## Fragestellungen zur Risikokommunikation für Verbraucher
Liegt ein Problem des Risikos vor, d.h. sind belastbare numerische Schätzer vom Eintreffen spezifischer Ereignisse oder Entscheidungenkonsequenzen verfügbar, ist eine Hauptfragestellung, wie Risikokommunikation hier transparent, ausgewogen und verständlich für die Verbraucher sein kann?
Vier Herausforderungen sind hierbei
1. Wie können Einzelfallwahrscheinlichkeiten trotz aleatorischer Unsicherheit über den konkreten Ausgang im Einzelfall vermittelt werden?
2. Wie lässt sich der massenhaften Stratifizierung von Wahrscheinlichkeiten durch vorliegende Einflussfaktoren oder Kategorien Rechnung tragen?
3. Wie können hierarchisch strukturierte Ereignisse zwischen zu vergleichenden Wahrscheinlichkeiten abgebildet werden?
4. Wie lassen sich die ersten drei Herausforderungen nicht nur nach dem letzten Stand der Forschung sondern zudem auch ansprechend adressieren, da das Hervorrufen von Aufmerksamkeit und Bindung des Verbrauchers an das Informationsangebot für dessen Exploration notwendig ist.
## Lösungsansatz
Dynamische Treemaps mit visueller Legende
1. Einzelfallwahrscheinlichkeiten lassen sich entweder mit einfachen Häufigkeiten (sofern nur Wahrscheinlichkeitswerte > 1% auch als Prozentformat) in tabellarischer Form (Schwartz et al., 2009) oder, zur Unterstützung von Verbrauchern mit niedriger Numeracy (Cokely et al., 2012), durch den Einsatz von empirisch validierten Grafikformaten (Garcia-Retamero & Galesic, 2010), Barcharts oder IconArrays kommunizieren.
2. Multiple Vergleiche, welche stratifizierte Daten implizieren, wenn zum Beispiel dasselbe Risiko für viele Gruppen verglichen soll, erfordern den Einsatz von mehreren Explorationsebenen bzw. hierarchisierter Navigation. Barcharts sind geeignet multiple Instanzen vergleichbar nebeneinander zu stellen. Dieses Prinzip lässt sich mit einer Hierarchisierung verknüpfen.
3. Treemaps, die mehrere Tiefenebenen aufweisen, zwischen denen man dynamisch navigieren kann, erlauben die Abbildung von Hierarchien (Stasko et al., 2000) und zugleich den verständlichen Vergleich von Wahrscheinlichkeiten, da sie die Teile vom Ganzen (part-to-whole relationships) einander gegenüberstellen.
4. Dynamische Informationsvisualisierungen können ansprechend sein, wenn Sie auf verschiedenen Explorationstiefen, mit einem leichten Einstieg, begleitet mit Erklärtext und einem durchziehenden Narrativ versehen sind.
Erste Ergebnisse der RisikoAtlas-Kommunikationsstudien mit dem vorliegenden Format zeigen, dass es besser angenommen wird und exploriert wird als Tabellen mit denselben Informationen. Es wird nicht gezeigt, dass Informationen besser extrahiert oder gemerkt werden können als aus klassischen Tabellen.
## Thematisches Muster
Digitale Kriminalität
## Einleitung
Kriminalität ist in der digitalen Welt genauso allgegenwärtig wie in der analogen Welt. Verbraucher haben im Rahmen der dynamischen Entwicklung der digitalen Welt weniger Erfahrungen bezüglich der Verbindung zwischen ihrem Verhalten und dem Risiko, Opfer eines digitalen Verbrechens zu werden.
## Welche Kriminalitätsrisiken werden hier dargestellt?
Es werden die Häufigkeiten von Straftaten aus Sicht der Betroffenen dargestellt. Um ein Verständnis vom zahlenmäßigen Verhältnis der verschiedenen Straftaten zu vermitteln, wird ein Überblick über die jährlich Betroffenen gegebenen. Hierzu werden die analogen Straftaten aus polizeilichen Opferstatistiken den registrierten Fällen von Computerkriminalität gegenübergestellt. Es werden nicht die möglichen digitalen Risiken durch institutionelle Überwachung, zum Beispiel Kunden-Profiling, thematisiert.
