데이터 시각화가 젠더 정보를 더 포함해야 할 때입니다.

학생 때 나는 주요 미디어 회사의 젠더 데이터를 묘사한 젠더 데이터 시각화를 분석했습니다. 여기 내가 배운 것이 있습니다.

앨리슨 부스의 삽화

데이터 시각화는 뉴스 미디어에서 점점 더 대중화되고 있습니다. 특히 COVID-19 시대에 우리는 그래프, 지도 및 차트를 많이 사용하고 있으며 언론인은 이제 데이터를 기반으로 데이터를 사용하여 전 세계적으로 사회에 영향을 미치는 더 큰 추세와 현상을 분석하고 시각화하고 있습니다.

그러나 데이터는 때때로 속일 수 있습니다. 사람들은 데이터를 다른 정보보다 객관적으로 여기지만 반드시 그런 것은 아닙니다. 데이터는 데이터 수집, 설문조사 수집, 특정 답변을 찾는 특정 질문에 따라 달라집니다. 사람들은 데이터가 일반적으로 구체적인 사실로 인식되기 때문에 데이터를 신뢰합니다. 하지만 올바른 질문을 하지 않을 때 잘못된 데이터를 표시하면 전체 그룹의 사람들이 소외됩니다.

수십 년 동안 젠더 데이터를 표시하는 시각화는 이분법적 사고방식을 조장하여 엄격하게 남성 또는 여성으로 식별하지 않는 사람들을 주변화하고 배제합니다. 젠더의 논바이너리 개념 점점 더 수용되고 있으며, 할당된 성별과 젠더의 구분이 마침내 사회적 규모에서 인식되고 있습니다.

우리의 데이터는 이것을 반영해야 합니다.

에서 발표한 40개의 기사를 분석했습니다. 뉴욕 타임즈 그리고 월스트리트 저널 2020년에는 젠더 기반 데이터의 데이터 분석 또는 시각화가 포함되었습니다. 이 중 5개(12.5%)만이 여성도 남성도 아닌 것으로 식별되는 사람들을 설명하는 용어 또는 특정 데이터를 포함했습니다. 더 많은 연구를 통해서만 알 수 있지만 결과는 비슷할 것이라고 생각합니다.

논바이너리 정체성을 인정하는 이야기는 일반적으로 LGBTQ+ 커뮤니티에 초점을 맞추었고 다음과 같이 일관되게 프로필 중심의 문체였습니다. 뉴욕 타임즈 기사 성별 공개 파티의 단점에 대해 자세히 설명합니다(타임즈의 스타일 섹션에 나열됨). 분석된 기사의 43%와 올해 뉴스의 상당 부분을 차지하는 2020년 선거 또는 COVID-19에 초점을 맞춘 데이터는 항상 성별을 다음과 같이 이분법적으로 보여주었습니다. 월스트리트 저널 시각화 2020년 총선 결과를 분석한 것입니다.

이러한 누락은 새로운 것이 아닙니다. 기본적으로 데이터를 정보를 제공하는 도구로 사용하는 것은 잘못된 관행입니다. 데이터는 항상 사회가 역사적으로 규범으로 정의한 시스젠더, 백인 남성에 편향되어 있습니다.

수세기 동안 여성에게 일어나고 있습니다. 컴파일 연구 독일, 미국, 호주, 스페인의 언어 및 문법 교과서에 따르면 남성이 여성보다 예제 문장에서 3배 더 많이 사용되는 것으로 나타났습니다. 우리 엔터테인먼트는 다음과 같이 알려줍니다. A 2007 공부하다 25,000명 이상의 TV 캐릭터 중 인간이 아닌 캐릭터의 13%만이 여성이라는 사실을 발견했습니다(매우 극소수만이 논바이너리임). 우리 뉴스 미디어는 다음을 보여줍니다. 2015년 보고서 '여성은 2010년과 동일하게 신문, 텔레비전 및 라디오 뉴스에서 듣고 읽거나 본 사람의 24%만 구성합니다.'

