Skip to main content
SearchLoginLogin or Signup

7 : : Muestra tu trabajo

DataGénero (Coordinación: Mailén García. Traductoras: Gina Ballaben. Revisión: Helena Suárez Val y Mailén García. Con la ayuda de Diana Duarte Salinas, Ana AmeliaLetelier, y Patricia Maria Garcia Iruegas)

Published onApr 23, 2023
7 : : Muestra tu trabajo
·
El Principio #7 del Feminismo de Datos es hacer visible el trabajo. El trabajo en la ciencia de datos, como en todos los demás ámbitos laborales, es un trabajo de muchas manos. El feminismo de datos se propone hacer visible esta labor para que pueda ser reconocida y valorada.

Principio: Hacer visible el trabajo

El trabajo en la ciencia de datos, como en todos los demás ámbitos laborales, es un trabajo de muchas manos. El feminismo de datos se propone hacer visible esta labor para que pueda ser reconocida y valorada.

Si trabajas en desarrollo de software, lo más probable es que tengas una cuenta de GitHub. En junio de 2018, la plataforma de gestión de código en línea tenía más de veintiocho millones de personas usuarias en todo el mundo. GitHub hace que colaborar en una sola pieza de software o un sitio web, o incluso un libro sea mucho más fácil de lo que ha sido hasta ahora, al permitir que las personas creen repositorios basados ​​en la web de código fuente (entre otras formas de contenido), a los que pueden contribuir los equipos de proyectos de cualquier tamaño.

Bueno, si eres varón es más fácil. Un estudio de 2016 descubrió que las usuarias de GitHub tenían menos probabilidades de que se aceptaran sus contribuciones si se identificaban en sus perfiles como mujeres. (El estudio no consideró a géneros no binarios).1 Quienes criticaban el compromiso de GitHub con la inclusión, o la falta de ésta, también señalan las políticas internas de la empresa. En 2014, el cofundador de GitHub se vio obligado a renunciar después de que salieran a la luz acusaciones de acoso sexual.2 Más recientemente, en 2018, Agnes Pak, una ex abogada ejecutiva en GitHub, demandó a la compañía por alterar sus evaluaciones de desempeño después de haberse quejado porque su género y raza contribuyeron a un “paquete de compensación” más bajo, lo que le dio a la compañía motivos para despedirla.3 La demanda de Pak se produjo poco después de que la desarrolladora de software transgénero Coraline Ada Ehmke, en 2017, rechazara una alta indemnización, y así pudiera hablar públicamente sobre su experiencia negativa de trabajar en GitHub.4 Claramente, GitHub tiene varios problemas importantes de cultura corporativa que debe abordar.

Pero una cultura corporativa que es hostil hacia las mujeres no imposibilita necesariamente otras intervenciones feministas. Y aquí GitHub cobra sentido: su plataforma ayuda a mostrar el trabajo de escribir código en forma colaborativa. Además de las herramientas básicas de gestión de proyectos, como el seguimiento de errores (bug tracking) y las solicitudes de funciones (feature requests), también genera visualizaciones de las contribuciones de cada persona miembro del equipo, al código base de un proyecto. Los gráficos de áreas, organizados en múltiplos pequeños, permiten comparar la cantidad, frecuencia y duración de las contribuciones de cualquier persona (figura 7.1a). Un gráfico de líneas revela patrones en el día de la semana en que se realizaron esas contribuciones (figura 7.1b). Por último, un diagrama similar a un diagrama de flujo de las relaciones entre varias ramas del código del proyecto, ayuda a reconocer cualquier fuente para el proyecto que de otro modo podría quedar sin acreditar, así como otros proyectos adicionales que podrían construirse sobre el trabajo inicial del proyecto (figura 7.1c).

Una captura de pantalla del Georgia Tech Digital Humanities Lab en GitHub muestra la
página "Contributors" de la pestaña "Insights". En la parte superior se lee "Sep 14, 2014
- May 4, 2019" (el marco temporal del proyecto) y una pequeña leyenda,
"Contribuciones al maestro, excluyendo los commits de fusión". El sitio muestra varios
gráficos de áreas con el marco temporal en el eje horizontal y el recuento de la
frecuencia de las contribuciones en el eje vertical. El gráfico principal muestra las
contribuciones de todos los miembros a lo largo del tiempo. Debajo de él hay varios
gráficos más pequeños que muestran las contribuciones de cada miembro individual, así
como la cantidad, frecuencia y duración de cada contribución.
Una captura de pantalla del Georgia Tech Digital Humanities Lab en GitHub, mostrando
la página "Commits" de la pestaña "Insights". Hay dos gráficos separados en el sitio. El
primero muestra el número total de Compromisos a lo largo del tiempo con el marco
temporal en el eje horizontal, que va del 13/06 al 05/05, y con el recuento de la
frecuencia en el eje vertical. Debajo, el segundo gráfico muestra la frecuencia de las
confirmaciones a lo largo de la semana. El eje vertical representa el recuento de la
frecuencia, como arriba, pero el eje horizontal representa cada día de la semana.
Captura de pantalla del Georgia Tech Digital Humanities Lab en GitHub, mostrando la
página "Network" de la pestaña "Insights". Hay una línea de tiempo de los compromisos
más recientes del proyecto, con cada rama del proyecto representada por un color
diferente. Las pequeñas flechas entre las ramas ayudan a visualizar sus relaciones.

