Det er på tide at datavisualiseringer blir mer inkluderende for kjønnsinformasjon

Som student analyserte jeg kjønnsdatavisualiseringer som skildret kjønnsdata fra store mediebedrifter. Her er det jeg lærte.

Illustrasjon av Alison Booth

Datavisualisering blir mer populær for hver dag i nyhetsmedier. Spesielt i en COVID-19-epoke konsumerer vi grafer, kart og diagrammer i massevis, og journalister bruker nå data som grunnlag for å analysere og visualisere større trender og fenomener som påvirker samfunnet i verdensomspennende skala.

Men data kan noen ganger være lurende. Folk ser på data som mer objektive enn annen informasjon, men dette er ikke nødvendigvis sant. Data avhenger av datainnsamling, av undersøkelsesinnsamling, på spesifikke spørsmål som leter etter spesifikke svar. Folk stoler på data fordi de vanligvis oppfattes som konkrete fakta - men når de riktige spørsmålene ikke blir stilt, marginaliserer visning av villedende data en hel gruppe mennesker.

I flere tiår har visualiseringer som viser kjønnsdata fremmet en binær tankegang, som marginaliserer og ekskluderer de som ikke identifiserer seg som strengt mann eller kvinne. Ikke-binære begreper om kjønn blir mer og mer akseptert, og skillet mellom tildelt kjønn og kjønn blir endelig anerkjent på en samfunnsmessig skala.

Dataene våre bør gjenspeile dette.

Jeg analyserte 40 artikler publisert av New York Times og Wall Street Journal i 2020 som inkluderte dataanalyser eller visualiseringer av kjønnsbaserte data. Av disse inkluderte bare fem – eller 12,5 % – termer eller spesifikke data som sto for personer som ikke identifiserer seg som verken kvinnelige eller mannlige. Bare mer forskning vil fortelle, men jeg mistenker at resultatene vil være like.

Historier som anerkjente ikke-binære identiteter var vanligvis fokusert på LHBTQ+-samfunnet, og var konsekvent profilsentrerte, stilistiske stykker, som dette New York Times stykke som dykker ned i ulempene med kjønnsavslørende partier (og er oppført i Times' Style-delen). Data som fokuserte på valget i 2020 eller COVID-19 – som utgjorde 43 % av artiklene som ble analysert og en stor andel av årets nyheter – viste alltid kjønn som en binær, som dette Wall Street Journal visualisering som analyserer resultatene av valget i 2020.

Denne typen utelatelser er ikke ny. I kjernen er det en mangelfull praksis å bruke data som et verktøy for å presentere informasjon. Data har alltid vært partisk mot det samfunnet historisk har definert som normen: den ciskjønnede, hvite mannen.

Det har skjedd kvinner i århundrer. Kompilert studier av språk- og grammatikklærebøker fra Tyskland, USA, Australia og Spania fant at menn var tre ganger mer sannsynlig å bli brukt i en eksempelsetning enn en kvinne. Underholdningen vår forteller oss dette: A 2007 studere av over 25 000 TV-karakterer fant at bare 13 % av ikke-menneskelige karakterer var kvinner (og veldig, veldig få var ikke-binære). Våre nyhetsmedier viser oss dette: The Global Media Monitoring Project funnet i sin 2015-rapport at 'kvinner utgjør bare 24 % av personene som ble hørt, lest om eller sett i avis-, TV- og radionyheter, akkurat som de gjorde i 2010.'

Kvinner har historisk sett blitt sett på som det mindre kjønn, og samfunnet begynner akkurat nå å demontere undertrykkelsessystemene som har holdt dem underkuet. Den feministiske forfatteren Caroline Criado Perez oppsummerer i forordet til boken sin «Invisible Women: Data Bias in a World Designed for Men» dataforskjellen mellom kjønn med noen få ord: «Hvithet og mannlighet er tause nettopp fordi de ikke trenger å bli vokalisert.'

Vi går inn i et rom der samfunnet begynner å anerkjenne eksistensen av mer enn to kjønn - av et spekter som inkluderer transkjønnede menn og kvinner, ikke-binære, kjønnsskeive og interseksuelle personer. Og mens kvinner blir anerkjent mer og mer i dataanalyse, er det ikke andre kjønn. Dataene våre må begynne å gjenspeile eksistensen av flere kjønn. Ellers fortrenger det et allerede marginalisert og underrepresentert fellesskap ytterligere.

Dette er ikke en lett prestasjon. Det vil ikke skje over natten. Historiske systemer for informasjonsinnsamling ekskluderer kjønn som ikke er definert som mann/kvinnelig, inkludert kanskje den mest innflytelsesrike samlingen av moderne data: folketellingsdata.

De Census Bureau har samlet inn data om innbyggere praktisk talt siden USA ble grunnlagt , men klarer fortsatt ikke å inkludere enda et 'annet' alternativ for kjønn. Dette forsterker ikke bare en binær struktur og gjør den vanskelig for ikke-binære individer å fullføre – det gjør det også utrolig vanskelig å finne data som inkluderer ikke-binære personer, selv for organisasjoner eller medier som ønsker å inkludere disse dataene.

