Il est temps que les visualisations de données incluent davantage les informations sur le genre

En tant qu'étudiant, j'ai analysé des visualisations de données de genre qui représentaient des données de genre provenant de grandes entreprises de médias. Voici ce que j'ai appris.

Illustration par Alison Booth

La visualisation des données devient de plus en plus populaire dans les médias d'information. Particulièrement à l'ère du COVID-19, nous consommons des graphiques, des cartes et des tableaux à profusion, et les journalistes utilisent désormais les données comme base pour analyser et visualiser les tendances et les phénomènes plus importants qui ont un impact sur la société à l'échelle mondiale.

Mais les données peuvent parfois être trompeuses. Les gens considèrent les données comme plus objectives que les autres informations, mais ce n'est pas nécessairement vrai. Les données dépendent de la collecte de données, de la collecte d'enquêtes, de questions spécifiques qui demandent des réponses spécifiques. Les gens font confiance aux données parce qu'elles sont généralement perçues comme des faits concrets, mais lorsque les bonnes questions ne sont pas posées, l'affichage de données trompeuses marginalise tout un groupe de personnes.

Pendant des décennies, les visualisations qui affichent des données de genre ont favorisé un état d'esprit binaire, qui marginalise et exclut ceux qui ne s'identifient pas comme strictement masculins ou féminins. Concepts non binaires de genre sont de plus en plus acceptées, et la distinction entre sexe assigné et genre est enfin reconnue à l'échelle sociétale.

Nos données devraient en tenir compte.

J'ai analysé 40 articles publiés par Le New York Times et Le journal de Wall Street en 2020 qui comprenait des analyses de données ou des visualisations de données sexospécifiques. Parmi ceux-ci, seuls cinq – soit 12,5% – incluaient des termes ou des données spécifiques qui représentaient des personnes qui ne s'identifiaient ni comme des femmes ni comme des hommes. Seules plus de recherches le diront, mais je soupçonne que les résultats seraient similaires.

Les histoires qui reconnaissaient les identités non binaires étaient généralement axées sur la communauté LGBTQ + et étaient toujours des pièces stylistiques centrées sur le profil, comme celle-ci Pièce du New York Times qui plonge dans les inconvénients des soirées révélatrices de genre (et est répertorié dans la section Style du Times). Les données qui se concentraient sur les élections de 2020 ou COVID-19, cependant – qui représentaient 43% des articles analysés et une énorme proportion des nouvelles de cette année – ont toujours montré le genre comme un binaire, comme celui-ci Visualisation du Wall Street Journal qui analyse les résultats des élections de 2020.

Ce genre d'omission n'est pas nouveau. À la base, l'utilisation des données comme outil pour présenter des informations est une pratique erronée. Les données ont toujours été biaisées en faveur de ce que la société a historiquement défini comme la norme : l'homme blanc cisgenre.

Cela arrive aux femmes depuis des siècles. Compilé études de manuels de langue et de grammaire d'Allemagne, des États-Unis, d'Australie et d'Espagne ont révélé que les hommes étaient trois fois plus susceptibles d'être utilisés dans une phrase d'exemple qu'une femme. Notre divertissement nous dit ceci : A 2007 étude de plus de 25 000 personnages télévisés ont constaté que seulement 13 % des personnages non humains étaient des femmes (et très, très peu étaient non binaires). Nos médias d'information nous le montrent : Le Global Media Monitoring Project trouvé dans son rapport 2015 que « les femmes ne représentent que 24 % des personnes entendues, lues ou vues dans les journaux, la télévision et la radio, exactement comme en 2010 ».

Les femmes ont toujours été considérées comme le sexe inférieur, et la société commence à peine à démanteler les systèmes d'oppression qui les ont maintenues subjuguées. L'écrivaine féministe Caroline Criado Perez, dans la préface de son livre « Invisible Women : Data Bias in a World Designed for Men », résume en quelques mots l'écart entre les sexes dans les données : « La blancheur et la masculinité se taisent précisément parce qu'elles n'ont pas besoin de être vocalisé.

Nous entrons dans un espace où la société commence à reconnaître l'existence de plus de deux genres - d'un spectre qui comprend des hommes et des femmes transgenres, des personnes non binaires, des homosexuels et des personnes intersexuées. Et tandis que les femmes sont de plus en plus reconnues dans l'analyse des données, les autres genres ne le sont pas. Nos données doivent commencer à refléter l'existence de plusieurs genres. Sinon, cela déplace davantage une communauté déjà marginalisée et sous-représentée.

Ce n'est pas une tâche facile. Cela ne se fera pas du jour au lendemain. Les systèmes historiques de collecte d'informations excluent les genres non définis comme homme/femme, y compris peut-être la compilation de données modernes la plus influente : les données de recensement.

le Census Bureau recueille des données sur les citoyens pratiquement depuis la fondation des États-Unis , mais ne parvient toujours pas à inclure même une option 'autre' pour le sexe. Cela renforce non seulement une structure binaire et la rend difficile pour les individus non binaires à compléter - cela rend également la recherche de données comprenant des personnes non binaires incroyablement difficile, même pour les organisations ou les médias qui souhaitent inclure ces données.

