En dataunderstøttet model er en metode til at analysere information og bruge den som grundlag for vurderinger, forudsigelser eller beslutninger. I stedet for primært at bygge på mavefornemmelse, tradition eller enkeltstående erfaringer tager modellen udgangspunkt i indsamlede data, som bearbejdes systematisk for at finde mønstre og sammenhænge.
Hvad betyder det i praksis?
En dataunderstøttet model kan være enkel eller avanceret. Det kan for eksempel være en redaktion, der analyserer læseradfærd for at forstå, hvilke emner der engagerer mest, eller et system, der hjælper med at opdage
misinformation ved at sammenligne indhold med kendte kilder, sproglige mønstre og tidligere
faktatjek. I politik, sundhed, økonomi og medier bruges sådanne modeller til at gøre komplekse beslutninger mere gennemsigtige og efterprøvelige.
En vigtig pointe er, at modellen ikke kun handler om selve dataene, men også om reglerne for, hvordan data organiseres og fortolkes. Hvis grundlaget er mangelfuldt, skævt eller for snævert, kan resultaterne også blive misvisende. Derfor er kvaliteten af data, valget af metode og den menneskelige
vurdering afgørende.
Fordele og begrænsninger
Fordelen ved en dataunderstøttet model er, at den kan gøre beslutninger mere konsistente og mindre tilfældige. Den kan hjælpe med at afsløre tendenser, som ellers ville være svære at få øje på, og den kan styrke dokumentationen bag en konklusion. I nyhedsverdenen kan den eksempelvis bruges til at analysere mediebias, kortlægge spredning af historier på sociale medier eller udvikle værktøjer til at identificere falske nyheder.
Men modeller er ikke neutrale af natur. De afspejler de data, de er trænet på, og de antagelser, udviklerne bygger ind i dem. Derfor kan en dataunderstøttet model både være nyttig og problematisk, hvis den bruges ukritisk. Begrebet er vigtigt i den aktuelle samfundsdebat, fordi stadig flere beslutninger i medier, teknologi og
offentlig forvaltning bygger på data frem for skøn alene.