Så hvordan jobber vi som journalister, dataredaktører og designere for å prøve å forbedre dette systemet for datainnsamling, spesielt når så mange faktorer er imot oss?

Her er noen trinn du kan vurdere å ta.

Kontekstualiser dataene dine.

Hvis dataene du bruker er strukturert rundt en mannlig/kvinnelig binær, er det OK. Det er vanskelig å finne pålitelige ikke-binære kjønnsdata i et samfunn som har vært historisk strukturert rundt kjønnsbinære. Vi kan ikke på magisk vis gjøre gamle data mer inkluderende. Men hvis du bruker disse dataene, gjør et poeng for å erkjenne at det ekskluderer en bestemt gruppe mennesker. Å gjenkjenne problemet på trykk er et skritt som bringer oss nærmere implementering av løsninger.

Presenter alle data, uansett hvor små marginer.

Noen ganger kan det være vanskelig for designere å strukturere visualiseringer som inkluderer mindre forhold mellom data. Fordi individer som ikke identifiserer seg som mannlige/kvinnelige utgjør en mindre prosentandel av de som gjør det, kan det noen ganger være vanskelig å presentere disse dataene på en lesbar, visuelt tiltalende måte. Men vi bør ikke velge og vrake hva vi skal vise for visuell estetikk – inkludere alle datasektorer som gjenkjenner forskjellige kjønn, uavhengig av hvor liten prosentandel.

Velg ikke-begrensende visualiseringsverktøy for å vise dataene dine.

Verktøy som søylediagrammer eller sektordiagrammer er enkle visualiseringsvalg, men de kan noen ganger være restriktive når det gjelder å vise data som er mindre eller ikke-binære. Flere av datavisualiseringene jeg analyserte som viste kjønn som en binær, brukte et stablet søylediagram eller et sektordiagram. Det kan være vanskeligere å vise mindre marginer med data i disse verktøyene. Så vær kreativ. Prøv å bruke et boblediagram eller et trekart eller et visualiseringsverktøy som lar mindre marginer vises i tilstrekkelige forhold. Vurder å gå mot interaktive visualiseringer som, sammen med å være trendy og visuelt tiltalende, er et flott verktøy for å vise store mengder data mens du holder publikum interessert. Og hold deg unna å bruke kjønnsbaserte farger for å presentere dataene dine (dvs. blått for menn, rosa for kvinner) . Selv om det kan være en enkel norm å standard, forsterker den bare en binær tankegang ytterligere.

Vurder å lage dine egne undersøkelser for å samle mer inkluderende data.

Noen ganger er den største hindringen for å presentere inkluderende data å finne inkluderende data. Avhengig av rekkevidden og typen data du vil vise, bør du vurdere å lage dine egne undersøkelser. Dette Wall Street Journal-artikkel viser for eksempel binære data, men inkluderer en egen meningsmåling som gir muligheten til å velge 'annet' for kjønn. Designerne her gjør en god jobb med å vise dataene som var tilgjengelige for dem, og inkluderingen av deres egen meningsmåling antyder deres forsøk på å vise mer inkluderende data.

Gjør kvinneseksjonene dine mer inkluderende.

Av artiklene jeg analyserte, kom flere fra kvinners deler av avisene, spesielt Times' 'Med hennes ord' seksjon. Alle dataanalysene her presenterte imidlertid fortsatt kjønn som en binær. Jeg fant dette litt overraskende, og ærlig talt skuffende. Moderne kvinneseksjoner er ment å være en inkluderende og progressiv tankesamling, ikke et heterogent cis-kvinnearkiv. Utvid kvinneseksjonene dine for å være mer inkluderende for transkjønnede kvinner, feminine ikke-binære mennesker, etc.

Å presentere nøyaktige data er et grunnleggende journalistisk ansvar. Vi bør strebe etter en altomfattende kontra tradisjonell tilnærming.

Samfunnsmessige konnotasjoner av kjønn endrer seg, og ens tildelte kjønn kan ikke lenger definere deres kjønnsidentitet. Det er viktig at moderne journalistikk gjenspeiler dette.

Hvis vi begynner å implementere et system der det ikke er unntaket, men normen å inkludere ikke-binære kjønnsidentiteter i datastrukturene våre, kan det endre folks tankesett om kjønn som helhet betraktelig. Media er en pådriver for endring; det er ansvarlig for å sette inn de riktige spørsmålene for å få bedre svar.

Vi må begynne å inkludere alle identiteter i journalistikken vår, spesielt de som har vært underrepresentert og marginalisert i århundrer.

Fortellinger – inkludert de som er skapt i nyhetene – former vår forståelse av den menneskelige tilstanden, som måten vi uttrykker og forstår ulike kjønnsidentiteter på. Som moderne journalister må vi bidra til å lage fortellinger som er empatiske, mangfoldige og inkluderende – og vi kan starte med å omstrukturere kjønnsfortellingen.