Figura 7.1: (a) La primera de las tres visualizaciones del código asociado a un proyecto del grupo de investigación de Lauren, muestra las contribuciones significativas de las personas estudiantes que participaron entre los años 2014 y 2019. (b) Un gráfico de barras muestra la frecuencia de los code commits a lo largo del tiempo, y un gráfico de líneas muestra los patrones en el día de la semana en que se realizaron los commits. Captura de pantalla de Lauren F. Klein. (c) Un diagrama similar a un diagrama de flujo documenta las relaciones entre las diversas ramas del código base del proyecto. Capturas de pantalla de Lauren F. Klein.

Escribir código es trabajo, como bien sabe cualquier persona que haya programado algo. Pero no siempre es trabajo fácil de ver. Lo mismo se aplica a la recolección, el análisis y la visualización de datos. Tendemos a maravillarnos con la escala y la complejidad de una visualización interactiva como el Ship Map [Mapa de Barcos], en la figura 7.2, que muestra las rutas de la flota mercante mundial a lo largo del año calendario 2012.5 Al mostrar cada viaje por mar, el Mapa de Barcos expone las redes de vías fluviales que constituyen nuestra cadena global de suministro de productos. Pero estamos expuestos con menos frecuencia a las redes de procesos y personas que ayudan a formar la visualización en sí misma- desde las setenta y cinco personas investigadoras corporativas de Clarksons Research UK que ensamblaron y validaron el conjunto de datos subyacente, hasta el equipo de investigación académica del Instituto de Energía de University College London que desarrolló el modelo de datos, al equipo de diseño de Kiln que transformó el modelo de datos en la visualización que vemos. Y eso sin mencionar las decenas de miles de barcos comerciales que sirvieron como fuente de datos en primer lugar. Las visualizaciones como el Mapa de Barcos implican el trabajo de muchas manos.

Sin embargo, desafortunadamente, cuando lanzamos un producto de datos al público, tendemos a no dar crédito a todas las personas que realizan este trabajo. Citamos a menudo la fuente del conjunto de datos y los nombres de las personas que diseñaron e implementaron el código y los elementos gráficos. Pero rara vez profundizamos en descubrir quién creó los datos en primer lugar, quién los recopiló y los procesó para su uso, y quién más podría haber trabajado para hacer posible creaciones como el Mapa de Barcos. Es cierto que esta información a veces es difícil de encontrar. Y cuando los equipos de proyecto (o los individuos) ya están operando a capacidad plena, o bajo presión presupuestaria, esta información puede, irónicamente, simplemente ser demasiado trabajo adicional para realizar.6 Incluso en casos en que existen tanto los recursos como el deseo de hacerlo, la información sobre el rango de las personas que contribuyeron a un proyecto en particular a veces no se puede encontrar en absoluto. Pero las diversas dificultades que encontramos al tratar de reconocer este trabajo, reflejan un problema mayor en lo que la investigadora de los estudios de información Miriam Posner llama nuestra cadena de suministro de datos.7 Al igual que los contenidos de los barcos del Mapa de Barcos, acerca de los que sabemos escasos detalles: el mapa puede decirnos si se cargó un contenedor de envío en el barco, pero no qué contiene el contenedor: el trabajo invisible involucrado en el trabajo de datos, como argumenta Posner, es algo que las corporaciones tienen interés en mantener fuera de la vista del público.

Un mapa del mundo que muestra las rutas marítimas mundiales representadas por finas
líneas de colores. Las líneas están coloreadas en función del tipo de carga que transporta
el barco: amarillo para contenedores, azul para mercancías secas, rojo para líquidos,
verde para gas y morado para vehículos. Todo el mapa está cubierto de rutas marítimas,
lo que pone de relieve la complejidad de la red mundial de vías navegables.

