Kompensation For Stjernetegn
Subsity C Berømtheder

Find Ud Af Kompatibilitet Ved Hjælp Af Stjernetegn

Det er på tide, at datavisualiseringer bliver mere inklusiv information om køn

Analyse

Som studerende analyserede jeg kønsdatavisualiseringer, der portrætterede kønsdata fra store medievirksomheder. Her er hvad jeg lærte.

Illustration af Alison Booth

Datavisualisering bliver mere populær dag for dag i nyhedsmedier. Især i en COVID-19-æra forbruger vi grafer, kort og diagrammer i massevis, og journalister bruger nu data som grundlag for at analysere og visualisere større tendenser og fænomener, der påvirker samfundet på verdensplan.

Men data kan nogle gange bedrage. Folk ser data som mere objektive end andre oplysninger, men det er ikke nødvendigvis sandt. Data afhænger af dataindsamling, af undersøgelsesindsamling, af specifikke spørgsmål, der leder efter specifikke svar. Folk stoler på data, fordi det typisk opfattes som konkrete fakta - men når de rigtige spørgsmål ikke bliver stillet, marginaliserer visning af vildledende data en hel gruppe mennesker.

I årtier har visualiseringer, der viser kønsdata, fremmet en binær tankegang, som marginaliserer og udelukker dem, der ikke identificerer sig som strengt mandlige eller kvindelige. Ikke-binære begreber om køn bliver mere og mere accepteret, og sondringen mellem tildelt køn og køn bliver endelig anerkendt på en samfundsmæssig skala.

Vores data bør afspejle dette.

Jeg analyserede 40 artikler udgivet af New York Times og Wall Street Journal i 2020, der omfattede dataanalyser eller visualiseringer af kønsbaserede data. Af disse inkluderede kun fem - eller 12,5% - udtryk eller specifikke data, der tegnede sig for personer, der identificerer sig som hverken kvindelige eller mandlige. Kun mere forskning vil fortælle, men jeg formoder, at resultaterne ville være ens.

Historier, der anerkendte ikke-binære identiteter, var typisk fokuseret på LGBTQ+-samfundet og var konsekvent profilcentrerede, stilistiske stykker, som dette New York Times stykke der dykker ned i ulemperne ved kønsafsløringsfester (og er opført i Times' Style-sektionen). Data, der fokuserede på valget i 2020 eller COVID-19, men - som udgjorde 43 % af de analyserede artikler og en stor del af årets nyheder - viste altid køn som en binær, som denne Wall Street Journal visualisering der analyserer resultaterne af valget i 2020.

Denne form for udeladelse er ikke ny. I sin kerne er det en mangelfuld praksis at bruge data som et værktøj til at præsentere information. Data har altid været forudindtaget i forhold til det, samfundet historisk har defineret som normen: den cis-kønnede, hvide mand.

Det er sket for kvinder i århundreder. Kompileret undersøgelser af sprog- og grammatiklærebøger fra Tyskland, USA, Australien og Spanien fandt, at mænd var tre gange mere tilbøjelige til at blive brugt i en eksempelsætning end en kvinde. Vores underholdning fortæller os dette: A 2007 undersøgelse af over 25.000 tv-karakterer fandt ud af, at kun 13 % af ikke-menneskelige karakterer var kvinder (og meget, meget få var ikke-binære). Vores nyhedsmedier viser os dette: The Global Media Monitoring Project fundet i sin 2015 rapport at 'kvinder udgør kun 24 % af de personer, der er hørt, læst om eller set i avis-, tv- og radionyheder, præcis som de gjorde i 2010.'

Kvinder er historisk set blevet set som det ringere køn, og samfundet er netop nu begyndt at afvikle de undertrykkelsessystemer, der har holdt dem underkuet. Den feministiske forfatter Caroline Criado Perez opsummerer i forordet til sin bog 'Invisible Women: Data Bias in a World Designed for Men' dataforskellen mellem kønnene med nogle få ord: 'Hvidhed og mandlighed er tavse, netop fordi de ikke behøver at blive vokaliseret.'

Vi træder ind i et rum, hvor samfundet er begyndt at anerkende eksistensen af ​​mere end to køn - af et spektrum, der omfatter transkønnede mænd og kvinder, ikke-binære, køn-queer og interseksuelle personer. Og mens kvinder bliver anerkendt mere og mere i dataanalyse, er andre køn det ikke. Vores data skal begynde at afspejle eksistensen af ​​flere køn. Ellers fortrænger det yderligere et allerede marginaliseret og underrepræsenteret samfund.

Dette er ikke en nem bedrift. Det vil ikke ske fra den ene dag til den anden. Historiske systemer til informationsindsamling udelukker køn, der ikke er defineret som mænd/kvinder, herunder måske den mest indflydelsesrige samling af moderne data: folketællingsdata.

Det Census Bureau har indsamlet data om borgere praktisk talt siden USA blev grundlagt , men alligevel undlader at inkludere selv en 'anden' mulighed for køn. Dette forstærker ikke kun en binær struktur og gør den svært for ikke-binære individer at fuldføre — det gør også at finde data, der inkluderer ikke-binære personer, utroligt svært, selv for organisationer eller medier, der ønsker at inkludere disse data.