여성은 역사적으로 열등한 성으로 여겨져 왔으며, 사회는 여성을 계속 예속시킨 억압 체계를 이제 막 해체하기 시작했습니다. 페미니스트 작가인 Caroline Criado Perez는 자신의 책 'Invisible Women: Data Bias in the WorldDesigned for Men'의 서문에서 데이터 성별 격차를 다음과 같이 요약합니다. 목소리를 내라.'

우리는 사회가 트랜스젠더 남성과 여성, 논바이너리, 젠더 퀴어 및 인터섹스를 포함하는 스펙트럼의 2개 이상의 젠더의 존재를 인식하기 시작하는 공간으로 진입하고 있습니다. 그리고 데이터 분석에서 여성이 점점 더 인정받고 있지만 다른 성별은 그렇지 않습니다. 데이터는 여러 성별의 존재를 반영하기 시작해야 합니다. 그렇지 않으면 이미 소외되고 과소 대표되는 커뮤니티를 더욱 대체합니다.

이것은 쉬운 일이 아닙니다. 그것은 하룻밤 사이에 일어나지 않을 것입니다. 정보 수집의 역사적 시스템은 아마도 가장 영향력 있는 현대 데이터 모음인 인구 조사 데이터를 포함하여 남성/여성으로 정의되지 않은 젠더를 제외합니다.

그만큼 인구조사국 시민에 대한 데이터를 수집하고 있습니다. 사실상 미국 건국 이후 , 그러나 여전히 성별에 대한 '기타' 옵션조차 포함하지 않습니다. 이것은 이진 구조를 강화할 뿐만 아니라 논바이너리 개인에게는 어렵다 완료하려면 — 또한 이진이 아닌 사람을 포함하는 데이터를 찾는 것이 매우 어렵습니다. 해당 데이터를 포함하려는 조직이나 미디어에서도 마찬가지입니다.

그렇다면 저널리스트, 데이터 편집자 및 디자이너로서 특히 많은 요인이 우리에게 불리할 때 이러한 데이터 수집 시스템을 개선하기 위해 어떻게 노력해야 할까요?

다음은 취할 수 있는 몇 가지 단계입니다.

데이터를 컨텍스트화합니다.

사용 중인 데이터가 남성/여성 바이너리를 중심으로 구성되어 있다면 괜찮습니다. 역사적으로 젠더 이분법을 중심으로 구조화된 사회에서 신뢰할 수 있는 논바이너리 젠더 데이터를 찾는 것은 어렵습니다. 마법처럼 오래된 데이터를 더 포괄적으로 만들 수는 없습니다. 그러나 이 데이터를 사용하는 경우 특정 그룹의 사람들을 제외한다는 점을 인정해야 합니다. 인쇄물의 문제를 인식하는 것은 솔루션 구현에 더 가까이 다가가는 단계입니다.

여백이 아무리 작더라도 모든 데이터를 제시하십시오.

때로는 디자이너가 더 적은 비율의 데이터를 포함하는 시각화를 구조화하는 것이 어려울 수 있습니다. 남성/여성으로 식별하지 않는 개인은 남성/여성으로 식별하는 사람들 중 더 적은 비율을 차지하기 때문에 때때로 해당 데이터를 읽기 쉽고 시각적으로 매력적인 방식으로 제시하기 어려울 수 있습니다. 그러나 시각적 미학을 위해 무엇을 표시할지 선택하고 선택해서는 안 됩니다. 비율에 관계없이 다른 성별을 인식하는 모든 데이터 부문을 포함합니다.

데이터를 표시할 비제한적 시각화 도구를 선택하십시오.

