Kompensation För Stjärntecknet
Substabilitet C -Kändisar

Ta Reda På Kompatibilitet Med Stjärntecken

Det är dags för datavisualiseringar att inkludera mer information om kön

Analys

Som student analyserade jag könsdatavisualiseringar som porträtterade könsdata från stora medieföretag. Här är vad jag lärde mig.

Illustration av Alison Booth

Datavisualisering blir mer populär för varje dag i nyhetsmedia. Särskilt i en covid-19-era konsumerar vi grafer, kartor och diagram i massor, och journalister använder nu data som bas för att analysera och visualisera större trender och fenomen som påverkar samhället i en global skala.

Men data kan ibland vara vilseledande. Människor ser data som mer objektiv än annan information, men detta är inte nödvändigtvis sant. Data beror på datainsamling, på enkätinsamling, på specifika frågor som letar efter specifika svar. Människor litar på data eftersom det vanligtvis uppfattas som konkreta fakta - men när de rätta frågorna inte ställs, marginaliserar visning av vilseledande data en hel grupp människor.

I decennier har visualiseringar som visar könsdata främjat ett binärt tänkesätt, som marginaliserar och exkluderar de som inte identifierar sig som strikt manliga eller kvinnliga. Ickebinära begrepp om kön blir mer och mer accepterade, och distinktionen mellan tilldelat kön och kön erkänns äntligen i en samhällelig skala.

Våra uppgifter bör återspegla detta.

Jag analyserade 40 artiklar publicerade av The New York Times och Wall Street Journal år 2020 som inkluderade dataanalyser eller visualiseringar av könsbaserad data. Av dessa inkluderade endast fem – eller 12,5 % – termer eller specifik data som stod för personer som identifierar sig som varken kvinnor eller män. Bara mer forskning kommer att visa, men jag misstänker att resultaten skulle vara liknande.

Berättelser som erkände ickebinära identiteter var vanligtvis fokuserade på HBTQ+-gemenskapen och var konsekvent profilcentrerade, stilistiska stycken, som denna New York Times bit som dyker in i nackdelarna med genusavslöjande partier (och listas i avsnittet Times' Style). Data som fokuserade på valet 2020 eller covid-19, men – som utgjorde 43 % av de analyserade artiklarna och en stor del av årets nyheter – visade alltid kön som binärt, som detta Wall Street Journal visualisering som analyserar resultatet av valet 2020.

Denna typ av utelämnande är inte ny. I grunden är det en felaktig praxis att använda data som ett verktyg för att presentera information. Data har alltid varit partisk mot vad samhället historiskt har definierat som normen: ciskönet, den vita mannen.

Det har hänt kvinnor i århundraden. Sammanställt studier av läroböcker i språk och grammatik från Tyskland, USA, Australien och Spanien fann att män var tre gånger mer benägna att användas i en exempelmening än en kvinna. Vår underhållning säger oss detta: A 2007 studie av över 25 000 TV-karaktärer fann att endast 13 % av icke-mänskliga karaktärer var kvinnor (och väldigt, väldigt få var icke-binära). Våra nyhetsmedia visar oss detta: The Global Media Monitoring Project som finns i dess 2015 års rapport att 'kvinnor utgör endast 24 % av de personer som hörs, läses om eller ses i tidnings-, tv- och radionyheter, precis som de gjorde 2010.'

Kvinnor har historiskt sett setts som det mindre könet, och samhället har just nu börjat avveckla de förtryckssystem som har hållit dem underkuvade. Den feministiska författaren Caroline Criado Perez, i förordet till sin bok 'Invisible Women: Data Bias in a World Designed for Men', sammanfattar dataklyftan mellan könen med bara några få ord: 'Vithet och manlighet är tysta just därför att de inte behöver bli vokaliserad.'

Vi går in i ett utrymme där samhället börjar inse att det finns mer än två kön – av ett spektrum som inkluderar transpersoner, män och kvinnor, icke-binära, könsqueer- och intersexpersoner. Och medan kvinnor uppmärksammas mer och mer i dataanalys, gör inte andra kön det. Vår data måste börja spegla förekomsten av flera kön. Annars tränger det ytterligare undan en redan marginaliserad och underrepresenterad gemenskap.

Det här är ingen lätt bedrift. Det kommer inte att hända över en natt. Historiska system för informationsinsamling utesluter kön som inte definieras som män/kvinnor, inklusive den kanske mest inflytelserika sammanställningen av moderna data: folkräkningsdata.

De Census Bureau har samlat in uppgifter om medborgare praktiskt taget sedan USA grundades , men misslyckas fortfarande med att inkludera ens ett 'annat' alternativ för kön. Detta förstärker inte bara en binär struktur och gör den svårt för icke-binära individer att slutföra — det gör också otroligt svårt att hitta data som inkluderar icke-binära personer, även för organisationer eller media som vill inkludera denna data.

