Oras na para sa mga visualization ng data na maging mas kasama ang impormasyon ng kasarian

Bilang isang mag-aaral, sinuri ko ang mga visualization ng data ng kasarian na nagpapakita ng data ng kasarian mula sa mga pangunahing kumpanya ng media. Narito ang natutunan ko.

Larawan ni Alison Booth

Ang visualization ng data ay nagiging mas sikat sa araw-araw sa media ng balita. Lalo na sa panahon ng COVID-19, gumagamit kami ng mga graph, mapa, at chart nang sagana, at ginagamit na ngayon ng mga mamamahayag ang data bilang batayan upang suriin at mailarawan ang mas malalaking trend at phenomena na nakakaapekto sa lipunan sa pandaigdigang saklaw.

Ngunit ang data ay minsan ay nakakapanlinlang. Tinitingnan ng mga tao ang data bilang mas layunin kaysa sa iba pang impormasyon, ngunit hindi naman ito totoo. Nakadepende ang data sa pangangalap ng data, sa pagkolekta ng survey, sa mga partikular na tanong na naghahanap ng mga partikular na sagot. Pinagkakatiwalaan ng mga tao ang data dahil karaniwan itong nakikita bilang konkretong katotohanan — ngunit kapag hindi itinanong ang mga tamang tanong, ang pagpapakita ng mapanlinlang na data ay nagiging marginalize ng isang buong grupo ng mga tao.

Sa loob ng mga dekada, ang mga visualization na nagpapakita ng data ng kasarian ay nag-promote ng isang binary mindset, na nagbubukod at nagbubukod sa mga hindi kinikilala bilang mahigpit na lalaki o babae. Nonbinary na mga konsepto ng kasarian ay nagiging mas at higit na tinatanggap, at ang pagkakaiba sa pagitan ng nakatalagang kasarian at kasarian ay sa wakas ay kinikilala sa isang societal scale.

Dapat itong ipakita ng aming data.

Sinuri ko ang 40 artikulo na inilathala ni Ang New York Times at Ang Wall Street Journal noong 2020 na may kasamang mga pagsusuri sa data o visualization ng data na batay sa kasarian. Sa mga ito, lima lang — o 12.5% ​​— ang may kasamang mga termino o partikular na data na tumukoy sa mga taong kinikilala bilang hindi babae o lalaki. Tanging higit pang pananaliksik ang magsasabi, ngunit pinaghihinalaan ko na ang mga resulta ay magkatulad.

Ang mga kwentong kumikilala sa mga hindi binary na pagkakakilanlan ay karaniwang nakatuon sa komunidad ng LGBTQ+, at palaging nakasentro sa profile, mga istilong bahagi, tulad nito Piraso ng New York Times na sumisid sa mga kahinaan ng mga partidong nagpapakita ng kasarian (at nakalista sa seksyong Estilo ng Times). Data na nakatutok sa 2020 na halalan o COVID-19, gayunpaman — na bumubuo sa 43% ng mga artikulong nasuri at isang malaking bahagi ng mga balita ngayong taon — palaging nagpapakita ng kasarian bilang binary, tulad nito Visualization ng Wall Street Journal na sinusuri ang mga resulta ng halalan sa 2020.

Ang ganitong uri ng pagkukulang ay hindi na bago. Sa kaibuturan nito, ang paggamit ng data bilang tool upang ipakita ang impormasyon ay isang maling kasanayan. Ang data ay palaging may kinikilingan sa kung ano ang kasaysayan na tinukoy ng lipunan bilang pamantayan: ang cisgender, puting lalaki.

Ito ay nangyayari sa mga kababaihan sa loob ng maraming siglo. pinagsama-sama pag-aaral ng mga aklat-aralin sa wika at gramatika mula sa Germany, United States, Australia at Spain ay natagpuan na ang mga lalaki ay tatlong beses na mas malamang na gamitin sa isang halimbawang pangungusap kaysa sa isang babae. Sinasabi sa atin ng aming entertainment ito: A 2007 pag-aaral sa mahigit 25,000 na mga karakter sa TV ay natagpuan na 13% lamang ng mga hindi tao na mga karakter ay babae (at napakakaunti lamang ang hindi binary). Ang aming news media ay nagpapakita sa amin ito: Ang Global Media Monitoring Project na matatagpuan sa nito 2015 ulat na 'ang mga kababaihan ay bumubuo lamang ng 24% ng mga taong narinig, nabasa o nakita sa mga balita sa pahayagan, telebisyon at radyo, katulad ng ginawa nila noong 2010.'

