数据可视化揭示美国优生学历史

留学申请微信咨询

微信扫描左侧二维码

或点击下方按钮咨询

达特茅斯学院（2024USNews美国大学排名：18）的团队通过创造性的数据可视化揭示了美国的优生学历史。教授Jacqueline Wernimont、2025届学生Jane Huang和生物医学信息学专家Carly Bobak展示了如何通过数据可视化来激发社会变革。Huang在担任Wernimont教授和Bobak博士的研究助理期间，受到了极大的启发，并在芝加哥的Outlier大会上展示了他们的工作。该项目基于超过60,000名在加利福尼亚、爱荷华、密歇根、北卡罗来纳和犹他州的绝育程序幸存者的病历，通过数字叙事使这一大多不为人知的历史变得更加可见。优生学在20世纪的美国被广泛制度化，32个州有绝育法，加利福尼亚州占全国绝育总数的三分之一，并影响了德国1933年的优生法。近年来，优生学团队扩展为一个多机构、跨学科的研究项目，基于加州大学洛杉矶分校的社会与遗传学研究所的绝育与社会正义实验室。Wernimont教授招募了Bobak博士，利用HIPAA合规数据库创建多个州的绝育记录数据可视化。团队在Outlier大会上的演讲使用自然语言处理技术分析医生笔记中的语言选择及其对性别偏见的影响，重点关注1921年至1953年间在加利福尼亚州机构进行的22,511个绝育程序推荐。Huang还研究了“同理心数据可视化”的趋势，强调数据可视化不仅能提供信息，还能激发社会正义的行动和倡导。她认为优生学赔偿是一个相关且紧迫的问题，指出包括加利福尼亚在内的一些州最近的赔偿计划是绝育与社会正义实验室工作的结果。

优生学在一百年前无处不在。今天我们仍然生活在其遗产之中。文章回顾了优生学的历史，指出在20世纪初，许多国家和美国的多个州通过了允许强制绝育的优生法。1924年，弗吉尼亚州通过了一项全面的优生法，并在1927年的Buck v. Bell案中被最高法院确认，导致成千上万的女性被强制绝育。纳粹德国也借鉴了这些法律，进行大规模的绝育和种族灭绝。尽管集中营被摧毁，但美国的强制绝育一直持续到1973年。今天，美国31个州仍有法律允许对残疾人和被监禁者进行强制绝育，最近的法律在2019年通过。优生学曾被视为科学进步和人类完美的象征，但随着时间的推移，其含义发生了变化，成为一种负面的历史遗产。现代社会在基因编辑和生育选择方面的进步，使得优生学的阴影依然存在。文章还讨论了现代科学和社会中的一些问题，如长远主义和有效利他主义，这些理念虽然与优生学有联系，但并不完全等同。作者呼吁我们要记住历史，关注残疾人和弱势群体，反对任何形式的种族、性别或生物学上的不平等。

随着企业试图利用他们收集的大量数据，数据可视化正成为一项关键任务。这些可视化工具为组织内的非技术用户提供了一种高效的方式来理解数据。预计到2031年，数据可视化市场的价值将接近200亿美元。以下是推动市场增长的五大趋势：

数据民主化：数据民主化意味着所有用户都可以访问数据。无代码/低代码解决方案是实现这一目标的核心组件，使得没有编码经验的用户也能创建数据分析和可视化。
实时可视化和分析：实时数据可视化使企业能够更快地做出战略决策，更有效地管理风险，并比其他公司更早识别新兴机会。实时可视化在物流和航运等行业尤为重要。
动态和交互式可视化：动态和交互式数据可视化使观众能够理解数据点随时间的变化。这种类型的可视化使创作者能够讲述故事并说明观点，而无需使用过多的文本。
社交媒体上的数据可视化内容：品牌利用可视化工具在社交媒体上脱颖而出，吸引用户的注意力。成功的可视化能够在品牌的关键受众中激发参与度。
数据故事讲述：数据故事讲述结合了文本、数据和视觉效果，使故事更具影响力。这种新的报道方式被称为数据故事讲述，新闻机构使用数据可视化来传达事实，并吸引互联网用户。

随着可用数据量的增加，使用数据的人数也在增加。数据可视化曾经是IT部门的专属工具，但现在个人也在使用它们来提高品牌信誉并推动业务决策。预计未来几个月，数据可视化的使用和参与度将显著增加。

这篇文章提供了一个从19世纪初到今天的美国联邦政策和事件的历史视角，这些政策和事件影响了当今的健康差异。文章涵盖了直接影响健康覆盖和医疗服务获取的政策、医学相关事件、影响健康的社会和经济政策与发展，以及解决不平等的努力。文章指出，尽管有些影响有色人种的事件，如路易斯安那购地、西进运动和跨大西洋奴隶贸易，早于这个时间线，但时间线旨在为解决健康差异提供背景，承认塑造当今种族和民族健康及医疗差异的复杂历史。文章详细列举了从1808年到2023年的重要政策和事件，包括奴隶制时期对黑人女性的医学剥削、联邦印第安寄宿学校、印第安人迁移法案和眼泪之路、解放宣言、重建修正案、历史上的黑人医学院、排华法案、普莱西诉弗格森案、夏威夷共和国的兼并、美国优生学运动、塔尔萨种族屠杀、社会保障法、全国劳动关系法、日裔美国人在二战期间的监禁、医疗保险和医疗补助的建立、民权运动、平权行动、家庭医疗假法、暴力犯罪控制和执法法案、环境正义的行政命令、儿童健康保险计划、平价医疗法案、黑人的命也是命运动、特朗普旅行禁令、新冠疫情、反亚裔暴力的增加以及2023年哈佛大学招生案等。这些政策和事件展示了美国历史上种族和民族健康差异的形成和演变过程，并强调了持续存在的健康不平等问题。

机器学习的历史和演变可以追溯到20世纪40年代，当时神经科学家沃尔特·皮茨和沃伦·麦卡洛克在1943年首次提出了神经网络的数学模型。此后，机器学习经历了多次重要的发展。1950年代，图灵测试、首个人工神经网络和“人工智能”与“机器学习”术语的提出标志着这一领域的开端。1960年代，首个聊天机器人Eliza和首个移动智能机器人Shakey的出现进一步推动了机器学习的发展。1970年代和1980年代，模式识别和手写字符识别程序、基于自然选择的问题解决程序等相继问世。1990年代，IBM的深蓝计算机击败了国际象棋世界冠军，加速了机器学习的应用。进入21世纪，IBM Watson在2011年击败了《危险边缘》节目冠军，标志着机器学习在自然语言处理和认知计算方面的突破。近年来，生成对抗网络、深度学习、自动驾驶汽车和多模态聊天机器人等技术的出现，使机器学习在各个行业中得到了广泛应用。未来，机器学习将继续在创意AI、分布式企业、游戏、自主系统、超自动化和网络安全等领域发挥重要作用。

综合来看，达特茅斯学院团队的研究不仅揭示了美国优生学的黑暗历史，还展示了数据可视化在推动社会变革中的重要作用。通过利用自然语言处理技术和同理心数据可视化，他们不仅揭示了历史事实，还激发了社会正义的行动和倡导。这一研究不仅有助于我们理解过去的错误，也为现代政策的制定提供了宝贵的参考。优生学的历史教训提醒我们，科学和技术的进步必须以人类尊严和社会正义为前提，任何形式的种族、性别或生物学上的不平等都应受到谴责和抵制。通过数据可视化和机器学习等现代技术，我们有机会更好地理解和解决这些复杂的社会问题，从而推动一个更加公正和包容的社会。