Figura 7.2: Una visualización basada en el tiempo de las rutas de envío en barco globales, diseñada por Kiln en 2016, basada en datos del Instituto de Energía de University College London (UCL EI). El sitio web Mapa de Barcos fue creado por Duncan Clark y Robin Houston de Kiln, y el conjunto de datos fue compilado por Julia Schaumeier y Tristan Smith de UCL EI. El sitio web también incluye una banda sonora: las Variaciones Goldberg de Bach, interpretadas por Kimiko Ishizaka.

En pocas palabras, no es una coincidencia que gran parte del trabajo que se dedica al diseño de un producto de datos (visualización, algoritmo, modelo, aplicación) permanezca invisible y sin créditos. En la sociedad capitalista en la que vivimos, tendemos a valorar el trabajo que podemos ver. Este es el resultado de un sistema en el que el valor cultural de cualquier forma particular de trabajo está directamente relacionado con el precio que pagamos por él. En otras palabras: porque un servicio cuesta dinero, reconocemos su mayor valor. Pero la mayoría de las veces, lo contrario también es cierto: fallamos en reconocer el mayor valor de los servicios que obtenemos de forma gratuita. Cuando a principios de la década de 1970, el Colectivo Feminista Internacional lanzó la campaña Salarios para el Trabajo Doméstico, era este fenómeno del trabajo invisible, trabajo no remunerado y, por lo tanto, sin valor, lo que el grupo estaba tratando de exponer (figura 7.3).8 El término preciso que usaban para describir este trabajo era trabajo reproductivo, que proviene de la distinción de la economía clásica entre el trabajo remunerado y, por lo tanto, económicamente productivo del mercado, y el trabajo no remunerado y, por lo tanto, económicamente improductivo de todo lo demás. Al reformular esta última categoría de trabajo como trabajo reproductivo, en lugar de simplemente (e incorrectamente) trabajo improductivo, grupos como el Colectivo Feminista Internacional buscaron enfatizar cómo las distintas tareas que abarcaba el término, como cocinar, limpiar y criar a los niños, eran precisamente las tareas que permitían que aquellas personas que realizaban el trabajo “productivo”, como el trabajo de oficina o de fábrica, continuaran haciéndolo.

El movimiento de Salarios para el Trabajo Doméstico comenzó en Italia y llegó a los Estados Unidos con la ayuda de la sindicalista y teórica Silvia Federici. Con el tiempo el movimiento desarrolló colectivas (capítulos locales) en varias ciudades estadounidenses e hizo un importante trabajo de concientización.9 Sin embargo, como señalaron importantes feministas como Angela Davis, aunque el trabajo doméstico podría no haber sido remunerado para las mujeres blancas, a las mujeres de identidades racializadas, especialmente las mujeres Negras en los Estados Unidos, durante mucho tiempo se les había pagado, aunque no bien, por sus tareas domésticas en casas de otras personas. “Debido a la intrusión adicional del racismo, un gran número de mujeres Negras han tenido que hacer sus propias tareas domésticas y también las de otras mujeres”. Aquí, Davis está destacando un punto importante sobre el trabajo racializado: así como el trabajo doméstico está estructurado según el género, también está estructurado según la raza y la clase. El trabajo doméstico de las mujeres de identidades racializadas era y sigue siendo trabajo mal pago, como lo llamarían las teóricas feministas del trabajo, y su bajo costo fue lo que permitió (y continúa permitiendo) que muchas mujeres blancas de clase media y alta participen en el mercado laboral asalariado, que es más lucrativo.10

Una fotografía en blanco y negro de activistas, en su mayoría mujeres, en una marcha
de Salario por Trabajo Doméstico en 1977. Las activistas llenan las calles, y dos de
ellos, cerca del frente, sostienen un cartel en el que se lee "SALARIOS POR TRABAJO
DEL HOGAR" y tiene un dibujo del símbolo del género femenino, modificado para
mostrar un puño agarrando dinero en efectivo en lugar del círculo estándar.

Figura 7.3: Marcha de Salarios para el Trabajo Doméstico, 1977. Fotografía de Bettye Lane. Cortesía de la Biblioteca Schlesinger, Radcliffe Institute/Bettye Lane.