Ang mga kababaihan sa kasaysayan ay itinuturing na mas mababang kasarian, at ngayon pa lang nagsisimulang lansagin ng lipunan ang mga sistema ng pang-aapi na nagpapanatili sa kanila na nasasakop. Ang feminist na manunulat na si Caroline Criado Perez, sa paunang salita ng kanyang aklat na 'Invisible Women: Data Bias in a World Designed for Men,' ay nagbubuod sa data gender gap sa ilang salita lamang: 'Ang kaputian at pagkalalaki ay tahimik nang eksakto dahil hindi nila kailangan. maging vocalized.”

Papasok tayo sa isang espasyo kung saan nagsisimula nang makilala ng lipunan ang pagkakaroon ng higit sa dalawang kasarian — ng isang spectrum na kinabibilangan ng mga transgender na lalaki at babae, nonbinary, gender-queer at intersex na mga tao. At habang ang mga kababaihan ay higit na kinikilala sa pagsusuri ng data, ang ibang mga kasarian ay hindi. Kailangang simulang ipakita ng aming data ang pagkakaroon ng maraming kasarian. Kung hindi, higit nitong pinapalitan ang isang komunidad na nasa marginalized at kulang sa representasyon.

Ito ay hindi isang madaling gawa. Hindi ito mangyayari sa magdamag. Ang mga makasaysayang sistema ng pangangalap ng impormasyon ay hindi kasama ang mga kasarian na hindi tinukoy bilang lalaki/babae, kabilang ang marahil ang pinaka-maimpluwensyang compilation ng modernong data: data ng census.

Ang Kawanihan ng Sensus ay nangongolekta ng data sa mga mamamayan halos simula noong itinatag ang U.S , ngunit nabigo pa ring magsama ng kahit isang 'iba pa' na opsyon para sa kasarian. Ito ay hindi lamang nagpapatibay ng isang binary na istraktura at ginagawa ito mahirap para sa mga hindi binary na indibidwal upang makumpleto — ginagawa rin nitong napakahirap ang paghahanap ng data na kinabibilangan ng mga hindi binary na tao, kahit na para sa mga organisasyon o media na gustong isama ang data na iyon.

Kaya, paano tayo, bilang mga mamamahayag, mga editor ng data at mga taga-disenyo, magsisikap na pahusayin ang sistemang ito ng pangangalap ng data, lalo na kapag napakaraming salik ang laban sa atin?

Narito ang ilang hakbang na maaari mong pag-isipang gawin.

I-contextualize ang iyong data.

Kung ang data na iyong ginagamit ay nakabalangkas sa isang binary na lalaki/babae, OK lang. Mahirap humanap ng pinagkakatiwalaang hindi binary na data ng kasarian sa isang lipunan na dati nang nakaayos ayon sa binary ng kasarian. Hindi namin maaaring gawing mas inklusibo ang lumang data. Ngunit kung ginagamit mo ang data na ito, gumawa ng isang punto upang kilalanin na hindi kasama ang isang partikular na grupo ng mga tao. Ang pagkilala sa problema sa pag-print ay isang hakbang na naglalapit sa atin sa pagpapatupad ng mga solusyon.

Ipakita ang lahat ng data, gaano man kaliit ang mga margin.

Minsan maaaring mahirap para sa mga designer na buuin ang mga visualization na may kasamang mas maliliit na ratio ng data. Dahil ang mga indibidwal na hindi kinikilala bilang lalaki/babae ay bumubuo ng mas maliit na porsyento ng mga nakikilala, minsan ay mahirap ipakita ang data na iyon sa isang nababasa, nakakaakit na paraan. Ngunit hindi natin dapat piliin kung ano ang ipapakita para sa visual aesthetics — isama ang lahat ng sektor ng data na kumikilala sa iba't ibang kasarian, gaano man kaliit ang porsyento.

Pumili ng hindi mahigpit na visualization tool upang ipakita ang iyong data.

