2. 1. Fases del procés estadístic

1. Identificació del tema

Generalment, les estadístiques públiques responen als interessos de les institucions i administracions que les encarreguen, i no analitzen tots els àmbits de la vida social ni les realitats de tots els grups socials. El biaix estadístic del subvencionador es fa aquí particularment evident, ja que es recullen informacions sobre els temes que les persones que encarreguen o fan l’estadística consideren rellevants i susceptibles de ser mesurats (o segmentats en elements mesurables). Així, en una societat heteropatriarcal, temàtiques com l’ocupació o l’economia solen suscitar molt més interès, per exemple, que el benestar emocional o les relacions interpersonals. De fet, fa més de trenta anys que les epistemòlogues del punt de vista han denunciat que les experiències específiques de les dones no eren suficientment valorades en la producció de coneixement. Encara que s’hagi avançat en aquest camp, continua havent-hi moltes coses a fer.

A més a més, és molt difícil identificar les temàtiques emergents d’una societat sempre més heterogènia si, com ja hem comentat en el capítol “Situant-nos”, els espais de presa de decisió continuen sent extremadament homogenis. Hem de reconèixer, però, que en alguns casos la capacitat de pressió dels moviments socials o de grups minoritzats ha portat al reconeixement d’algun tema específic. Per exemple, s’han començat a fer estadístiques sobre violències cap a les dones quan el moviment feminista ha estat prou fort per exigir-ho. Tanmateix, es necessita més proactivitat per part de les administracions en aquest sentit, per això, des de la perspectiva de PGI, es recomana:

2. Definició del “problema”

Qualsevol tema o àrea d’estudi és massa ampli per poder ser estudiat amb una estadística en la seva totalitat. Per això, com en qualsevol recerca, hem d’acotar la temàtica fins a definir quin és el subconjunt que realment ens interessa. Així, qualsevol mesura d’una qüestió/realitat social és, de per si, reductiva, ja que es basa en una definició acotada del que mesurem i, com veurem després, en les decisions preses per operativitzar-la, que depenen, en gran mesura, del nostre marc conceptual. En aquest sentit, tal com Carol Bacchi (2009) proposa de cara a les polítiques públiques, també en les estadístiques hem d’analitzar críticament quina és la representació del problema en què es basen i veure si aquesta representació no reprodueix biaixos

La manera com es configura o s’entén el problema és, doncs, un element molt sensible des d’una perspectiva de PGI, ja que pot ser reproductora de visions discriminatòries, que exclou o victimitza alguns grups socials.

Des d’una perspectiva de PGI es recomana:

3. Elecció dels objectius

Avui en dia es fan estadístiques amb finalitats molt variades, per exemple: conèixer el perfil de les persones usuàries d’un servei, definir protocols de salut laboral en el marc de la Generalitat, identificar canvis poblacionals en l’àmbit europeu, detectar necessitats desconegudes d’un grups específic en una ciutat concreta, avaluar la fiabilitat econòmica d’una persona que demana una hipoteca, dissenyar la campanya de màrqueting d’un nou producte. Cadascun d’aquests àmbits té una escala i un abast molt diferent, i implica una sèrie d’objectius explícits o, fins i tot, latents de què hem de ser conscients si volem assumir una perspectiva de PGI. En aquesta definició també hi poden intervenir diferents biaixos, per exemple:

És important entendre que, en aquest exemple, el biaix es deu a l’assumpció que conèixer les pràctiques sexuals heteronormatives és suficient per a la millora de la salut sexual i reproductiva de la població juvenil, i no a l’estudi únicament d’un tipus de pràctiques. No seria esbiaixat, per exemple, el fet de no focalitzar-se en la sexualitat dissident si es tractés d’un estudi que pretén entendre la relació entre la sexualitat i la persistència del mite de l’amor romàntic en les parelles heterosexuals.

A vegades pensem que amb la simple voluntat de produir dades sensibles al gènere serem capaces de definir objectius transformadors; tanmateix, la qüestió és molt més complexa.

Posem per exemple els tres objectius següents referits una mateixa temàtica que, a primera vista, podrien ser tots sensibles a la perspectiva de gènere, i mirem les diferències relatives en què situem el focus en cadascun.

