Pense na fonte de dados

Objetivos de aprendizagem

Após concluir esta unidade, você estará apto a:

• Discutir o contexto de seus dados.
  
• Identificar perguntas a serem feitas sobre seus dados.
  
• Explicar por que quem está ou não incluído em seus dados exerce impacto sobre sua análise.
  

Elimine o preconceito nos dados

Assim como tentar analisar dados falhos gera resultados falhos, tentar visualizar dados falhos também gerará painéis e gráficos incorretos e falsos. 

Ao pensar em não prejudicar, verifique se seus dados podem apresentar preconceitos ou podem ser produto de sistemas de coleta de dados racistas ou opressores. Se os dados por trás da visualização forem preconceituosos, a visualização amplificará esse preconceito e os danos gerados por esse preconceito.

Como eliminar o preconceito da análise de dados? Incorporando uma perspectiva igualitária em um projeto desde o início. Pergunte:

• Quem são os membros da equipe envolvidos na criação da análise?
  
• A equipe ou organização é diversa?
  
• As questões de diversidade, igualdade e inclusão (DEI) são primordiais?
  
• E essas questões são familiares para a equipe/organização?
  

Examine de perto como um estudo é projetado, como os dados são coletados e como é feita a análise desses dados e os resultados comunicados. Esta não é uma solução mágica, mas essa perspectiva mais ampla pode ser fundamental para eliminar o preconceito da pesquisa, análise e comunicação de dados.

Identifique o preconceito nos dados

Uma estrutura sólida para abordar dados pode ajudar analistas de dados, comunicadores e pesquisadores a identificar e lidar com dados potencialmente preconceituosos. Considere as perguntas a seguir.

• Como esses dados foram gerados?
  
• Por que esses dados foram coletados?
  
• Quais são as vozes, vidas e experiências incluídas, e quais são excluídas desses dados?
  
• Quanto esses dados podem ser desagregados por raça, gênero, etnia e assim por diante?
  
• Os dados são demograficamente representativos?
  
• Quem se beneficia e quem pode ser prejudicado pela coleta ou publicação desses dados?
  

Os dados, especialmente os dados coletados sobre pessoas, não são neutros ou objetivos. Eles refletem os preconceitos conscientes e inconscientes e o ponto de vista dos pesquisadores ou coletores de dados. Este ponto é importante porque a aplicação de uma lente DEI sozinha não pode corrigir dados ou análises preconceituosos. É essencial que os pesquisadores, analistas e comunicadores de dados ponderem sobre as causas raiz das disparidades reveladas nos dados e estruturem seus trabalhos com essas informações em mente.

Priorize a inclusão

É importante identificar quem está e quem não está incluído em seus dados e visualizações. Você, pesquisador, pode ajudar sua organização a realizar pesquisas que sejam mais inclusivas? Só porque pode ser mais difícil obter dados sobre determinados grupos não significa que você não deva tentar entender melhor a vida deles.

Grupos cujos dados não são coletados ou exibidos geralmente refletem quem a sociedade considera menos importante. Por outro lado, o que você ignora pode revelar preconceitos e indiferenças sociais ocultos. A cartografia nos mostra um excelente exemplo disso: Os mapas dos Estados Unidos frequentemente não mostram os territórios americanos, efetivamente apagando populações inteiras que não têm representação no Congresso e que são predominantemente não-brancas. 

Muitos gráficos que abordam raça mostram pessoas negras, hispânicas/latinas e pessoas brancas, mas não outros grupos raciais ou étnicos, e muitas vezes isso se deve a limitações de dados, como tamanhos de amostra pequenos ou nenhum dado. Ao pensar sobre os grupos ausentes e sobre quem está representado, esteja ciente de como é importante usar dados inclusivos. 

Melhore a inclusão nos dados

Para garantir que seus dados sejam o mais inclusivos possível, conduza com empatia e sensibilidade para com todos e siga as diretrizes abaixo.

Evite agrupar grupos

Se houver um tamanho de amostra pequeno, às vezes as populações são agrupadas para tornar a análise mais conveniente. Por exemplo, um mapa mostrando raça e etnia nos EUA pode incluir um agrupamento “Todo o restante”, sem explicar quais grupos foram excluídos. Fazer isso pode ter efeitos prejudiciais nas comunidades que estão agrupadas. 