## Für welche Verbraucher ist die folgende Grafik geeignet?
Für alle Verbraucher stellt sich die Frage, welche digitalen Kriminalitätsrisiken bestehen und inwieweit diese den einzelnen betreffen können.
## Was zeigt die Grafik?
Dargestellt sind hier die Risiken, Opfer von digitaler Kriminalität zu werden. Durch Klick auf die Vierecke lässt sich in die jeweiligen Kategorien von Straftaten eintauchen. Mit dem Klick auf den erscheinenden Pfeil links oben kann man immer wieder zurückkehren. Alle Zahlen beziehen sich auf die gesamte Bevölkerung Deutschlands und basieren auf dem Jahr 2016. Auf der rechten Seite werden in separaten Balken zusätzliche Informationen dazu gegeben, wie oft verschiedene Altersgruppen bzw. Männer oder Frauen Opfer wurden.
## Woher stammen die Zahlen?
Alle Zahlen stellen registrierte Tatopfer der Vergangenheit dar. Sie wurden der Polizeilichen Kriminalstatistik 2016 entnommen.
## Wie hoch ist die Qualität der Daten?
Aus einem Jahr der Vergangenheit lässt sich nur bedingt auf zukünftige Jahre schließen. Die Verhältnismäßigkeit der verschiedenen Risiken, Opfer von bestimmten Straftaten zu werden, ist jedoch grob so auch in der Zukunft zu erwarten.
Wie viele Verbraucher tatsächlich betroffen sind, wird für analoge und digitale Straftaten nicht gleichermaßen gut erfasst. Nicht nur, dass die Dunkelziffern viel höher ausfallen als bei klassischen Straftaten, auch die Vielfalt und ständig neuartige Tatbestände sowie länderübergreifende Netzwerke machen die Erfassung schwer.
Eine verbesserte Erfassung digitaler Kriminalität lässt eine Zunahme dieser Zahlen in der Zukunft erwarten.
## Was kann man tun?
Um das Risiko zu senken, Opfer von digitaler Kriminalität zu werden, sind bestimmte Daumenregeln empfehlenswert.
Hierzu zählt v.a. der äußerst vorsichtige Umgang mit digitalen Nachrichten, deren Absender man nicht kennt:
Keine persönlichen Daten auf Webseiten angeben, deren Adressen mit http statt https beginnen;
Des Weiteren sind jegliche Passwörter persönlich, komplex und nur ein einziges Mal zu wählen.
## Quellen.
Cokely, E. T., Galesic, M., Schulz, E., Ghazal, S., & Garcia-Retamero, R. (2012). Measuring Risk Literacy: The Berlin Numeracy Test. Judgment and Decision Making, 7(1), 25-47.
Frey, C. B., & Osborne, M. A. (2017). The future of employment: how susceptible are jobs to computerisation?. Technological Forecasting and Social Change, 114, 254-280.
Garcia-Retamero, R., & Galesic, M. (2010). Who proficts from visual aids: Overcoming challenges in people's understanding of risks. Social Science & Medicine, 70(7), 1019-1025.
McDowell, M., Gigerenzer, G., Wegwarth, O., & Rebitschek, F. G. (2019). Effect of Tabular and Icon Fact Box Formats on Comprehension of Benefits and Harms of Prostate Cancer Screening: A Randomized Trial. Medical Decision Making, 39(1), 41-56.
McDowell, M., Rebitschek, F. G., Gigerenzer, G., & Wegwarth, O. (2016). A simple tool for communicating the benefits and harms of health interventions: a guide for creating a fact box. MDM Policy & Practice, 1(1), 2381468316665365.
O*Net (2018). O*NET Resource Center. https://www.onetcenter.org [Letzter Abruf, 31.12.2018]
Schwartz, L. M., Woloshin, S., & Welch, H. G. (2009). Using a drug facts box to communicate drug benefits and harms: two randomized trials. Annals of Internal Medicine, 150(8), 516-527.
Stasko, J., Catrambone, R., Guzdial, M., & McDonald, K. (2000). An Evaluation Of Space-Filling Information Visualizations For Depicting Hierarchical Structures. Int. J. Human-Computer Studies, 53, 663-694.
## Letztes Update
7. Februar 2019
## Erstellung
Felix G. Rebitschek, Michael Zitzmann in Zusammenarbeit mit Data Science and Stories