A. Identificar si els perfils de les persones que pateixen ansietat es diferencien per gènere.

En aquest cas, es pretén fer una comparativa entre l’experiència de l’ansietat en funció del gènere. D’aquesta manera, focalitzem el problema en les persones amb ansietat, considerant que el gènere en pot ser un factor causant, i no indaguem en els elements que poden produir aquesta diferència. En aquest sentit, si bé tindrem dades desagregades, els resultats no ens permetran fer una anàlisi sensible al gènere.

B. Identificar si, a l’hora de diagnosticar l’ansietat, el gènere de les usuàries és un factor clau.

Aquí es parteix d’un problema identificat per metgesses feministes com Carmen Valls. “Fa trenta anys, qualsevol simptomatologia poc precisa, com el cansament o el malestar, era diagnosticada com «neurastènia», i actualment […] tot el que li passa a la dona és ansietat o depressió.” El focus de l’objectiu es desplaça cap al diagnòstic, en lloc de responsabilitzar les persones diagnosticades. En aquest sentit, l’objectiu té clarament voluntat de transformació de la discriminació que pateixen les dones i es pot considerar de PG

.

C. Identificar si, a l’hora de diagnosticar l’ansietat, el gènere i la seva intersecció amb altres eixos d’opressió són un factor clau.

Aquesta última formulació va un pas més enllà que l’anterior, ja que ens permet no homogeneïtzar els subjectes del mateix gènere. Parteix de la idea que qui diagnostica l’ansietat podria estar influenciat per altres factors a més del gènere, com ara: no reconèixer la capacitat d’introspecció de les dones de classe baixa, escoltar superficialment les que no parlen fluidament l’idioma de la consulta, pensar que les dones trans han de tenir problemes psicològics, etc. En aquest sentit, l’objectiu permet donar una resposta més matisada a un problema de sexisme des d’una òptica interseccional; com a tal, es pot definir com un objectiu clarament de PGI.

Des d’una perspectiva de PGI es recomana:

4. Operacionalizació dels conceptes

Una vegada tenim el problema identificat, per poder recollir dades hem de saber quins elements el componen (els conceptes) i decidir com podem reduir-los a característiques mesurables amb preguntes d’opció tancada. Aquest procés és particularment complicat, ja que els conceptes imbricats amb la realitat social solen ser molt complexos i difícilment descomponibles en elements mesurables (i comparables).

En escollir els elements per mesurar el concepte, podem produir el biaix estadístic de les variables omeses, la qual cosa, per la seva part, pot comportar que en la interpretació hi hagi un biaix de causa-efecte. Per exemple, si, en analitzar la relació entre el sou que s’ofereix en una entrevista i les característiques físiques de la persona candidata, s’operacionalitzen les segones com: alçada, pes, mida de peu, etc. (i ometo incloure-hi el sexe com a variable), puc arribar a pensar que s’hi ha demostrat estadísticament que la causa de tenir ofertes de salari baixes és tenir un cos menut, sense veure que es tracta d’una discriminació sexista cap a les dones.

L’omissió de variables és un biaix bastant freqüent en la recol·lecció de dades administratives i burocràtiques, per exemple, amb la finalitat genèrica de conèixer els serveis prestats per una oficina. En molts casos, aquestes dades estan subjectes a un protocol informatitzat que no està pensat amb finalitats estadístiques especifiques sinó de descripció generalista. Per aquesta raó, s’ha d’anar amb molta cura en la utilització d’aquestes dades. Aquestes omissions amb freqüència poden ser degudes a una visió sexista o androcèntrica de la realitat que no considera importants determinades variables.

La manera en què descomponem els conceptes en segments mesurables de realitat és un element clau en la PGI. Per exemple, per estudiar l’accés als serveis d’atenció a l’embaràs es pot partir de la constatació que les noies molt joves i les dones migrants acudeixen molt menys als serveis que altres grups de dones. Això ens pot portar a voler identificar barreres d’accés, materials i simbòliques (concepte clau). Per operacionalitzar les barreres simbòliques, ens podem focalitzar a mesurar “característiques de personalitat de les dones”, cosa que implicaria una responsabilització i culpabilització de les migrades i/o les joves, o buscar constructes per detectar si hi ha formes d’organització dels serveis adultocèntriques, classistes o racistes.

Com es veu en l’exemple, i com s’explicarà amb més detall en el capítol “Analitzant”, els possibles biaixos en l’operacionalització dels indicadors poden ser encara més complexos.

