Kompensasi Untuk Tanda Zodiak
Substabilitas C Selebriti

Cari Tahu Kompatibilitas Dengan Tanda Zodiak

Saatnya visualisasi data menjadi lebih inklusif terhadap informasi gender

Analisis

Sebagai mahasiswa, saya menganalisis visualisasi data gender yang menggambarkan data gender dari perusahaan media besar. Inilah yang saya pelajari.

Ilustrasi oleh Alison Booth

Visualisasi data menjadi lebih populer dari hari ke hari di media berita. Khususnya di era COVID-19, kita mengonsumsi grafik, peta, dan bagan yang berlimpah, dan jurnalis sekarang menggunakan data sebagai dasar untuk menganalisis dan memvisualisasikan tren dan fenomena yang lebih besar yang berdampak pada masyarakat dalam skala dunia.

Tapi data terkadang bisa menipu. Orang-orang melihat data lebih objektif daripada informasi lain, tetapi ini belum tentu benar. Data bergantung pada pengumpulan data, pengumpulan survei, pada pertanyaan spesifik yang mencari jawaban spesifik. Orang memercayai data karena biasanya dianggap sebagai fakta nyata — tetapi ketika pertanyaan yang tepat tidak diajukan, menampilkan data yang menyesatkan akan meminggirkan seluruh kelompok orang.

Selama beberapa dekade, visualisasi yang menampilkan data gender telah mempromosikan pola pikir biner, yang meminggirkan dan mengecualikan mereka yang tidak mengidentifikasi sebagai laki-laki atau perempuan. Konsep gender non-biner semakin diterima, dan perbedaan antara jenis kelamin dan gender yang ditentukan akhirnya diakui dalam skala sosial.

Data kami harus mencerminkan hal ini.

Saya menganalisis 40 artikel yang diterbitkan oleh The New York Times dan Jurnal Wall Street pada tahun 2020 yang mencakup analisis data atau visualisasi data berbasis gender. Dari jumlah tersebut, hanya lima — atau 12,5% — yang menyertakan istilah atau data spesifik yang mencakup orang-orang yang tidak diidentifikasi sebagai perempuan atau laki-laki. Hanya lebih banyak penelitian yang akan memberi tahu, tetapi saya menduga hasilnya akan serupa.

Cerita yang mengakui identitas non-biner biasanya difokuskan pada komunitas LGBTQ+, dan secara konsisten berpusat pada profil, potongan gaya, seperti ini Sepotong New York Times yang menyelami kontra pesta pengungkapan gender (dan terdaftar di bagian Gaya Times). Namun, data yang berfokus pada pemilu 2020 atau COVID-19 — yang merupakan 43% dari artikel yang dianalisis dan sebagian besar berita tahun ini — selalu menunjukkan gender sebagai biner, seperti ini Visualisasi Wall Street Journal yang menganalisis hasil pemilu 2020.

Kelalaian semacam ini bukanlah hal baru. Pada intinya, menggunakan data sebagai alat untuk menyajikan informasi adalah praktik yang salah. Data selalu bias terhadap apa yang secara historis didefinisikan masyarakat sebagai norma: cisgender, laki-laki kulit putih.

Itu telah terjadi pada wanita selama berabad-abad. Disusun studi Buku teks bahasa dan tata bahasa dari Jerman, Amerika Serikat, Australia, dan Spanyol menemukan bahwa pria tiga kali lebih mungkin digunakan dalam contoh kalimat daripada wanita. Hiburan kami memberi tahu kami ini: A 2007 belajar dari lebih dari 25.000 karakter TV menemukan bahwa hanya 13% karakter bukan manusia adalah perempuan (dan sangat, sangat sedikit yang non-biner). Media berita kami menunjukkan ini kepada kami: Proyek Pemantauan Media Global ditemukan di laporan 2015 bahwa “perempuan hanya 24% dari orang-orang yang mendengar, membaca atau melihat berita di surat kabar, televisi dan radio, persis seperti yang mereka lakukan pada tahun 2010.”

Perempuan secara historis dilihat sebagai jenis kelamin yang lebih rendah, dan masyarakat baru saja mulai membongkar sistem penindasan yang telah membuat mereka ditaklukkan. Penulis feminis Caroline Criado Perez, dalam kata pengantar bukunya “Invisible Women: Data Bias in a World Dirancang untuk Pria,” merangkum data kesenjangan gender hanya dalam beberapa kata: “Keputihan dan kejantanan diam justru karena mereka tidak perlu dilafalkan.'

Kami memasuki ruang di mana masyarakat mulai mengenali keberadaan lebih dari dua jenis kelamin — dari spektrum yang mencakup pria dan wanita transgender, nonbiner, gender-queer, dan orang interseks. Dan sementara perempuan semakin diakui dalam analisis data, jenis kelamin lain tidak. Data kami perlu mulai mencerminkan keberadaan banyak jenis kelamin. Jika tidak, itu akan menggusur komunitas yang sudah terpinggirkan dan kurang terwakili.

Ini bukan prestasi yang mudah. Itu tidak akan terjadi dalam semalam. Sistem pengumpulan informasi historis mengecualikan jenis kelamin yang tidak didefinisikan sebagai laki-laki/perempuan, termasuk mungkin kompilasi data modern yang paling berpengaruh: data sensus.

Itu Biro Sensus telah mengumpulkan data tentang warga praktis sejak AS didirikan , namun masih gagal untuk memasukkan bahkan opsi 'lain' untuk gender. Ini tidak hanya memperkuat struktur biner dan membuatnya sulit bagi individu nonbiner untuk diselesaikan — ini juga membuat pencarian data yang menyertakan orang nonbiner menjadi sangat sulit, bahkan untuk organisasi atau media yang ingin menyertakan data tersebut.