Alors, comment travaillons-nous, en tant que journalistes, éditeurs de données et concepteurs, pour tenter d'améliorer ce système de collecte de données, en particulier lorsque tant de facteurs sont contre nous ?

Voici quelques mesures que vous pourriez envisager de prendre.

Contextualisez vos données.

Si les données que vous utilisez sont structurées autour d'un binaire mâle/femelle, c'est OK. Il est difficile de trouver des données de genre non binaires fiables dans une société qui a été historiquement structurée autour du binaire de genre. Nous ne pouvons pas rendre les anciennes données plus inclusives par magie. Mais si vous utilisez ces données, assurez-vous de reconnaître qu'elles excluent un groupe spécifique de personnes. Reconnaître le problème de l'imprimé est une étape qui nous rapproche de la mise en œuvre de solutions.

Présentez toutes les données, peu importe la taille des marges.

Parfois, il peut être difficile pour les concepteurs de structurer des visualisations qui incluent des ratios de données plus petits. Étant donné que les personnes qui ne s'identifient pas comme hommes/femmes représentent un pourcentage plus faible de celles qui le font, il peut parfois être difficile de présenter ces données de manière lisible et visuellement attrayante. Mais nous ne devrions pas choisir ce qu'il faut afficher pour l'esthétique visuelle - inclure tous les secteurs de données qui reconnaissent différents genres, quel que soit leur pourcentage.

Choisissez des outils de visualisation non restrictifs pour afficher vos données.

Des outils tels que les graphiques à barres ou les graphiques à secteurs sont des choix de visualisation faciles, mais ils peuvent parfois être restrictifs pour afficher des données plus petites ou non binaires. Plusieurs des visualisations de données que j'ai analysées et qui montraient le genre en tant que binaire utilisaient un graphique à barres empilées ou un graphique à secteurs. Il peut être plus difficile d'afficher des marges de données plus petites dans ces outils. Alors, soyez créatif. Essayez d'utiliser un graphique à bulles ou une carte arborescente ou un outil de visualisation qui permet d'afficher des marges plus petites dans des proportions adéquates. Envisagez de vous diriger vers des visualisations interactives qui, en plus d'être à la mode et visuellement attrayantes, sont un excellent outil pour afficher de grandes quantités de données tout en gardant le public intéressé . Bien que cela puisse être une norme facile à respecter, cela ne fait que renforcer un état d'esprit binaire.

Envisagez de réaliser vos propres sondages pour recueillir des données plus inclusives.

Parfois, le plus grand obstacle à la présentation de données inclusives est de trouver des données inclusives. En fonction de la gamme et du type de données que vous souhaitez afficher, envisagez de réaliser vos propres enquêtes. Ce Article du Wall Street Journal , par exemple, affiche des données binaires, mais inclut son propre sondage qui donne la possibilité de sélectionner 'autre' pour le sexe. Les concepteurs ici font un bon travail en montrant les données qui étaient à leur disposition, et l'inclusion de leur propre sondage suggère leur tentative de montrer des données plus inclusives.

Rendez vos sections féminines plus inclusives.

Parmi les articles que j'ai analysés, plusieurs provenaient des sections féminines des journaux, en particulier du Times 'Dans ses mots' section. Toutes les analyses de données ici, cependant, présentaient toujours le genre comme un binaire. J'ai trouvé cela un peu surprenant, et franchement décevant. Les sections féminines modernes sont censées être une collection de pensée inclusive et progressiste, et non une archive hétérogène de femmes cis. Développez vos sections féminines pour être plus inclusives des femmes transgenres, des personnes féminines non binaires, etc.

Présenter des données exactes est une responsabilité journalistique fondamentale. Nous devrions nous efforcer d'adopter une approche globale plutôt que traditionnelle.

Les connotations sociétales du genre changent et le sexe assigné à une personne peut ne plus définir son identité de genre. Il est important que le journalisme moderne reflète cela.

Si nous commençons à mettre en œuvre un système où ce n'est pas l'exception mais la norme d'inclure des identités de genre non binaires dans nos structures de données, cela pourrait considérablement modifier les mentalités des gens sur le genre dans son ensemble. Les médias sont un instigateur du changement ; il est chargé de formuler les bonnes questions afin d'obtenir de meilleures réponses.

Nous devons commencer à inclure toutes les identités dans notre journalisme, en particulier celles qui ont été sous-représentées et marginalisées pendant des siècles.

Les récits - y compris ceux créés dans les nouvelles - façonnent notre compréhension de la condition humaine, comme la façon dont nous exprimons et comprenons les différentes identités de genre. En tant que journalistes modernes, nous devons aider à élaborer des récits empathiques, diversifiés et inclusifs - et nous pouvons commencer par restructurer le récit de genre.