Usar tamanhos de amostra pequenos para grupos que já estão com falta de representação é uma escolha dos privilegiados, não limitações inerentes a pequenas populações. Na prática, no entanto, tamanhos de amostra pequenos às vezes são inevitáveis devido às limitações de tempo ou orçamento. Mas você pode fazer melhor reconhecendo onde a agregação pode mascarar a variação dentro de certos grupos, ou quando pequenos tamanhos de amostra não permitem que as estatísticas e a ciência sejam conduzidas de forma objetiva e precisa. Como produtor de dados, que desenvolve e publica pesquisas, você também deve procurar ampliar o número de grupos coletados em seus dados. Tanto os pesquisadores quanto os produtores de dados devem se empenhar para fazer um trabalho melhor coletando dados que reflitam a vida de todas as pessoas, em vez de colocar pressão nas comunidades já marginalizadas. 

Inclua categorias de gênero não binárias

Às vezes, certas populações são totalmente excluídas da coleta de dados. Muitas das principais pesquisas federais, por exemplo, não oferecem não-binário ou transgênero como opções de resposta ao perguntar sobre gênero. Esta é uma oportunidade para você deixar claro para seus leitores quais informações você tem e não tem em seus dados.

Chamar a atenção para a falta de categorias não binárias pode levar o próximo pesquisador e comunicador de dados a fazer as alterações necessárias em suas futuras pesquisas e visualizações. É preciso que todo o ecossistema de produtores, consumidores e comunicadores de dados trabalhe em conjunto para atingir as metas de inclusão.

Encontre alternativas para “Outros”

É importante entender a importância de usar linguagem inclusiva ao segmentar grupos. Qual é a abordagem correta para analisar e comunicar o termo Outros? E você pode usar uma linguagem mais inclusiva para falar sobre esse grupo? Primeiro, você precisa entender o que a categoria está medindo. Isso pode incluir uma ampla gama de raças, etnias, religiões, outras características e suas interseções. Embora essa opção seja útil para pessoas que não se enxergam nas categorias mais usuais, é preciso questionar se agrupar pessoas com características e experiências de vida tão variadas é realmente significativo. 

Aqui estão seis alternativas possíveis para Outros:

• Outra raça
  
• Grupos adicionais
  
• Todas as outras autodescrições
  
• Pessoas que se identificam como sendo de outras ou múltiplas raças
  
• Identidade não listada
  
• Identidade não listada na pesquisa
  

Alguns desses termos são mais detalhados e podem não caber tão bem em uma tabela ou em uma barra em um gráfico de barras. Mas esses termos conseguem ser mais inclusivos e evitam alguns dos problemas já discutidos. É importante observar que esses rótulos podem não ser as opções exatas disponíveis para os entrevistados em uma pesquisa, e “Outros” foi marcado porque nenhuma outra opção estava disponível. 

Se você tiver essa preocupação, uma simples nota ou nota de rodapé pode ser incluída para reconhecer a mudança dos dados brutos para a apresentação dos resultados. No entanto, essas alternativas são, em geral, ainda verdadeiras e precisas, então você pode adicionar uma nota separada ou nota de rodapé ao gráfico, tabela ou texto para deixar a mudança clara para os leitores.

Se você não estiver incluindo todos os grupos, ofereça uma boa justificativa

Nos casos de dados coletados sobre um grupo específico, mas que não foram apresentados no gráfico nem incluídos na análise, seja transparente sobre seus métodos indicando quais grupos estavam incluídos no conjunto de dados original. Caso contrário, as discrepâncias na pesquisa de dados podem ser indicadas sem desinformar os leitores.

Recursos

• Entrevista: Como podemos não prejudicar com os dados?
• Vídeo: Guia do Não prejudicar
• Transcrição do vídeo: Guia do Não prejudicar
• Site da Web: Não prejudicar Tableau
• Documento: Recomendações consolidadas do Urban Institute
• Livro: Data Feminism, de Catherine D'Ignazio e Lauren F. Klein