Desde la década de 1970, el término trabajo invisible ha llegado a abarcar las diversas formas de trabajo no remunerado, mal remunerado e incluso asalariado, que se vuelven invisibles porque tienen lugar dentro del hogar, fuera de la vista o porque carecen de forma física por completo.11 Si visitas WagesforFacebook.com, encontrarás una versión actualizada del argumento “salarios por trabajo doméstico” para identificar una nueva forma de trabajo invisible. Esta forma de trabajo invisible se puede encontrar en toda la web, como señalan quienes han teorizado el trabajo digital, como Tiziana Terranova.12 “Ellos lo llaman compartir. Nosotras lo llamamos robar” (NdT: en inglés “they” es un pronombre neutro para como en castellano no tiene pronombres neutros en su gramática y queríamos enfatizar la desigualdad, se tradujo el primer “they” en masculino y el segundo en femenino para enfatizar la proclama), es una de las declaraciones que se encuentra en la pantalla en letra negra grande. La palabra “lo” se refiere al trabajo que la mayoría de nosotros/as/es realizamos todos los días, en forma “me gusta de Facebook”, publicaciones de Instagram y tweets de Twitter. El punto señalado por Laurel Ptak, la artista detrás de Wages for Facebook, que también lo señala Terranova, es que el trabajo invisible no remunerado de nuestros me gusta y tweets es precisamente lo que permite que los Facebook y Twitter del mundo se beneficien y prosperen.

El Trabajo Invisible de la Ciencia de Datos

El mundo de la ciencia de datos también se beneficia y prospera gracias al trabajo invisible no remunerado. ¿Cómo mejoró Netflix su algoritmo de recomendación de películas? La empresa realizó crowsourcing o colaboración colectiva (NdT: crowsourcing es la recolección de información, opiniones o trabajo a partir de compartir por internet opiniones con grupos de personas. Esto le permite a las empresas ahorrar tiempo y dinero al mismo tiempo que aprovechan las personas con diferentes habilidades o pensamientos de todo el mundo).13 ¿Cómo determinó The Guardian, el periódico británico, cuál de los dos millones de documentos filtrados podría contener información incriminatoria sobre gastos indebidos del gobierno? El periódico lo obtuvo mediante colaboración colectiva.14 ¿La corrección de errores del Reconocimiento Óptico de Caracteres (ROC) realizada en el conjunto de datos de los primeros libros modernos que descargaste para tu proyecto de análisis de texto? Eso también fue colaborativo.15

Cada uno de estos proyectos de colaboración colectiva fueron enmarcados como actos de benevolencia (y, en el caso de Netflix, una oportunidad de ganar un premio de un millón de dólares). Las personas deberían querer contribuir a estos proyectos, afirmaron sus partidarios, ya que sus trabajos promoverían el bien público.16 Sin embargo, Ashe Dryden, desarrolladora de software y consultora de diversidad, señala que las personas solo pueden contribuir en proyectos de colaboración colectiva si tienen el interés y el tiempo.17 Volvamos al estudio de GitHub. Si tú fueras una mujer y supieras que tus contribuciones a un proyecto de programación tienen menos probabilidades de ser aceptadas que si fueras un varón, ¿eso te motivaría a contribuir con el proyecto? O, por poner otro ejemplo, consideremos a Wikipedia. Aunque se desconocen los datos demográficos de género exactos de las personas contribuyentes de Wikipedia, numerosas encuestas han indicado que aquellas personas que aportan contenido a la enciclopedia colaborativa son entre un 84% y un 91,5% varones.18 ¿Por qué? Podría ser que aquí también, las ediciones sean menos probables de ser aceptadas si provienen de editoras mujeres.19 Podría ser también atribuido la excluyente cultura de la edición de Wikipedia y la infraestructura tecnológica, como las teóricas de los Estudios de Ciencia y Tecnología (ECT) Heather Ford y Judy Wajcman sostienen.20 Y también hay razones para volver al argumento del trabajo doméstico. Dryden cita un estudio de 2011 que muestra que las mujeres en veintinueve países dedican más del doble de tiempo a las tareas domésticas que los varones, incluso considerando a las mujeres que tienen trabajos de tiempo completo.21 El estudio no consideró géneros no binarios ni hogares del mismo sexo (u otros hogares no heterotípicos). Pero incluso tomándolo como estimación aproximada, parece que las mujeres simplemente no tienen tanto tiempo.22