Des d’una perspectiva de PGI es recomana:

5. Identificació dels subjectes o llocs per buscar les dades

La no recopilació de les dades d’alguns grups de persones afectades o part d’un problema porta a la impossibilitat de dissenyar polítiques que responguin a les seves necessitats específiques. Per exemple, si es fa el recompte de la violència masclista simplement a partir dels casos denunciats (com en moltes dades oficials), mirem solament la punta de l’iceberg, ja que els casos reals són molts més. A més a més, col·lectius com les dones en situació administrativa irregular o dependents, que tenen encara molta més dificultat a denunciar, queden completament exclosos de la representació que produïm.

Finalment, si sempre que volem conèixer una problemàtica, analitzem l’experiència dels col·lectius minoritzats, no facilitem que es reconegui la responsabilitat dels col·lectius privilegiats, o sigui els desresponsabilitzem. Per exemple: quantes estadístiques coneixem que preguntin als homes si han exercit violències masclistes? L’exclusió de determinats grups socials es pot fer de manera explícita o voluntària o pot ser efecte d’una sèrie de biaixos en el mostreig. En la taula següent en presentem alguns dels clàssics creuats amb exemples de PGI

En l’apartat 3.1.3 del capítol “Analitzant” s’ofereixen algunes propostes específiques per fer un mostreig menys esbiaixat des d’una perspectiva PGI; aquí proposem algunes recomanacions més generals:

5. Disseny dels instruments i implementació de la “recollida” de les dades

Tal com explicarem més en detall en l’apartat “Preguntant”, aquesta fase és clau per introduir la PGI. A part de la importància que té l’operacionalització dels conceptes (o sigui, la identificació de variables i dels seus possibles valors), el llenguatge que utilitzem pot ser discriminatori tant en la forma en què conjuguem els gèneres, com a través d’expressions denigradores o tan complicades que no en faciliten la comprensió, com per la forma de presentar els protocols de recollida de les informacions.

D’altra banda, el context en què es fan les entrevistes (també anomenat setting) té molta influència en les possibilitats de resposta. En aquest sentit, és molt indicatiu l’exemple que posa l’Institut Europeu per a la Igualtat de Gènere per definir el que anomena biaixos estadístics de gènere: “les respostes a preguntes sobre violència física o sexual contra les dones serien totalment esbiaixades si la parella de la dona o altres familiars fossin presents durant l’entrevista”. De la mateixa manera, si el qüestionari és subministrat, el gènere i l’edat de la persona que entrevista té un paper en la resposta que es dona. Dos biaixos clàssics intervenen de manera generitzada i interseccional en aquesta fase de coconstrucció de la informació:

Des d’una perspectiva de PGI es recomana:

6 Anàlisi i interpretació de les dades

En el moment d’analitzar les dades, escollim les proves estadístiques que cal realitzar i posteriorment interpretem les informacions que n’extraiem a partir del marc interpretatiu que utilitzem (que pot ser més o menys sensible a una anàlisi de PGI). Les operacions estadístiques que es fan amb més freqüència són les que corresponen a l’àrea de les estadístiques descriptives, en les quals, a vegades, fem creuaments entre variables per mirar la influència que alguns factors tenen sobre d’altres. Per poder fer aquests creuaments és indispensable, però, tenir accés a les dades dividides per característiques diferents de la població, i no sempre és així.

En aquesta fase podem produir interpretacions més esbiaixades d’acord amb el factor causa-efecte (o sigui, cal considerar la dependència d’una variable respecte d’una altra quan en realitat es tracta d’una covariació ).

Tanmateix, hem de tenir en compte que, amb una anàlisi creuada, ens podem limitar a enfocar la comprensió de la realitat com si les discriminacions fossin sumatives (discriminació múltiple). A més a més, com hem vist en l’exemple, hem d’anar amb compte perquè, si les anàlisis descriptives són un pas important per detectar les desigualtats, presentar-les “sense qüestionament o anàlisi del procés causal, pot tenir l’efecte indesitjat de reforçar les desigualtats com si fossin naturals i, per tant, no-abordables” (Bauer, Scheim, 2019: 237). Per aquesta raó, la interpretació de les dades s’ha de fer entenent els efectes i les dinàmiques dels processos discriminatoris.

