Considération de l’expérience vécue et de la communauté

Objectifs de formation

Une fois cette unité terminée, vous pourrez :

• Décrire l’importance de l’expérience vécue en ce qui concerne les données
  
• Reconnaître que les données ne sont pas neutres et expliquer comment atténuer les préjugés
  
• Expliquer les moyens d’impliquer les communautés dans la recherche de données pour améliorer les résultats
  

Tout le monde n’a pas la même expérience de vie. Nos caractéristiques individuelles telles que l’origine ethnique, le genre, la neurodiversité et l’âge ont un impact profond sur la façon dont nos recherches et nos visualisations de données prennent forme. Bien que nos différences nous rendent uniques, ces mêmes différences ont un fort impact sur la façon dont nous voyons le monde. 

Une exploitation appropriée des données signifie que vous devez tenir compte des expériences vécues, diriger avec empathie et équité, refléter les expériences vécues des personnes dans vos données et interagir avec les personnes au centre de votre recherche.

Vous devez également établir des relations avec les personnes et les communautés que vous analysez, considérer ce qui peut manquer à votre travail et identifier les personnes qui peuvent vous aider à raconter un récit plus complet. Les spécialistes des récits sur les données doivent toujours faire leurs recherches et analyses aux côtés des communautés, et non en leur nom. 

Les données ne sont pas neutres. Procédez avec précaution.

Le racisme structurel, la discrimination historique, d’autres obstacles et inégalités, ainsi que les mécanismes qui pourraient les engendrer peuvent et doivent être intégrés dans votre stratégie de recherche et dans les visualisations de données que vous créez. Vous ne pouvez pas espérer que les données et les visualisations parlent d’elles-mêmes : les données ne sont ni neutres ni objectives, et les visualisations de données ne sont pas non plus neutres. 

Sans une perspective qui accepte la diversité, l’équité et l’inclusion, les visualisations de données ont tendance à exprimer le point de vue du groupe dominant dans la société et masquent peut-être involontairement une série de problèmes sous-jacents. Lorsque vous apportez un contexte, vous devez vous fonder sur diverses références et citations, en particulier de spécialistes du domaine qui sont eux-mêmes racisés ou membres de la communauté ciblée. Vous devez mettre en avant les témoignages de ces communautés et mettre en évidence l’expérience vécue dans la mesure du possible.

Analyse profonde

Au lieu d’esquiver les détails et le contexte nécessaire, reconnaissez la complexité inhérente à de nombreux problèmes sociaux afin de fournir une réflexion plus précise sur le sujet et favoriser une meilleure compréhension. Grâce à ces informations, les utilisateurs pourront tirer les bonnes conclusions.

Les utilisateurs se sentent également plus connectés et impliqués lorsqu’on leur présente des visualisations fiables et nuancées. L’intégration d’informations qualitatives, l’expression de la subjectivité et la reconnaissance de l’incertitude apportent plus de valeur à l’expérience vécue par l’utilisateur. Des visualisations de données denses et personnalisées présentant plusieurs couches d’informations peuvent encourager une lecture plus attentive, un meilleur rapport personnel et une compréhension plus approfondie, car les lecteurs se voient proposer différentes façons d’explorer les données. Vous pouvez être clair et explicite sans trop simplifier les informations.

Toutes les données doivent-elles être visualisées ? Pas toujours. Parfois, quelques chiffres peuvent être plus efficaces qu’un graphique. Dans certains cas, un graphique n’est pas l’option adaptée pour transmettre la complexité ou le préjugé inhérent aux données ou aux visuels. N’oubliez pas non plus qu’en tant que spécialiste des récits, vous constaterez peut-être que les tableaux et graphiques traditionnels ne sont pas aussi efficaces que les supports narratifs traditionnels tels que les photos ou les vidéos. 

Mise en place d’interactions

Au fur et à mesure que vous élargissez vos outils et votre connaissance, vous devrez peut-être intégrer des méthodes de recherche qualitatives qui reflètent des expériences vécues. Associez la méthode aux personnes avec lesquelles vous travaillez et vous constaterez peut-être que les résultats s’amélioreront considérablement. Par ailleurs, les réactions des personnes aux visualisations de données sont souvent motivées ou guidées par leur expérience personnelle (comme l’endroit où elles vivent ou travaillent, leur niveau d’éducation ou encore leur identité politique). 

Les sondages détaillés, les entretiens et les groupes de discussion peuvent offrir une occasion importante aux membres de la communauté de partager leurs expériences et leurs témoignages. Les personnes interrogées doivent se sentir encouragées à remettre en question les visualisations de données, à les utiliser pour présenter leur propre récit et à provoquer un passage de la prise de conscience à l’action. La transparence de la méthodologie et l’implication autour des sujets peuvent grandement contribuer à accroître la participation aux entretiens. La visualisation de données devrait notamment permettre aux utilisateurs de remettre en question les représentations.

Nous ne suggérons pas qu’effectuer une recherche qualitative se résume à mener quelques entretiens. Lorsque les chercheurs qualitatifs et quantitatifs collaborent, un récit plus déterminant peut émerger et inclure une plus grande partie de la population.

Réflexions finales

En tant que communicateur de données, vous avez une opportunité unique de façonner des récits clés dans la société et la culture. En adoptant les principes de l’engagement à ne pas nuire dans votre récit fondé sur les données, vous contribuez à un avenir meilleur et plus équitable. Consultez le Centre d’équité en matière de données Tableau pour en savoir plus sur les questions de données et d’équité auprès d’experts avertis.

Ressources

• Vidéo : Guide de l’engagement à ne pas nuire
• Transcription vidéo : Guide de l’engagement à ne pas nuire
• PDF : Diversité, équité et inclusion dans la visualisation de données : recommandations générales
• PDF : Liste de contrôle relative à l’équité raciale dans la visualisation de données
• PDF : Guide de l’engagement à ne pas nuire