Berücksichtigen der Datenquelle

Lernziele

Nachdem Sie diese Lektion abgeschlossen haben, sind Sie in der Lage, die folgenden Aufgaben auszuführen:

Diskutieren des Kontexts Ihrer Daten
Feststellen der Fragen, die Sie über Ihre Daten stellen sollten
Erläutern, warum die in Ihren Daten enthaltenen oder nicht enthaltenen Personen Auswirkungen auf Ihre Analysen haben

Vermeiden von Verzerrungen bei Daten

Genauso wie der Versuch, verzerrte Daten zu analysieren, zu verzerrten Ergebnissen führt, führt auch der Versuch, verzerrte Daten zu visualisieren, zu irreführenden Dashboards und Diagrammen.

Wenn Ihre Datenkommunikation niemandem schaden soll, sollten Sie Ihre Daten daraufhin überprüfen, ob sie möglicherweise verzerrt oder das Produkt rassistischer oder repressiver Datenerfassungssysteme sind. Wenn die Daten, die der Visualisierung zugrunde liegen, durch Voreingenommenheit verzerrt sind, verstärkt die Visualisierung diese Voreingenommenheit und den dadurch verursachten Schaden.

Wie vermeidet man durch Voreingenommenheit verursachte Verzerrungen in der Datenanalyse? Indem man von Anfang eine auf Gleichberechtigung ausgerichtete Perspektive in ein Projekt integriert. Fragen Sie:

Wer sind die Teammitglieder, die an der Erstellung der Analyse beteiligt sind?
Ist das Team oder die Organisation vielfältig?
Stehen Themen rund um Diversität, Chancengleichheit und Inklusion im Vordergrund?
Ist das Team/die Organisation mit diesen Themen vertraut?

Prüfen Sie genau, wie eine Studie konzipiert ist, wie die Daten gesammelt werden, wie die Analyse dieser Daten durchgeführt wird und die Ergebnisse kommuniziert werden. Dies ist kein Patentrezept, aber dieser breitere Blickwinkel kann dazu beitragen, Verzerrungen durch Voreingenommenheit in der Forschung, Analyse und Kommunikation von Daten zu beseitigen.

Erkennen Sie Verzerrungen in Ihren Daten

Ein solides Framework für die Arbeit mit Daten kann bei der Datenanalyse, -kommunikation und -forschung helfen, potenziell verzerrte Daten zu erkennen und zu bereinigen. Stellen Sie folgende Fragen.

Wie wurden diese Daten erzeugt?
Warum wurden diese Daten gesammelt?
Wessen Stimmen, Leben und Erfahrungen sind in diese Daten eingeflossen bzw. nicht eingeflossen?
In welchem Maß können diese Daten nach ethnischer Zugehörigkeit, Geschlecht, Herkunft etc. aufgeschlüsselt werden?
Sind die Daten demografisch repräsentativ?
Wer profitiert von der Erhebung oder Veröffentlichung dieser Daten und wem könnte sie schaden?

Daten – und ganz besonders über Menschen gesammelte Daten – sind nicht neutral oder objektiv. Sie spiegeln die bewusste und unbewusste Voreingenommenheit und die Blickwinkel der Rechercheure oder Datensammler wider. Dieser Punkt ist wichtig, weil die Anwendung einer auf Diversität, Chancengleichheit und Inklusion ausgerichteten Sicht verzerrte Daten oder Analysen nicht allein korrigieren kann. Bei der Datenrecherche, -analyse und -kommunikation ist es wichtig, die Kernursachen für die in den Daten aufgedeckten Ungleichheiten zu berücksichtigen und diese Informationen bei der Datenauswertung zu bedenken.

Machen Sie Inklusion zur Priorität

Es ist wichtig zu wissen, wer in Ihren Daten und Visualisierungen enthalten ist und wer nicht. Können Sie als Rechercheur Ihrer Organisation helfen, inklusivere Datenerfassungen durchzuführen? Nur weil es vielleicht schwieriger ist, Daten über bestimmte Gruppen zu erhalten, heißt das nicht, dass Sie nicht trotzdem versuchen sollten, das Leben dieser Gruppen besser zu verstehen.

Gruppen, deren Daten nicht erfasst oder gezeigt werden, zeigen oftmals auf, wer in der Gesellschaft als unwichtig gilt. Umgekehrt kann das, was Sie ignorieren, verborgene soziale Vorurteile und Gleichgültigkeit offenbaren. Die Kartografie ist ein Paradebeispiel dafür: Auf den Karten der Vereinigten Staaten sind oftmals die US-Territorien nicht eingezeichnet, wodurch ganze Bevölkerungsgruppen, die im Kongress nicht vertreten und überwiegend nicht Weiß sind, praktisch ausgeblendet werden.

Und viele Diagramme zum Thema ethnische Herkunft zeigen Schwarze, Hispano- oder Latino-Amerikaner und Weiße, aber keine anderen ethnischen Gruppen – oft aufgrund von Datenbeschränkungen, wie beispielsweise kleiner Stichprobengrößen oder dem völligen Fehlen von Daten. Wenn Sie sich ansehen, welche Gruppen fehlen und wer vertreten ist, sollten Sie sich bewusst machen, wie wichtig es ist, inklusive Daten zu verwenden.

Verbessern der Inklusivität Ihrer Daten

Um sicherzustellen, dass Ihre Daten so inklusiv wie möglich sind, sollten Sie allen Menschen mit Empathie und Sensibilität begegnen und die folgenden Richtlinien befolgen.

