数据不一定会“说话”；这是对数据的解释。然而，任何解释数据的人都会有偏见。不同的方法和技术都有前提条件。机器学习等方法通常需要一些培训或示例。
目前，我们还没有例子。我们需要做出推论、前进并得出新的结论。数据很重要，但前提条件、批判性思维、我们提出的问题以及我们挑战偏见的方式将帮助我们克服偏见。
提出问题来指导思考：需要什么数据？我们试图做出什么预测？学到了什么？它如何推动我们前进？
找到真相？ 特定时刻相信什么以及为什么相信。将会有许多来自不同角度的 巴西电报数据库 相互竞争的“真相”，包括数据延迟、观察者的角度、故意更改或删除数据以及其他因素。在任何危机期间，可能没有绝对的真理。
这个想法是关注人们的信念和原因，以及这些信念如何影响所做的决定。它是用问题来指导我们的思考：需要什么数据？我们试图做出什么预测？学到了什么？它如何推动我们前进？
评估应该相信哪些数据的最佳方法是什么？
三角：从另一个来源获取相同的数据。
总是问这样的问题：“我应该相信什么才能相信这个数字？” （例如，如果一个国家发布了感染率数据，我们首先必须相信该国以与我们相同的方式衡量感染率，该数字是当前的，该信息没有被更改等）