Usar lenguaje y etiquetas que prioricen a las personas

Objetivos de aprendizaje

Después de completar esta unidad, podrá:

• Generar un lenguaje que priorice a las personas en su trabajo.
  
• Analizar cómo los títulos, el texto y las etiquetas afectan el significado.
  

El impacto de las etiquetas

Es importante que los comunicadores de datos y los investigadores recuerden que los datos reflejan la vida y las experiencias de personas reales. Si sus datos tratan sobre personas, deje muy claro quiénes son.

En las visualizaciones, las etiquetas importan. El lenguaje está vivo, respira y está en constante cambio. Es lógico que ciertas etiquetas que se usaron en el pasado ya no sean aceptables y que, de hecho, puedan ser ofensivas. En sus análisis de datos, por ejemplo, el mejor enfoque es usar etiquetas completas como “personas negras”, no “negros”. 

El lenguaje de la leyenda a continuación no es inclusivo. En las escalas “Más negros” y “Más pobreza”, “pobreza” se refiere a una experiencia, no a una descripción estática, y “Más negros” se refiere al color de la piel, no a las personas. Un lenguaje más inclusivo podría ser “Mayor proporción de personas en situación de pobreza” y “Mayor población negra”. De hecho, esta leyenda se cambió más tarde de “Más negros” a “Mayor población negra” para poner énfasis en las personas, no en el color de la piel. 

Use un lenguaje que priorice a las personas

Las etiquetas que usa pueden desempeñar un papel en la perpetuación de los estereotipos raciales y otras formas de opresión. En sus visualizaciones, para abordar esto, puede nombrar estas fuerzas de opresión indicando cómo operan y su contexto histórico mediante títulos, anotaciones, etiquetas y notas, en lugar de que se pierdan en el texto.

Examinar las palabras que elige para los títulos, el texto y las etiquetas revela mucho sobre cómo el mundo ve a un grupo de personas. Al elaborar estas etiquetas, los narradores de datos pueden resistir muchas formas de opresión y esforzarse por hacer que el lenguaje “priorice a las personas”. Para hacer esto, primero debe comprender las etiquetas que usa actualmente.

Enfatizar a la persona en lugar de la calidad (“personas con capacidades diferentes” en lugar de “personas discapacitadas”, o “personas negras” en lugar de “negros”) humaniza la información, en lugar de catalogar a las personas en una estadística. Hay muchos matices en la recopilación de datos que se pueden ignorar o perder cuando la etiqueta ofrece una descripción estática. 

Por ejemplo, en un estudio se hizo referencia a las personas encarceladas como “reclusos” al medir la tasa de diagnósticos de salud mental que reciben. Si bien “reclusos” puede parecer neutral y objetivo, deshumaniza a las personas, ya que las etiqueta por sus crímenes y castigos. “Reclusos” en este contexto también ignora el papel que juegan el racismo y la discriminación en la probabilidad de que las personas encarceladas reciban un diagnóstico de enfermedad mental. 

Un reflejo más preciso de los hallazgos de este estudio en particular podría ser que las personas de color tienen menos probabilidades de recibir un diagnóstico de salud mental o incluso que las personas blancas reciben más diagnósticos de salud mental. Esto cambia el enfoque de lo que les falta a las personas de color a las ventajas injustas del grupo dominante y las disparidades raciales en el sistema carcelario, y hace referencia a las personas en lugar de a los reclusos.

Los investigadores y los analistas de datos deben hablar con las comunidades que están estudiando y con los consumidores de la investigación para comprender e identificar su terminología preferida a fin de obtener una mayor propiedad de los datos, la investigación y las recomendaciones de políticas.

Sea consciente de la evolución del lenguaje

Las encuestas o conjuntos de datos que usan terminología obsoleta o menos preferida pueden presentar una situación compleja en términos de lenguaje. Después de todo, el lenguaje es fluido. Los términos y frases utilizados para describir personas y comunidades están en constante evolución. 

Por ejemplo, se usa el término “latinx” en lugar de hispano/latino. A veces, los términos tardan en afianzarse en el uso. O puede haber diferencias en los términos preferidos derivados de la interseccionalidad de la política, la edad y la raza o el origen étnico. Es comprensible que sea reacio a cambiar una palabra o frase utilizada en una encuesta original que forma parte de un informe, gráfico o tablero final. Pero esto es necesario cuando se comunican datos con una perspectiva empática e inclusiva.

Ordene sus datos con intención

A menudo, se presta poca atención a cómo se ordenan las estimaciones en tablas o barras en gráficos, aparte de cómo aparecen en los datos sin procesar. Del mismo modo, se pasa por alto el impacto de este ordenamiento. Esta es otra área en la que puede hacer que su trabajo sea inclusivo. Hay un legado histórico del que deriva este tipo de ordenamiento y jerarquía racial implícita. Muchas de las encuestas demográficas más grandes realizadas en los Estados Unidos ordenan las razas con “blanca” y “negra” como las dos primeras opciones.

Quiénes se muestran en la primera fila de una tabla o en la primera barra de un gráfico es algo que puede afectar la forma en que los lectores perciben la relación o la jerarquía entre los grupos. La forma en que ordena sus datos puede reflejar involuntariamente a quiénes ve como el grupo predeterminado con el que se comparan otros o quiénes constituyen la audiencia prevista para sus visualizaciones. Comenzar siempre con blancos, hombres o heterosexuales puede hacer que estos grupos aparezcan como los grupos más importantes. 

Al decidir cómo ordenar los grupos raciales y étnicos, considere lo siguiente:

• Si su estudio se enfoca en una comunidad en particular, presente ese grupo primero.
  
• El orden final debe reflejar el punto que está tratando de demostrar.
  
• Si existe una relación cuantitativa que pueda guiar cómo se ordenan los grupos (alfabéticamente, por tamaño de la población, tamaño de la muestra o efecto de los resultados), opte por eso.
  

Recursos

• Guía: Guía de Honestidad ante todo: Aplicación del Conocimiento de equidad en la visualización de los datos
• Sitio web: Diversidad, equidad e inclusión en la visualización de los datos: Recomendaciones generales
• Sitio web: Raza y origen étnico en el censo de los EE. UU.