막대 그래프 또는 원형 차트와 같은 도구는 시각화를 쉽게 선택할 수 있지만 더 작거나 이진이 아닌 데이터를 표시하는 데 제한적일 수 있습니다. 내가 분석한 여러 데이터 시각화에서 성별을 바이너리로 표시한 것은 누적 막대 그래프 또는 파이 차트를 사용했습니다. 이러한 도구에서 더 작은 데이터 여백을 표시하는 것이 더 어려울 수 있습니다. 그러니 창의력을 발휘하세요. 거품형 차트나 트리 맵 또는 작은 여백을 적절한 비율로 표시할 수 있는 시각화 도구를 사용해 보십시오. 트렌디하고 시각적으로 매력적일 뿐만 아니라 청중의 관심을 유지하면서 방대한 양의 데이터를 표시하는 훌륭한 도구인 대화형 시각화로 이동하는 것을 고려하십시오. 데이터를 표시하기 위해 성별이 지정된 색상(예: 남성의 경우 파란색, 여성의 경우 분홍색)을 사용하지 마십시오. . 기본으로 하기 쉬운 규범이 될 수 있지만, 이는 이분법적 사고방식을 더욱 강화할 뿐입니다.

보다 포괄적인 데이터를 수집하기 위해 자체 설문조사를 만드는 것을 고려하십시오.

때때로 포괄적인 데이터를 제시하는 데 있어 가장 큰 장애물은 포괄적인 데이터를 찾는 것입니다. 표시하려는 데이터의 범위와 유형에 따라 자체 설문조사를 만드는 것이 좋습니다. 이 월스트리트 저널 기사 예를 들어 은 이진 데이터를 표시하지만 성별에 대해 '기타'를 선택할 수 있는 옵션을 제공하는 자체 투표를 포함합니다. 여기 디자이너들은 사용 가능한 데이터를 잘 보여주고 있으며 자체 설문 조사를 포함하는 것은 더 포괄적인 데이터를 표시하려는 시도를 암시합니다.

여성 섹션을 더 포괄적으로 만드십시오.

내가 분석한 기사 중 몇몇은 신문의 여성 부문, 특히 타임즈의 “그녀의 말에” 부분. 그러나 여기에서 분석한 모든 데이터는 여전히 성별을 이분법으로 표시했습니다. 나는 이것이 조금 놀랍고 솔직히 실망스럽다는 것을 알았다. 현대 여성 섹션은 이질적인 cis-women 아카이브가 아니라 포괄적이고 진보적인 생각의 모음을 의미합니다. 여성 섹션을 확장하여 트랜스젠더 여성, 여성스러운 논바이너리 등을 더 포함하세요.

정확한 데이터를 제공하는 것은 기본적인 저널리즘 책임입니다. 우리는 모든 것을 포괄하는 접근 방식 대 전통적인 접근 방식을 위해 노력해야 합니다.

젠더에 대한 사회적 의미가 변화하고 있으며, 할당된 성은 더 이상 젠더 정체성을 정의하지 않을 수 있습니다. 현대 저널리즘이 이것을 반영하는 것이 중요합니다.

데이터 구조에 논바이너리 젠더 정체성을 포함하는 것이 예외가 아니라 규범인 시스템을 구현하기 시작하면 젠더에 대한 사람들의 사고 방식이 전반적으로 상당히 바뀔 수 있습니다. 미디어는 변화의 선동자입니다. 더 나은 답변을 얻기 위해 올바른 질문을 구성하는 책임이 있습니다.

우리는 저널리즘에 모든 정체성, 특히 수세기 동안 과소 대표되고 소외된 사람들을 포함하기 시작해야 합니다.

뉴스에서 생성된 것을 포함하여 내러티브는 다양한 성 정체성을 표현하고 이해하는 방식과 같이 인간 조건에 대한 우리의 이해를 형성합니다. 현대 언론인으로서 우리는 공감하고 다양하며 포괄적인 내러티브를 만드는 데 도움을 주어야 합니다. 그리고 젠더 내러티브를 재구성하는 것으로 시작할 수 있습니다.