Jadi, bagaimana kita, sebagai jurnalis, editor dan desainer data, berupaya meningkatkan sistem pengumpulan data ini, terutama ketika begitu banyak faktor yang bertentangan dengan kita?

Berikut adalah beberapa langkah yang mungkin Anda pertimbangkan untuk diambil.

Kontekstualisasikan data Anda.

Jika data yang Anda gunakan terstruktur di sekitar biner pria/wanita, tidak apa-apa. Sulit untuk menemukan data gender non-biner tepercaya dalam masyarakat yang secara historis terstruktur di sekitar biner gender. Kami tidak dapat secara ajaib membuat data lama lebih inklusif. Tetapi jika Anda menggunakan data ini, pastikan untuk mengakui bahwa data tersebut mengecualikan sekelompok orang tertentu. Mengenali masalah di media cetak adalah langkah yang membawa kita lebih dekat untuk mengimplementasikan solusi.

Sajikan semua data, tidak peduli seberapa kecil marginnya.

Terkadang sulit bagi desainer untuk menyusun visualisasi yang menyertakan rasio data yang lebih kecil. Karena individu yang tidak mengidentifikasi diri sebagai laki-laki/perempuan merupakan persentase yang lebih kecil dari mereka yang melakukannya, terkadang sulit untuk menyajikan data tersebut dengan cara yang menarik secara visual. Tetapi kita tidak boleh memilih apa yang akan ditampilkan untuk estetika visual — sertakan semua sektor data yang mengenali jenis kelamin yang berbeda, terlepas dari seberapa kecil persentasenya.

Pilih alat visualisasi nonrestriktif untuk menampilkan data Anda.

Alat seperti grafik batang atau diagram lingkaran adalah pilihan visualisasi yang mudah, namun terkadang dapat membatasi dalam menampilkan data yang lebih kecil, atau nonbiner. Beberapa visualisasi data yang saya analisis yang menunjukkan gender sebagai biner menggunakan diagram batang bertumpuk atau diagram lingkaran. Mungkin lebih sulit untuk menunjukkan margin data yang lebih kecil di alat ini. Jadi, berkreasilah. Coba gunakan bagan gelembung atau peta pohon atau alat visualisasi yang memungkinkan margin yang lebih kecil ditampilkan dalam rasio yang memadai. Pertimbangkan untuk beralih ke visualisasi interaktif yang, selain menjadi trendi dan menarik secara visual, merupakan alat yang hebat untuk menampilkan sejumlah besar data sekaligus membuat audiens tetap tertarik. Hindari penggunaan warna gender untuk menyajikan data Anda (yaitu biru untuk pria, pink untuk wanita) . Meskipun bisa menjadi norma yang mudah untuk menjadi default, itu hanya semakin memperkuat pola pikir biner.

Pertimbangkan untuk membuat survei Anda sendiri untuk mengumpulkan data yang lebih inklusif.

Terkadang kendala terbesar dalam menyajikan data inklusif adalah menemukan data inklusif. Bergantung pada rentang dan tipe data yang ingin Anda tampilkan, pertimbangkan untuk membuat survei Anda sendiri. Ini Artikel Wall Street Journal , misalnya, menampilkan data biner, tetapi menyertakan jajak pendapatnya sendiri yang memberikan opsi untuk memilih 'lainnya' untuk jenis kelamin. Para desainer di sini melakukan pekerjaan yang baik untuk menunjukkan data yang tersedia bagi mereka, dan dimasukkannya jajak pendapat mereka sendiri menunjukkan upaya mereka untuk menunjukkan data yang lebih inklusif.

Jadikan bagian wanita Anda lebih inklusif.

Dari artikel yang saya analisis, beberapa berasal dari bagian wanita di koran, terutama Times' “Dalam Kata-katanya” bagian. Namun, semua analisis data di sini masih menampilkan gender sebagai biner. Saya menemukan ini agak mengejutkan, dan terus terang mengecewakan. Bagian-bagian perempuan modern dimaksudkan sebagai kumpulan pemikiran yang inklusif dan progresif, bukan arsip cis-perempuan yang heterogen. Perluas bagian wanita Anda agar lebih inklusif terhadap wanita transgender, orang non-biner feminin, dll.

Menyajikan data yang akurat adalah tanggung jawab jurnalistik dasar. Kita harus berjuang untuk pendekatan yang mencakup semua vs tradisional.

Konotasi sosial gender berubah, dan jenis kelamin yang ditetapkan seseorang mungkin tidak lagi menentukan identitas gender mereka. Sangat penting bahwa jurnalisme modern mencerminkan hal ini.

Jika kita mulai menerapkan sistem di mana bukan pengecualian tetapi norma untuk memasukkan identitas gender non-biner ke dalam struktur data kita, itu bisa sangat mengubah pola pikir orang tentang gender secara keseluruhan. Media adalah penggerak perubahan; itu bertanggung jawab untuk membingkai pertanyaan yang tepat untuk mendapatkan jawaban yang lebih baik.

Kita harus mulai memasukkan semua identitas dalam jurnalisme kita, terutama mereka yang selama berabad-abad kurang terwakili dan terpinggirkan.

Narasi — termasuk yang dibuat dalam berita — membentuk pemahaman kita tentang kondisi manusia, seperti cara kita mengekspresikan dan memahami identitas gender yang berbeda. Sebagai jurnalis modern, kita harus membantu menyusun narasi yang berempati, beragam, dan inklusif — dan kita bisa mulai dengan merestrukturisasi narasi gender.