Datadrevet historiefortelling kan deles i syv hovedkategorier ifølge en analyse av 200 artikler. I den første av to poster vil jeg demonstrere de fire mest brukte vinklene i nyhetshistorier, hvordan de kan gi deg flere muligheter som reporter, og hvordan de kan hjelpe deg med å arbeide mer effektivt med data.

De fleste datasett kan fortelle mange historier — så mange at det for noen kan virke overveldende eller forstyrrende. Å identifisere hvilke historier som er mulige, og å velge den beste historien innenfor den tiden og de ferdighetene du har tilgjengelig, er en viktig redaksjonell ferdighet.

Mange nybegynnere innen datajournalistikk søker ofte først etter historier om sammenhenger (årsak og virkning) — men disse historiene er vanskelig og tidkrevende. Du kan ønske å fortelle en historie om ting som blir verre eller bedre — men mangle dataene for å fortelle den. Hvis du har svært liten tid og vil komme i gang med datajournalistikk, er de raskeste og enkleste historiene du kan fortelle med data, historier om omfang.

1: Omfang: “Så stort er problemet”

Den kanskje vanligste historietypen som finnes i data er omfangshistorien: dette er historier som identifiserer et stort problem, eller størrelsen på en sak som har blitt aktuell.

I sin enkleste form gir omfangshistorier en oppdatering på nye tall som blir publisert: det kan være de siste arbeidsledighetstallene, omfanget av kriminalitet, luftforurensning, pengebruk på ulike områder, fødsler, dødsfall eller ekteskap.

Eksempler på omfangshistorier er ‘Over 3000 urfolksbarn døde ved internatskoler i USA‘ men også historier som ‘Unduly lenient sentences review scheme ‘inadequate‘ der ingressen er basert på reaksjoner på omfanget av et problem du har avdekket.

Noen ganger fungerer omfang som bakgrunn for en enkelthendelse, som i ‘Drone causes Gatwick Airport disruption‘ (hvor mange nestenhendelser skjer?), eller for et politisk forslag, som i ‘New drivers could be banned from driving at night, ministers say‘ (hvor mange nye sjåfører er under 19 år?).

Omfangshistorier er en av de enklere sjangrene å skrive: i mange tilfeller trengs ingen utregninger.

Faktisk vil hovedarbeidet sannsynligvis handle om å sette materialet inn i en sammenheng — på sitt verste blir en omfangshistorie bare en ‘stort tall’-historie (“Mye penger ble brukt på ting” eller “Noe skjer med mange mennesker”), og leseren sitter igjen usikker på om dette faktisk er nyhetsverdig eller bare normalt.

Derfor er det viktig å sette omfang i en sammenheng ved å bruke prosenter eller andeler (f.eks. “én av fem”) eller sammenligninger og analogier (“Pengene som ble brukt på ordningen tilsvarer lønnen til 500 lærere”).

Du kan også bringe inn endring og/eller variasjon som en sekundær vinkel: etablere historisk kontekst til omfanget du nettopp har skissert, eller hvordan dette omfanget varierer.

I New York Times-artikkelen nevnt ovenfor blir for eksempel “det reelle omfanget” (skalaen) av koronavirusutbruddet umiddelbart satt i kontekst gjennom diagrammer som viser hvordan dette har endret seg siden årets start, i ulike deler av landet.

2: Endring (og stillsand): ting går opp, ting går ned (eller ting skjer ikke)

Endringshistorier er nesten like vanlige som omfangshistorier — og sannsynligvis enklere å selge inn.

Endring i seg selv er et nyhetsponng og gir deg ordet (“øker”, “stuper”, “går opp”) som du trenger i overskrift.

Når du har identifisert en form for endring i datene dine, kan du forfølge ytterligere rapportering for å svare på “hvorfor“-spørsmålet. Hvorfor går disse tallene opp eller ned?

Du kan også legge til en sekundær vinkel i historien din som utforsker rangering i denne trenden – områdene eller kategoriene der tallene har økt eller sunket mest og minst.