Så hvordan arbejder vi som journalister, dataredaktører og designere på at forsøge at forbedre dette system for dataindsamling, især når så mange faktorer er imod os?

Her er nogle trin, du kan overveje at tage.

Kontekstualiser dine data.

Hvis de data, du bruger, er struktureret omkring en mandlig/kvinde binær, er det OK. Det er svært at finde pålidelige ikke-binære kønsdata i et samfund, der historisk er blevet struktureret omkring kønsbinære. Vi kan ikke på magisk vis gøre gamle data mere inkluderende. Men hvis du bruger disse data, skal du gøre opmærksom på, at det udelukker en bestemt gruppe mennesker. At genkende problemet på tryk er et skridt, der bringer os tættere på at implementere løsninger.

Præsenter alle data, uanset hvor små marginalerne er.

Nogle gange kan det være svært for designere at strukturere visualiseringer, der omfatter mindre forhold mellem data. Fordi personer, der ikke identificerer sig som mænd/kvinder, udgør en mindre procent af dem, der gør det, kan det nogle gange være svært at præsentere disse data på en læselig, visuelt tiltalende måde. Men vi bør ikke vælge og vrage, hvad der skal vises for visuel æstetik - inkludere alle datasektorer, der genkender forskellige køn, uanset hvor lille en procentdel.

Vælg ikke-begrænsende visualiseringsværktøjer for at vise dine data.

Værktøjer som søjlediagrammer eller cirkeldiagrammer er nemme visualiseringsvalg, men de kan nogle gange være restriktive med hensyn til at vise data, der er mindre eller ikke-binære. Flere af de datavisualiseringer, jeg analyserede, og som viste køn som en binær, brugte et stablet søjlediagram eller et cirkeldiagram. Det kan være sværere at vise mindre marginer af data i disse værktøjer. Så vær kreativ. Prøv at bruge et boblediagram eller et trækort eller et visualiseringsværktøj, der gør det muligt at vise mindre margener i passende forhold. Overvej at gå i retning af interaktive visualiseringer, som sammen med at være trendy og visuelt tiltalende, er et fantastisk værktøj til at vise rigelige mængder data og samtidig holde publikum interesserede. Og hold dig væk fra at bruge kønsbestemte farver til at præsentere dine data (dvs. blå for mænd, pink for kvinder) . Selvom det kan være en nem norm at standardisere, forstærker den kun en binær tankegang yderligere.

Overvej at lave dine egne undersøgelser for at indsamle mere inkluderende data.

Nogle gange er den største hindring for at præsentere inkluderende data at finde inkluderende data. Afhængigt af rækkevidden og typen af ​​data, du vil vise, kan du overveje at lave dine egne undersøgelser. Dette Wall Street Journal artikel viser for eksempel binære data, men inkluderer en egen meningsmåling, der giver mulighed for at vælge 'andet' for køn. Designerne her gør et godt stykke arbejde med at vise de data, der var tilgængelige for dem, og inddragelsen af ​​deres egen meningsmåling antyder deres forsøg på at vise mere inkluderende data.

Gør dine kvindeafdelinger mere rummelige.

Af de artikler, jeg analyserede, kom flere fra kvinders sektioner af avisen, især Times' 'Med hendes ord' afsnit. Alle dataanalyserne her præsenterede dog stadig køn som en binær. Jeg fandt dette lidt overraskende og ærligt talt skuffende. Moderne kvindesektioner er beregnet til at være en inkluderende og progressiv tankesamling, ikke et heterogent cis-kvindearkiv. Udvid dine kvindesektioner for at være mere inkluderende for transkønnede kvinder, feminine ikke-binære mennesker osv.

Præsentation af nøjagtige data er et grundlæggende journalistisk ansvar. Vi bør stræbe efter en altomfattende kontra traditionel tilgang.

Samfundsmæssige konnotationer af køn ændrer sig, og ens tildelte køn definerer muligvis ikke længere deres kønsidentitet. Det er vigtigt, at moderne journalistik afspejler dette.

Hvis vi begynder at implementere et system, hvor det ikke er undtagelsen, men normen at inkludere ikke-binære kønsidentiteter i vores datastrukturer, kan det ændre folks tankegang om køn som helhed betydeligt. Medierne er en anstifter af forandring; det er ansvarligt for at formulere de rigtige spørgsmål for at få bedre svar.

Vi skal begynde at inkludere alle identiteter i vores journalistik, især dem, der har været underrepræsenteret og marginaliseret i århundreder.

Fortællinger - inklusive dem, der er skabt i nyhederne - former vores forståelse af den menneskelige tilstand, ligesom den måde, vi udtrykker og forstår forskellige kønsidentiteter på. Som moderne journalister skal vi være med til at skabe fortællinger, der er empatiske, mangfoldige og rummelige – og vi kan starte med at omstrukturere kønsfortællingen.