Fent un pas mes enllà, Greta Bauer i Ayden Scheim (2019) proposen un enfocament que denominen interseccionalitat analítica, basat en anàlisis recursives que permeten donar compte dels efectes del poder en els processos interseccionals i faciliten analitzar l’heterogeneïtat interseccional en els nivells dels processos i de les conseqüències. Conscients que seria clau analitzar aquesta interessant i complexa proposta en una guia per a matemàtiques i estadístiques professionals, considerem que entrar en aquest debat en aquesta guia pot desviar-nos de l’objectiu d’oferir recomanacions pràctiques que puguin ser utilitzades per un ampli ventall de professionals de les administracions públiques, centres de recerca, universitats i altres entitats. En el capítol “Analitzant” abordarem en detall el primer pas d’aquest procés, la desagregació i els creuaments, així com les anàlisis o propostes d’indicadors des d’una perspectiva de PGI.

Des d’una perspectiva de PGI es recomana:

7 Disseminació/difusió

Com expliquem amb detall en l’últim capítol, la disseminació/difusió fa referència als diversos processos mitjançant els quals comuniquem les nostres dades i troballes perquè siguin socialment rellevants. Si bé pot semblar que la difusió dels resultats no ha de ser esbiaixada en si mateixa, també en aquesta (pen)última fase la PGI és fonamental. En primer lloc, perquè, com desgranarem amb més detall en el capítol “Disseminant i difractant”, freqüentment s’informa dels resultats estadístics però es dona molt poca importància a explicar el procés pel qual s’han creat, la qual cosa dona així una il·lusió falsa de neutralitat. En segon lloc, perquè just en aquesta fase pot intervenir d’una manera molt poderosa el biaix del subvencionador, per la qual cosa la informació que serà difosa haurà de ser la que més interessa als grups que han encarregat el treball. En aquest sentit, és paradigmàtic el fet que els resultats de moltes recerques, avaluacions o enquestes encarregades per les administracions públiques no es difonen, o es difonen només mesos o anys després de ser lliurades i sovint es donen a conèixer tan sols alguns dels resultats i poca cosa o res del procés que s’ha utilitzat. Amb això, moltes de les informacions necessàries perquè es puguin entendre els resultats en el seu context, com hem anat apuntant en les seccions anteriors, queden ocultes, i els biaixos, indetectables.

Moltes vegades les dades es presenten com a neutres respecte al gènere, sense cap mena de contradicció o escletxa en el procés. D’aquesta manera, l’efecte generalitzador dels resultats és molt potent i pot portar a l’homogeneïtzació al voltant de les realitats hegemòniques. Com suggerim en el capítol “Difractant”, des d’una perspectiva com la PGI, la transparència sobre el procés és fonamental, així com la utilització de diferents maneres de compartir les dades i disseminar-ne els resultats, la qual cosa afavoreix els processos de difracció, dels quals parlarem amb detall més endavant. Les formes en què presentem els textos (orals o escrits), els gràfics, les infografies i/o les imatges que les acompanyen, poden ser estereotipades i reproduir discriminacions o ser transformadores.

Un altre problema molt rellevant és que, a vegades, amb la finalitat de donar un missatge senzill i fàcil, podem homogeneïtzar les informacions i, fins i tot, arribar a crear confusió. En l’exemple següent les autores ens mostren que, si les estadístiques de prevalença poden ser útils, sempre ometen detalls, amb la qual cosa cal ser especialment curosos en temes particularment sensibles, com ara les agressions sexuals en les universitats.

Des de Muehlenhard, Oererson, Humpreys and Jozkowski (2017: 572)

Quan afirmem que 1 de cada 5 universitàries ha patit agressions sexuals, hem d’ entendre que ens referim a un valor de mitjana i no a una representació fidedigna de la realitat. De fet, el risc de patir agressions no és uniforme entre les universitàries ni és el mateix en les diferents universitats. Contemporàniament, el fet de fixar-nos només en aquesta dada, pot amagar que les dones que són en altres etapes del seu recorregut formatiu tenen riscos similars. A més a més, resumir el risc d’agressions sexuals en una estadística implica que hi ha una delimitació nítida entre quines conductes compten o no com a “agressió sexual”, la qual cosa impedeix d’entendre que les conductes sexualment coercitives adquireixen la forma d’un contínuum i no són categories excloents

Les recomanacions de la PGI sobre aquesta fase es troben en l’últim capítol, adaptades per al tipus de públic a què ens dirigim.