Så, hur arbetar vi som journalister, dataredaktörer och designers för att försöka förbättra detta system för datainsamling, särskilt när så många faktorer är emot oss?

Här är några steg du kan tänka dig att ta.

Kontextualisera din data.

Om data du använder är strukturerad kring en manlig/kvinnlig binär, är det OK. Det är svårt att hitta pålitlig icke-binär könsdata i ett samhälle som historiskt har strukturerats kring könsbinären. Vi kan inte magiskt göra gammal data mer inkluderande. Men om du använder denna information, gör en poäng för att erkänna att den exkluderar en specifik grupp människor. Att känna igen problemet i tryck är ett steg som för oss närmare implementeringen av lösningar.

Presentera all data, oavsett hur små marginalerna är.

Ibland kan det vara svårt för designers att strukturera visualiseringar som innehåller mindre datakvoter. Eftersom individer som inte identifierar sig som manliga/kvinnliga utgör en mindre procent av dem som gör det, kan det ibland vara svårt att presentera dessa uppgifter på ett läsligt, visuellt tilltalande sätt. Men vi bör inte välja och vraka vad vi ska visa för visuell estetik – inkludera alla datasektorer som känner igen olika kön, oavsett hur liten procentandel.

Välj icke-restriktiva visualiseringsverktyg för att visa din data.

Verktyg som stapeldiagram eller cirkeldiagram är enkla visualiseringsval, men de kan ibland vara restriktiva när det gäller att visa data som är mindre eller icke-binära. Flera av de datavisualiseringar jag analyserade som visade kön som binär använde ett staplat stapeldiagram eller ett cirkeldiagram. Det kan vara svårare att visa mindre datamarginaler i dessa verktyg. Så var kreativ. Försök att använda ett bubbeldiagram eller en trädkarta eller ett visualiseringsverktyg som gör att mindre marginaler kan visas i lämpliga proportioner. Överväg att gå mot interaktiva visualiseringar som, tillsammans med att vara trendiga och visuellt tilltalande, är ett utmärkt verktyg för att visa stora mängder data samtidigt som publiken håller sig intresserad. Och håll dig borta från att använda könsbaserade färger för att presentera din data (dvs. blått för män, rosa för kvinnor) . Även om det kan vara en enkel norm att standardisera, förstärker den bara ett binärt tänkesätt ytterligare.

Överväg att göra dina egna undersökningar för att samla in mer inkluderande data.

Ibland är det största hindret för att presentera inkluderande data att hitta inkluderande data. Beroende på intervallet och typen av data du vill visa, överväg att göra dina egna undersökningar. Detta Artikel i Wall Street Journal , till exempel, visar binär data, men inkluderar en egen omröstning som ger möjlighet att välja 'annat' för kön. Designerna här gör ett bra jobb med att visa den data som var tillgänglig för dem, och inkluderingen av deras egen undersökning antyder deras försök att visa mer inkluderande data.

Gör dina damsektioner mer inkluderande.

Av de artiklar jag analyserade kom flera från kvinnors avdelningar i tidningarna, särskilt Times' 'Med hennes ord' sektion. Alla dataanalyser här presenterade dock fortfarande kön som en binär. Jag tyckte att detta var lite överraskande, och ärligt talat en besvikelse. Moderna kvinnoavdelningar är tänkta att vara en inkluderande och progressiv tankesamling, inte ett heterogent cis-kvinnoarkiv. Utöka dina kvinnors sektioner för att vara mer inkluderande av transpersoner, feminina icke-binära personer, etc.

Att presentera korrekt data är ett grundläggande journalistiskt ansvar. Vi bör sträva efter en allomfattande kontra traditionell strategi.

Samhällskonnotationer av kön förändras, och ens tilldelade kön kanske inte längre definierar deras könsidentitet. Det är viktigt att modern journalistik speglar detta.

Om vi ​​börjar implementera ett system där det inte är undantaget utan normen att inkludera icke-binära könsidentiteter i våra datastrukturer, kan det avsevärt förändra människors tankesätt om kön som helhet. Media är en initiativtagare till förändring; det ansvarar för att skapa rätt frågor för att få bättre svar.

Vi måste börja inkludera alla identiteter i vår journalistik, särskilt de som har varit underrepresenterade och marginaliserade i århundraden.

Berättelser – inklusive de som skapas i nyheterna – formar vår förståelse av det mänskliga tillståndet, som hur vi uttrycker och förstår olika könsidentiteter. Som moderna journalister måste vi hjälpa till att skapa berättelser som är empatiska, mångfaldiga och inkluderande – och vi kan börja med att omstrukturera genusberättelsen.