Gruppen nicht zusammenfassen

Bei einer kleinen Stichprobengröße werden Bevölkerungsgruppen manchmal zusammengefasst, um die Analyse zu vereinfachen. Eine Karte, die die ethnische Zugehörigkeit in den USA zeigt, könnte zum Beispiel eine Gruppierung "Alle sonstigen" enthalten, ohne zu erklären, welche Gruppen nicht berücksichtigt wurden. Dies kann schädliche Auswirkungen auf die Gruppierungen haben, die zusammengefasst werden.

Die Verwendung kleiner Stichprobengrößen für ohnehin unterrepräsentierte Gruppen ist eine Entscheidung der Privilegierten und keine Einschränkung, die sich aus kleinen Bevölkerungsgruppen ergibt. In der Praxis lassen sich kleine Stichprobengrößen jedoch manchmal aufgrund von Zeit- oder Budgetbeschränkungen nicht vermeiden. Sie können das jedoch etwas abmildern, indem Sie berücksichtigen, dass die Aggregation Unterschiede innerhalb bestimmter Gruppen verschleiern kann oder dass kleine Stichprobengrößen keine objektive und genaue statistische und wissenschaftliche Arbeit ermöglichen. Als Datenproduzent, also jemand, der Umfragen entwirft und herausgibt, sollten Sie auch versuchen, die Zahl der in Ihren Daten erfassten Gruppen zu erweitern. Sowohl Datenrechercheure als auch Datenproduzenten sollten sich bemühen, die Datenerfassung zu verbessern, indem sie Daten sammeln, die das Leben aller Menschen widerspiegeln, anstatt die Last bereits ausgegrenzten Gruppierungen aufzubürden.

Nichtbinäre Geschlechter einschließen

Manchmal werden bestimmte Bevölkerungsgruppen bei der Datenerfassung ganz außen vor gelassen. Viele wichtige staatliche Erhebungen enthalten beispielsweise bei der Frage nach dem Geschlecht keine Antwortmöglichkeiten für nichtbinäre oder transsexuelle Personen. Dies ist eine Gelegenheit für Sie, Ihren Lesern klarzumachen, welche Informationen Sie in Ihren Daten haben und welche nicht.

Dropdown-Menü mit Auswahlmöglichkeiten für die Angabe des Geschlechts: weiblich, männlich, keine Angabe, unbekannt und Steuersubjekt.

Der Hinweis auf das Fehlen nicht-binärer Kategorien kann bei der nächsten Datenrecherche oder -kommunikation den Anstoß geben, die notwendigen Änderungen an zukünftigen Umfragen und Visualisierungen vorzunehmen. Das gesamte Ökosystem aus Datenproduktion, -konsum und -kommunikation muss gemeinsam daran arbeiten, die Ziele der Inklusivität zu erreichen.

Finden Sie Alternativen für "Sonstige"

Beim Segmentieren von Gruppen ist es wichtig, die Bedeutung der Verwendung von inklusiver Sprache zu verstehen. Was ist der richtige Ansatz, um "Sonstige" zu analysieren und zu kommunizieren? Und kann man sich inklusiver ausdrücken, wenn man über diese Gruppe spricht? Zuerst muss einem klar sein, was diese Kategorie bewertet. Sie kann ein breites Spektrum an ethnischen Zugehörigkeiten, Religionen, anderen Merkmalen und deren Schnittmengen umfassen. Diese Option ist zwar nützlich für Menschen, die sich nicht den üblichen Kategorien zuordnen, Sie sollten sich jedoch fragen, ob es wirklich sinnvoll ist, Menschen mit so unterschiedlichen Merkmalen und Lebenshintergründen in einer Gruppe zusammenzufassen.

Hier sind sechs mögliche Alternativen für "Sonstige":

Andere ethnische Herkunft
Weitere Gruppen
Alle weiteren Selbstbeschreibungen
Personen, die sich anderen oder mehreren Ethnien zuordnen
Nicht genannte Identität
Nicht in der Umfrage genannte Identität

Einige dieser Möglichkeiten sind nicht gerade kurz und knapp und passen vielleicht nicht so gut in eine Tabelle oder unter einen Balken in einem Balkendiagramm. Aber sie sind inklusiver und vermeiden einige der bereits beschriebenen Probleme. Es ist auch wichtig zu bedenken, dass diese Bezeichnungen Umfrageteilnehmern eventuell nicht genau so zur Auswahl stehen und "Sonstige" nur angekreuzt wurde, weil keine andere Auswahlmöglichkeit vorhanden war.

Wenn Sie dies befürchten, können Sie eine einfache Anmerkung oder Fußnote hinzufügen, um auf die Änderung von den Rohdaten gegenüber Ihrer Darstellung der Ergebnisse hinzuweisen. Dennoch sind diese Alternativen allgemein gesprochen weiterhin wahr und zutreffend, so dass Sie dem Diagramm, der Tabelle oder dem Text eine separate Anmerkung oder Fußnote hinzufügen können, um die Änderung für die Leser deutlich zu machen.

Wenn Sie nicht alle Gruppen einbeziehen, geben Sie eine Erklärung dafür an

In Fällen, in denen Daten zu einer bestimmten Gruppe erfasst wurden, diese Gruppe aber nicht im Diagramm dargestellt oder in die Analyse einbezogen wurde, sollten Sie Ihre Methoden transparent machen, indem Sie angeben, welche Gruppen im ursprünglichen Datenset enthalten waren. Alternativ kann auf Diskrepanzen bei der Datenrecherche hingewiesen werden, damit der Leser nicht falsch informiert wird.

Benötigen Sie Hilfe?

Mehr entdecken