Utilisation d’un langage et d’étiquettes respectant la dignité des personnes
Objectifs de formation
Une fois cette unité terminée, vous pourrez :
- Générer un langage respectant la dignité des personnes dans votre travail
- Discuter de la façon dont les titres, le texte et les étiquettes affectent le sens
Impact des étiquettes
Il est important que les communicateurs et les chercheurs de données se souviennent que les données reflètent la vie et les expériences de personnes réelles. Si vos données concernent des personnes, indiquez très clairement de qui il s’agit.
Dans les visualisations, les étiquettes sont importantes. Le langage est vivant et en constante évolution. Il est logique que certaines étiquettes utilisées dans le passé ne soient plus acceptables et puissent même être offensantes. Dans vos analyses de données, par exemple, la meilleure approche consiste à utiliser des étiquettes complètes telles que les personnes noires, et non les Noirs.
Le langage dans la légende ci-dessous n’est pas inclusif. Sur les échelles « More Black » (Couleur de peau plus foncée) et « More Poverty » (Plus de pauvreté), la première fait référence à la couleur de la peau, et non aux personnes et la seconde fait référence à une expérience, et non à une description statique. Un langage plus inclusif pourrait être « population noire plus importante » et « plus grande proportion de personnes en situation de pauvreté », respectivement. La légende a en effet été modifiée : « More Black » (Couleur de peau plus foncée) a donc été remplacé par « Larger Black Population » (Population noire plus importante) pour mettre l’accent sur les personnes et non sur la couleur de la peau.
Utilisation d’un langage respectant la dignité des personnes
Les étiquettes que vous utilisez peuvent jouer un rôle dans la perpétuation des stéréotypes raciaux et d’autres formes d’oppression. Dans vos visualisations, vous pouvez résoudre ce problème en montrant du doigt ces forces d’oppression, leur fonctionnement et leur contexte historique par le biais de titres, d’annotations, d’étiquettes et de notes plutôt que de les noyer dans le texte environnant.
L’examen des mots que vous choisissez pour les titres, le texte et les étiquettes en dit long sur la façon dont le monde perçoit un groupe de personnes. En créant ces étiquettes, les spécialistes des récits sur les données peuvent lutter contre de nombreuses formes d’oppression et s’efforcer d’utiliser un langage respectant la dignité des personnes. Pour ce faire, vous devez d’abord comprendre les étiquettes que vous utilisez actuellement.
Le fait de mettre en avant la personne plutôt que ses caractéristiques (les personnes atteintes d’un handicap plutôt que les personnes handicapées, ou les personnes noires plutôt que les Noirs) humanise l’information au lieu de cataloguer les personnes dans une statistique. Il existe de nombreuses nuances dans la collecte de données qui peuvent être ignorées ou perdues lorsque l’étiquette apporte une description statique.
Par exemple, une étude a qualifié des personnes incarcérées de « détenus » au sujet du taux de diagnostics liés à leur santé mentale. Alors que le terme « détenus » peut sembler neutre et objectif, il déshumanise les personnes en les caractérisant par leurs crimes et leurs punitions. Dans ce contexte, cette approche fait également abstraction du rôle que jouent le racisme et la discrimination dans la probabilité que les personnes incarcérées reçoivent un diagnostic lié à un trouble mental.
Une présentation plus juste des résultats de cette étude spécifique pourrait plutôt être que les personnes racisées sont moins susceptibles d’obtenir un diagnostic lié à la santé mentale ou même que les personnes blanches obtiennent plus souvent ce type de diagnostic. Ainsi, l’étude ne se concentrerait plus sur ce qui manque aux personnes racisées, mais plutôt sur les avantages injustement accordés aux personnes du groupe dominant et les disparités raciales dans le système carcéral, tout en faisant référence aux personnes plutôt qu’aux détenus.
Il est important que les chercheurs et analystes de données interagissent avec les communautés qu’ils étudient et avec les destinataires de la recherche, pour comprendre et identifier la terminologie privilégiée afin de mieux s’approprier les données, la recherche et les recommandations liées aux politiques.
Prise en compte de l’évolution du langage
Les sondages ou les jeux de données qui utilisent une terminologie obsolète ou à éviter peuvent créer une situation délicate en matière de langage. Après tout, le langage n’est pas immuable. Les termes et expressions utilisés pour décrire les personnes et les communautés évoluent constamment.
Par exemple, le terme « Latinx » est de plus en plus utilisé en anglais à la place d’hispanique/latino-américain. Parfois, les termes mettent du temps à s’imposer. Ou il pourrait exister des différences dans les termes privilégiés découlant de l’intersectionnalité de la politique, de l’âge et de l’ethnie ou de l’origine ethnique. Bien entendu, vous pouvez être réticent à l’idée de modifier une expression ou un mot utilisé dans un sondage faisant partie d’un rapport final, d’un graphique ou d’un tableau de bord. Ce changement est toutefois nécessaire pour communiquer des données avec une perspective empathique et inclusive.
Organisation des données de manière réfléchie
Nous accordons souvent peu d’attention à la manière dont les estimations dans les tableaux ou les barres dans les graphiques sont organisées, autrement que la manière dont elles apparaissent dans les données brutes. De même, nous négligeons l’impact de cette organisation. Il s’agit d’un autre domaine dans lequel vous pouvez rendre votre travail inclusif. Il existe un héritage historique dont découle ce type d’organisation et de hiérarchie raciale implicite. Bon nombre des plus grands sondages démographiques menés aux États-Unis présentent les ethnies en commençant par les deux options Blanc et Noir.
Le groupe affiché dans la première ligne d’un tableau ou la première barre d’un graphique peut affecter la façon dont les lecteurs perçoivent la relation ou la hiérarchie entre les personnes. La façon dont vous organisez vos données peut involontairement refléter qui vous considérez comme le groupe par défaut auquel les autres sont comparés, ou qui est le public visé par vos visualisations. Toujours commencer par les personnes blanches, les hommes ou les hétéros peut donner l’impression que ces groupes sont les plus importants.
Lorsque vous décidez comment organiser les groupes raciaux et ethniques, considérez les points suivants :
- Si votre étude se concentre sur une communauté spécifique, présentez ce groupe en premier.
- L’ordre final doit refléter le point que vous essayez de démontrer.
- S’il existe une relation quantitative qui peut guider la façon dont les groupes sont organisés (triés par ordre alphabétique, par taille de population, taille d’échantillon ou effet des résultats), optez pour celle-ci.