leif Östling att exempelvis tyska läkare hinner med cirka 2 000 patientbesök per år jämfört med 700 för deras svenska kollegor. Om detta vore ett adekvat mått för jämförelse vore det verkligen anmärkningsvärt. Borde det inte i så fall märkas på exempelvis läkartätheten (vilken om man tittar på antalet praktiserande läkare är något högre i Tyskland) eller medellivslängd (vilken är något högre i Sverige)? I en debattartikel i SvD 2023-01-25 skriver barnläkaren och professorn Jonas F Ludvigsson: ”I Sverige försöker vården maximera hälsan, vi räknar inte patienter som andra räknar pinnar. Det leder till att patientermed begränsade besvär (exempelvis behov av att mäta blodtryck eller smärta i en armbåge) ofta går direkt till sjuksköterska respektive sjukgymnast för bedömning, eftersom det är mer effektivt än att först passera läkare för ett 5-minuters-besök (ett läkarbesök som annars bättrat på läkarstatistiken men inte gjort någon väsentlig skillnad för patienten).” Det låter som en rimlig delförklaring. Observera att jag inte har tagit ställning till huruvida vården i Sverige eller Tyskland är mest effektiv, bara påpekat att man måste iaktta viss försiktighet när man använder vissa mått för jämförelser. 

Hur mäter man graden av (o)rättvisa i betygssystem?

Ur ”Vi Lärare” 2025-02-25: ”Om det nya betygssystemet redan varit verklighet hade mer än var femte student på de mest attraktiva universitetsutbildningarna inte kommit in. – Det är ett mått på hur orättvist dagens system är, säger utredningssekreteraren Anders Auer.” Frågan är om det verkligen är ett bra mått?  Dels så antar man att det nya systemet är helt rättvist, men uppenbarligen är det svårt att i förväg bedöma om ett system är rättvist eller inte.

Man kan också fråga sig om det går överhuvudtaget att definiera rättvisa? Skall en plats på exempelvis KI ses som belöning för goda insatser i gymnasiet, eller skall man välja ut dem som har bäst förutsättningar att klara första årets tentamina, eller dem som troligen blir bäst läkare? Varför infördes det nuvarande systemet om man inte trodde att det var hyfsat rättvist? Men frånsett detta: då det krävs i stort sett maximalt betyg för att komma in på de mer attraktiva linjerna så kommer ingen in med god marginal. Låt oss ta ett extremt exempel på en utbildningslinje med bara en plats som väldigt många duktiga elever eftertraktar. Med system A är Adam marginellt bättre än Berit. Med system B är Berit aningen bättre. Kan man då säga att system A är mycket orättvist då ingen av dem som antagits med detta system hade kommit in med system B?  Låt oss ta den andra extremen att samtliga behöriga sökanden kommer in, då blir det 100 % överlapp oberoende av hur (o)rättvisa systemen är. 

Coronapandemin

Qvintensen 2020/2 har av naturliga skäl stark fokus på coronapandemin. Bland annat bidrog Åke Wissing med en artikel: ”Vad har forskare och myndigheter för kunskap?”. Under pandemin dryftades en del statistikrelaterade frågor tämligen livligt.

Det var därför intressant att läsa Anders Tegnells bok ”Tankar efter en pandemi”. Tegnell studerade matematik ett år i USA, där han också träffade sin nederländska fru. Även om han själv håller med om att studierna inte var speciellt krävande indikerar det ändå ett visst intresse för matematik och statistik. Tegnell nämner också att han haft Hans Rosling som föreläsare och inspirerats av honom. Tegnells mentor Johan Giesecke hade studerat teknisk fysik med inriktning tillämpad matematik innan han sadlade om till läkarbanan. Tegnell nämnde att Folkhälsomyndigheten hade en del kompetenta matematiker och statistiker och nämner specifikt Lisa Brouwers, som enligt LinkedIn är doktor i datavetenskap vid Stockholms universitet. Hon och Tegnell står som medförfattare till en artikel i The Lancet med titeln ”Evaluation and communication of pandemic scenarios”.

Tegnell tar upp flera frågeställningar med bäring på coronastatistik, som dryftats flitigt under pandemin. Exempelvis kom han fram till att överdödlighet var det mest relevanta måttet vad gäller att jämföra situationen i olika länder, trots uppenbara brister (det kan vara svårt att veta hur stor del av överdödligheten som beror på pandemin och hur stor del som beror på andra orsaker, såsom värmeböljor och stokastiska variationer). Eurostat tycks ha kommit till samma slutsats om man tittar på deras dashboard. 

En fråga som diskuterades i början av pandemin var testning. Folkhälsomyndigheten fick kritik för att man inte prioriterade testning tillräckligt. Jag minns att en dam som brukade hastarka åsikter i många frågor skrev att ”man kan väl testa även om testerna inte är perfekta?”. Tegnell framhåller att ”testning är inte bara att peta folk i näsan utan en lång resurskrävande process”.

Överdödligheten kan beräknas på lite olika sätt, men allmänt kan sägas att frånsett första vågen under våren 2020 hörde Sverige till de länder som klarade sig bäst. Oberoende av pandemin, men under ungefär samma period, genomgick Folkhälsomyndigheten processen att bli godkänd som statistikansvarig myndighet. Svaret på frågan i Qvintensen 2020/2 – vad har forskare och myndigheter för kunskap? – är troligen “en hel del” även om det säkert finns förbättringspotential.

Fler exempel på tveksamt använd statistik kan vi hitta på den tyska hemsidan ”Unstatistik des Monats”, liksom den svenska ”Statistik och strunt” som underhålls av Christian Lindell.

Hur går vi vidare?

Under 2020-talet har ett antal ”data literacy charters” tagits fram, bland annat i Tyskland och Schweiz. Dessa lyfter fram ett behov av spritt kunnande inom datalitteracitet. En svaghet med dessa charters är att de avstår från att nämna statistisk litteracitet (vilket dock görs i ett liknande spanskt dokument). Erfarenheten har visat att definitionsfrågor kan vara viktiga. Jag tycker att det vore bra om man inom FENStatS tar fram en ”statistical and data literacy charter”. Begreppen torde vara mycket överlappande. 

Bägge nämnda charters förordar ökad undervisning inom datalitteracitet (vilket då bör inkludera statistik) inom hela utbildningsväsendet, inklusive livslångt lärande. Där skulle man kunna lyfta fram några konkreta exempel:

• Inom grundskola och gymnasium för att förstå statistiska resonemang i exempelvis dagspressen, läsa bipacksedlar, förstå väderrapporter.

• Inom akademisk grundutbildning för att förstå statistiska data i forskningsrapporter inom det egna området.

• På forskarutbildningsnivå för att kunna bidra till utveckling av statistiska idéer.

I ett samhälle där tillgången till data har ökat explosionsartat behöver vi prata om statistisk litteracitet. Människor behöver ha en god grundförståelse för hur statistik och data fungerar och vilka slutsatser som går att dra. Grundskolans läroplan ger intryck av en ganska hög ambitionsnivå vad gäller statistikkunskaper, frågan är hur det ser ut i praktiken. Ett riskmoment är övertro på AI-genererade resultat, något som bör beaktas på alla utbildningsnivåer.