Lauren F.Klein, coautora de Data Feminism, sobre un enfoque feminista de la economía de datos
En el sexto episodio de Voices of the Data Economy, hablamos con Lauren F. Klein, coautora de Data Feminism y profesora asociada de inglés y teoría y métodos cuantitativos en la Universidad de Emory. En una conversación con nosotros, Lauren decodificó los siete principios del feminismo de datos; cómo las estructuras de poder generan problemas en la recopilación de datos impactantes; desafíos en el mundo de la visualización de datos; y más. A continuación se muestran extractos editados del podcast.
¿Qué es el feminismo de datos? ¿Cómo se relaciona con las estructuras de poder en nuestra sociedad?
El feminismo significa muchas cosas diferentes para muchas personas diferentes y tiene una larga historia. Puede comenzar diciendo que el feminismo es solo esta creencia en la igualdad de sexos o géneros. También puede entender el feminismo como un compromiso de acción en favor de la igualdad de personas de diferentes géneros. Existe toda una línea de una tradición intelectual de teoría y erudición que tiene que ver con comprender por qué existe la desigualdad. Cuando miras esta tradición intelectual, ves un cambio de un enfoque solo en el género, a un énfasis en la razón por la cual existe la desigualdad de género. Cambia el enfoque de quiénes son las personas y cómo se comportan y cómo experimentan el mundo a preguntas sobre el poder: quién tiene el poder; qué estructuras crean sistemas de poder; qué individuos y grupos experimentan desigualdad y opresión.
El feminismo de datos no se trata solo de género y discriminación de género o sexismo, sino también de racismo, capacidad, heteronormatividad y las estructuras que podrían presionar a las personas queer, los problemas del colonialismo y las estructuras desiguales que afectan a ciertas personas en ciertas partes del mundo. . El feminismo es mucho más que género, solo comienza pensando en el género, pero el marco analítico que surge de ese proceso de pensamiento se puede aplicar a todos estos otros temas del mundo.
¿Cómo puede ayudar la recopilación de diferentes conjuntos de datos a la igualdad en toda la sociedad y las estructuras de poder de lucha?
“Quiero dejar en claro que los datos no siempre son la solución para combatir las estructuras de poder. Existe una carga de prueba de prueba cuantitativa a gran escala que a menudo se coloca en algunos grupos, pero no en otros. Puede preguntarle a cualquier persona que sea parte de uno de estos grupos, incluidas las mujeres blancas de las que formo parte, sobre la necesidad de brindar constantemente más evidencia que solo su propia experiencia para que la gente le crea y este requisito se imponga. personas en grupos minotarizados, mucho más de lo que se coloca en el grupo mayoritario ".
Los principales desafíos de la visualización de datos en la industria de la ciencia de datos
¿Qué estás comunicando con los datos? ¿Qué estás defendiendo? La mentalidad con la que aborda los datos tiende a no ser como "¿Cuál es mi ángulo?" "¿Cuál es mi argumento?", Pero a menudo los diseñadores visuales de datos solo presentan los datos al espectador o al usuario. Pero los datos nunca son neutrales.
“Los datos siempre se recopilan en un contexto particular para un propósito particular. Cuando emprende un proyecto de investigación, siempre tiene una hipótesis o una justificación para emprender el trabajo. Cuando analizas los datos antes de visualizarlos, obtienes algunas conclusiones, obtienes algunos resultados y esos resultados tienen significado. No significa que esté siendo parcial o no sea responsable con respecto a los datos. En todo caso, está siendo más preciso y más responsable al representar lo que los analistas o el estudio aprenden, enfatiza de dónde provienen los datos ".
En el libro, los autores hablan de la necesidad de rechazar esta creencia fundamental de que las visualizaciones de datos son neutrales y no son objetos retóricos en sí mismos. Cualquiera que haya diseñado una visualización sabe que tiene que tomar decisiones. Ya sea de color, tamaño o forma. ¿Qué datos incluir y qué datos excluir? Cosas tan simples como ¿qué usas para el título de tus videos? Estas no son opciones que debería generar de forma aleatoria. Debería pensar mucho sobre las decisiones que está tomando. Asegúrese de que se alineen con los objetivos del proyecto en el que está trabajando.
Los siete principios del feminismo de datos. ¿Cómo se pueden aplicar a la ciencia de datos?
Lauren comparte que con los principios del feminismo de datos, el objetivo de la era operacionalizar el feminismo. Estos conceptos útiles y valiosos tienen aplicaciones claras en el mundo y si podemos traducirlos desde el ámbito de la teoría al mundo de la ciencia de datos, creemos que pueden tener un impacto positivo.
“Si desea desafiar el poder, debe comprender cómo funciona y a qué se enfrenta. Hablamos en particular de la teoría del poder feminista negra formulada por Patricia Hill Collins, socióloga, llamada matriz de dominación. Esta es una teoría de cómo opera el poder en el mundo, que tiene en cuenta tanto la experiencia social como la personal, además de este tipo de poder ideológico y gubernamental de alto nivel. Eso es examinar el poder, desafiar el poder ".
Usando ideas feministas interseccionales teorizadas por Kimberlé Crenshaw, los autores Klein y D’Ignazio discutieron siete principios del feminismo de datos: examinar el poder, desafiar el poder, repensar los binarios y jerarquías, elevar la emoción y la encarnación, abrazar el pluralismo, considerar el contexto y hacer visible el trabajo.
“La razón por la que el género es una jerarquía es porque los hombres, tradicionalmente en la posición de poder, tienen algo que ganar con una división entre hombres y mujeres, ¿verdad? Les permite decir: Aquí estamos en la cima con el poder. Pero una vez que comienzas a descomponer ese binario, surgen preguntas como quién se aferra al poder se vuelve más difícil de administrar. Lo mismo ocurre con otros binarios del mundo. Necesitamos hacer preguntas como: ¿de dónde provienen los datos? ¿Quién estaba haciendo la recolección? ¿Qué comunidades intentan representar los datos? ¿Representan realmente a esta comunidad? ¿Has hablado con ellos?