2. El procés estadístic i els seus biaixos
La nostra proposta de PGI subratlla la necessitat de reformular els processos de recerca (Biglia, 2015; Biglia, Vergés, 2020; Martínez et al., 2015) per produir dades d’una manera i amb una finalitat transformadores. En aquest capítol explorarem breument com i per què la PGI s’ha d’implementar de manera transversal en totes les fases del procés de producció i disseminació del coneixement, incloses la lectura, la interpretació i l’ús de les dades. D’altra banda, analitzem alguns dels biaixos que una mirada suposadament objectiva i neutra al gènere (així com als altres eixos de dominació) produeix.
Una de les principals resistències a l’assumpció de la PGI és la idea que, en tractar-se de números, no hi poden haver biaixos. Amb aquesta idea, quan s’evidencien els límits dels números que presenten, algunes de les persones que produeixen (o encarreguen) estadístiques poden ofendre’s per sentir-se acusades de manipulació de dades. Tanmateix, hem de tenir present que els axiomes que es troben en la base dels càlculs de probabilitat no són altra cosa que consensos de la comunitat científica. A més a més, qualsevol procés de producció de dades està farcit de decisions que acaben conformant el que arribem a conèixer i el que no. Les dades i, encara més, les informacions no poden ser neutres, sinó que sempre depenen d’una multitud de factors, entre els quals es troba la concepció de la realitat i de la ciència de les persones implicades en aquesta presa de decisions.
La presència de biaixos estadístics, doncs, és molt més comuna del que podríem esperar. En aquesta taula detallem els que, segons les estadístiques, són els més freqüents:
Hem de tenir present, però, que aquests biaixos estadístics clàssics es conjuguen de manera particular en interseccionar amb els més específicament generitzats. Per entendre com es conjuguen entre si, hem de tenir presents quins són els biaixos específics des d’una perspectiva PGI. Els primers són els denunciats ja fa més de mig segle per les primeres epistemòlogues feministes: l’androcentrisme i el sexisme.
Aquests són un punt clau per a la nostra anàlisi; tanmateix, des d’una perspectiva de PGI, hem de detectar i prevenir també altres biaixos que tenen una lògica normalitzant i/o discriminant i que, encara que no específicament generitzats, es combinen de manera particular amb els de gènere (i entre si). Entre els quals, els més comuns són els que presentem en la taula següent.
Els biaixos PGI poden intervenir en qualsevol moment del procés de creació d’informacions, tant de manera voluntària com involuntària, de forma aïllada com combinats entre si. A més, atès que en la nostra societat les dades generen dades, no solament es reprodueixen en les diferents operacions estadístiques, sinó que s’hi enforteixen. De fet, els biaixos “no apareixen merament en la superfície de les dades, sinó en la seva estructura profunda, és a dir, en les relacions implícites que mantenen” (Capitolina Díaz et al., 2020: 42).
“Imaginem, per exemple, que una empresa necessita contractar persones expertes en programació i, amb aquesta finalitat, demana a Google desenes de noms. Aquest motor de cerca obtindrà aquests noms a partir de la macrobase de dades de Google News. Ara bé, en aquesta base de dades enorme, no hi apareix «dona» com a par compatible amb «programador informàtic», almenys en termes de probabilitat estadística. Per consegüent, cap dona figurarà a la llista que Google vengui a l’empresa client, i cap dona arribarà a ser contractada. S’ampliaria d’aquesta manera, a través d’aquest rodeig voluminós de les macrodades, el cercle viciós de la discriminació de gènere.”
Capitolina Díaz et al. (2020: 45)
En els apartats següents explicarem per què i de quina manera cal assumir la PGI en cada fase del procés estadístic, posant exemples en cadascuna de com hi intervenen els biaixos PGI. Tanmateix, volem recordar que, encara que ens veiem forçades per raons de comprensió narrativa a presentar les fases com si responguessin a una seqüència lineal, és més adequat entendre-les com una espiral o, millor encara, com un fractal, ja que cada decisió influencia i es magnifica en les altres, i les relacions són sistèmiques i contínues entre si. Acabem cada secció amb unes recomanacions breus per a l’assumpció de la perspectiva PGI, que obren la boca a les recomanacions més específiques i detallades que es poden trobar en els capítols següents. Som conscients que moltes vegades els biaixos no es poden eliminar completament però cal reflexionar sobre com operen i aplicar mesures correctores, com ara explicitar el seu possible funcionament en documents de notes metodològiques o metadades que acompanyen o haurien d’acompanyar sempre les estadístiques.