Dette kan hjelpe deg med å styre rapporteringen din om ‘Hvorfor?’ siden det er sannsynlig at områdene som er mest berørt vil være de som er mest oppmerksomme på problemet, og i stand til å kommentere det.

Hvis analysen din avdekker en mangel på endring, kan også det være nyhetsverdig. I denne artikkelen om selskapskonkurser, for eksempel, forventet vi helt klart å finne en økning under pandemien, men fraværet av endring i antall selskaper som gikk konkurs var overraskende — og fikk oss til å intervjue eksperter om hvorfor dette kunne være tilfelle. I andre tilfeller kan mangel på endring også være betydningsfullt fordi det betyr at ting ikke blir bedre — spesielt der det er investert ressurser, eller det er gitt løfter.

3: Rangering: hvem er best og hvem er verst? Hvem skiller seg ut og hvorfor?

Rangerings-historier handler om hvem, hvor eller hva som kommer dårligst eller best ut i et datasett (“Områdene i Birmingham blant Storbritannias 10 verste områder rammet av Universal Credit-forskudd“) — eller hvor en bestemt enhet av interesse (det lokale politiet, skoler eller lag, eller en bransje hvis det er fagpressen) plasserer seg sammenlignet med andre (“Byggebransjen er Storbritannias tredje farligste industri”; “Saudi-Arabia tredje største på internasjonale overganger“).

Typiske historier i denne kategorien kan være “By X dårligst i kriminalitetsstatistikken” eller “Lokale skoleelever får tredje beste resultater i landet”.

Rangeringshistorier kan også handle om de beste eller verste tidene, stedene eller kategoriene som et datasett ‘avslører’ (“Data fra Spotify tyder på at lytterne er mest nedstemt i februar“; “Her er de vanligste forbrytelsene i Sandwell – og hvor risikoen er størst“.

4: Variasjon — “geografisk lotteri”, kart og fordelinger

Variasjonshistorier ligner på rangeringshistorier — men med én viktig forskjell: Poenget her er ikke hvem eller hva som er øverst eller nederst. Historien handler i stedet om selve det faktum at det finnes store forskjeller overhodet.

Derfor fungerer denne vinklingen best når vi forventer at det skal være lik behandling eller konsistens.

Et klassisk eksempel på en variasjonshistorie bruker et koropletkart eller varmekart for å vise hvordan noen deler av et land har mindre tilgang til noe, eller større etterspørsel etter noe, enn andre deler.

Uttrykket “geografisk lotteri” (“postcode lottery” i Storbritannia) brukes for eksempel noen ganger for å beskrive at en persons tilgang til visse tjenester er et tilfeldighetsspill.

BBC data units artikkel “IVF: NHS couples ‘face social rationing“, kartlegger for eksempel hvordan bostedet ditt i England kan bety forskjellen mellom å få tilgang til fertilitetsbehandling eller ikke.

En variasjonshistorie kan avsløre at urettferdigheten eksisterer — eller, hvis folk allerede er klar over den, nøyaktig hvordan og hvor den utspiller seg (spesielt i deres område).

Algoritmisk ansvarlighet-historier som ProPublicas Machine Bias-serie handler ofte om variasjon og urettferdigheten som avdekkes når en algoritme plukkes fra hverandre: det kan være personer som dømmes ulikt, eller får forskjellige forsikringstilbud, til tross for at det ikke er noen meningsfull forskjell mellom dem på de dimensjonene som betyr noe.

En variasjonshistorie kan like gjerne brukes til å belyse områder med underdekket etterspørsel eller mangel på tilbud: en historie jeg arbeidet med for BBCs Shared Data Unit om ladepunkter for elbiler handlet om å identifisere hvor mye infrastruktur som fantes i landet, og hvor. Bildet dataene tegnet ga grunnlag for casestudier og reaksjoner.

I det andre innlegget innlegg ser jeg se nærmere på de tre andre vinklene: utforskende historier, historier som fokuserer på selve dataene, og vinkler om sammenhenger.

Takk til Espen Sørmo Strømme for hjelp med oversettelsen (opprinnelig oversettelse opprettet med Claude.ai)