Ang mga tool tulad ng mga bar graph o pie chart ay madaling pagpipilian sa visualization, ngunit maaari silang maging mahigpit minsan sa pagpapakita ng data na mas maliit, o hindi binary. Ilan sa mga visualization ng data na nasuri ko na nagpakita ng kasarian bilang binary ay gumamit ng stacked bar graph o pie chart. Maaaring mas mahirap magpakita ng mas maliliit na margin ng data sa mga tool na ito. Kaya, maging malikhain. Subukang gumamit ng bubble chart o tree map o visualization tool na nagbibigay-daan para sa mas maliliit na margin na maipakita sa mga sapat na ratio. Isaalang-alang ang paglipat patungo sa mga interactive na visualization na, kasama ng pagiging uso at kaakit-akit sa paningin, ay isang mahusay na tool para sa pagpapakita ng napakaraming data habang pinapanatiling interesado ang mga audience At umiwas sa paggamit ng mga kulay na may kasarian upang ipakita ang iyong data (ibig sabihin, asul para sa mga lalaki, pink para sa mga babae) . Bagama't maaari itong maging isang madaling pamantayan na i-default, lalo lamang nitong pinapalakas ang isang binary mindset.

Pag-isipang gumawa ng sarili mong mga survey para mangalap ng higit pang inklusibong data.

Minsan ang pinakamalaking balakid sa paglalahad ng inclusive data ay ang paghahanap ng inclusive data. Depende sa hanay at uri ng data na gusto mong ipakita, isaalang-alang ang paggawa ng sarili mong mga survey. Ito Artikulo sa Wall Street Journal , halimbawa, ay nagpapakita ng binary data, ngunit may kasamang sarili nitong poll na nagbibigay ng opsyong pumili ng 'iba pa' para sa kasarian. Ang mga taga-disenyo dito ay gumagawa ng isang mahusay na trabaho sa pagpapakita ng data na magagamit sa kanila, at ang pagsasama ng kanilang sariling poll ay nagmumungkahi ng kanilang pagtatangka na magpakita ng higit pang kasamang data.

Gawing mas inklusibo ang iyong mga seksyon ng kababaihan.

Sa mga artikulong aking sinuri, ang ilan ay nagmula sa mga seksyon ng kababaihan ng mga papel, partikular ang Times' 'Sa Kanyang mga Salita' seksyon. Ang lahat ng data na pinag-aaralan dito, gayunpaman, ay ipinakita pa rin ang kasarian bilang isang binary. Nakita kong medyo nakakagulat ito, at talagang nakakadismaya. Ang mga modernong seksyon ng kababaihan ay nilalayong maging isang inklusibo at progresibong koleksyon ng pag-iisip, hindi isang heterogenous na archive ng cis-women. Palawakin ang iyong mga seksyon ng kababaihan para maging mas kasama ang mga babaeng transgender, mga babaeng hindi binary, atbp.

Ang paglalahad ng tumpak na data ay isang pangunahing responsibilidad sa pamamahayag. Dapat tayong magsumikap para sa isang sumasaklaw sa lahat kumpara sa tradisyonal na diskarte.

Nagbabago ang mga kahulugan ng kasarian sa lipunan, at maaaring hindi na tukuyin ng isang tao ang pagkakakilanlan ng kanilang kasarian. Mahalaga na ang modernong pamamahayag ay sumasalamin dito.

Kung magsisimula kaming magpatupad ng isang sistema kung saan hindi eksepsiyon ngunit karaniwan na isama ang mga nonbinary na pagkakakilanlang pangkasarian sa loob ng aming mga istruktura ng data, maaari nitong lubos na baguhin ang mga pag-iisip ng mga tao tungkol sa kasarian sa kabuuan. Ang media ay isang pasimuno ng pagbabago; responsable ito sa pag-frame ng mga tamang tanong upang makakuha ng mas mahusay na mga sagot.

Kailangan nating simulan na isama ang lahat ng pagkakakilanlan sa ating pamamahayag, lalo na yaong mga hindi narepresentahan at na-marginalize sa loob ng maraming siglo.

Ang mga salaysay — kabilang ang mga nilikha sa balita — ay humuhubog sa ating pag-unawa sa kalagayan ng tao, tulad ng paraan ng pagpapahayag at pag-unawa natin sa iba't ibang pagkakakilanlan ng kasarian. Bilang mga modernong mamamahayag, dapat tayong tumulong sa paggawa ng mga salaysay na may empatiya, magkakaibang at inklusibo — at maaari tayong magsimula sa pamamagitan ng muling pagsasaayos ng salaysay ng kasarian.