En las sociedades capitalistas, muy a menudo ocurre que el tiempo es dinero. Pero también es importante recordar la importancia de preguntar el tiempo de quién se está gastando y el dinero de quién se está ahorrando. La premisa detrás de Mechanical Turk de Amazon, o MTurk, como se conoce más comúnmente a la plataforma de colaboración colectiva (crowdsourcing), es que los científicos de datos quieren ahorrar su propio tiempo y sus propios resultados.23 El sitio web de MTurk promociona el acceso a un mercado global de “trabajadores a demanda”, quienes se anuncian como más “escalables y costo-efectivos” que el proceso “lento y costoso” de contratar empleados reales.24 Pero las tareas de ingreso de datos o data-entry y procesamiento de datos que llevan a cabo estas personas trabajadoras les permiten ganar menos del salario mínimo, incluso cuando un estudio reciente del Pew Research Center mostró que el 51 por ciento de las personas que trabajan en Turk (conocidos como Turkers) con sede en Estados Unidos, tienen títulos universitarios, y el 88 por ciento tiene menos de cincuenta años, entre otras métricas que las ubicarían entre los grupos demográficos más deseados entre las personas empleadas asalariadas.25 Esta forma de trabajo mal pagado está siendo crecientemente exportada desde los Estados Unidos a países con menos (o peores) leyes laborales y menos (o peores) oportunidades de crecimiento económico. Un estudio de 2010 de la Universidad de California en Irvine midió una caída del 20% en el número de Turkers con sede en Estados Unidos durante los dieciocho meses que monitoreó.26 El seguimiento de Turkers en tiempo real muestra que esta tendencia ha continuado. (La brecha de género, curiosamente, se ha nivelado con el tiempo).

Incluso en empresas ricas en recursos como Amazon y Google, el trabajo de data-entry está profundamente infravalorado en proporción al conocimiento que ayuda a crear. El documental de 2011 de Andrew Norman Wilson Workers Leaving the Googleplex [Trabajadores y trabajadoras abandonando el Googleplex] (figura 7.4) expone cómo las personas que están encargadas de escanear los libros para la base de datos de Google Books son contratados como una clase separada pero desigual de personas empleadas, con tarjetas de identificación que restringen su acceso a la mayoría de los espacios físicos de los campus Google lo que les impide disfrutar de las famosas ventajas para empleados/as de la empresa.27 (Evidentemente, trabajar horas extras para preservar el patrimonio cultural del mundo todavía no te da derecho a un almuerzo gratis, y mucho menos a una clase gratis sobre cómo cocinar Pad Kee Mao).28

Wilson también observa que las personas que trabajan escaneando los libros de Google son en su mayoría mujeres y personas de identidades racializadas, un hecho que no sorprendería a la larga lista de mujeres activistas académicas Negras y de identidades racializadas, incluidas Angela Davis, Patricia Hill Collins y Evelyn Nakano Glenn, que han insistido que la opresión económica sea reconocida como un vector transversal a la matriz de dominación en su conjunto. La académica de estudios de la información Lilly Irani confirma que "la jerarquía actual del trabajo de datos se hace eco de las jerarquías tecnológicas más antiguas de género, clase y raza".29 En este punto, Irani compara la jerarquía del trabajo de datos con la jerarquía encontrada por la primera generación de computadoras femeninas, como Christine Darden, a quien nos hemos referido en la introducción de este libro.30 Pero la propia investigación de Irani también considera las prácticas laborales digitales contemporáneas y, en particular, Mechanical Turk de Amazon, las personas que emplea y las personas que explota. En 2008, Irani y sus colaboradores crearon una herramienta web llamada Turkopticon, que permitía a las personas turkers reportar condiciones laborales injustas de forma anónima, así como cualquier información adicional que pudiera ayudarles a decidir si aceptaban tareas futuras.31 Irani visualizó el Turkopticon como un proyecto dirigido por personas trabajadoras. Sin embargo, fueron las condiciones laborales injustas que utilizaba la herramienta las que limitaron, en última instancia, su alcance. En 2018, después de diez años de servicio, su equipo de moderadores totalmente voluntarios llegó a su fin. “Estamos agotadas y agotados”, escribieron en Twitter.32 Y entre el etiquetado de imágenes y la corrección de texto cargado de errores, ningún Turker adicional pudo encontrar el momento para hacerlo.

Un collage de capturas de pantalla de la película Workers Leaving the Googleplex. Cada
una es una vista de la sede de Google. Las dos imágenes superiores son vistas a vista de
pájaro y las dos inferiores son vistas a ras de suelo.

Figura 7.4: Workers Leaving the Googleplex [Trabajadores y trabajadoras abandonando el Googleplex] de Andrew Norman Wilson (2011) documenta las desigualdades ocultas en las oficinas de Google de Mountain View. Cortesía de Andrew Norman Wilson.

Sin embargo, las personas que realizan este trabajo cultural de datos, como lo denomina Irani, no solo se encuentran en la plataforma MTurk. Son éstas cada vez más, las personas de las que depende toda la economía de la información. Los y las trabajadoras culturales de datos son responsables del trabajo invisible involucrado en moderar la verdadera avalancha de contenido producido en línea todos los días, asegurando que tu inicio (feed) de Facebook esté libre de, por ejemplo, pornografía infantil y videos de propaganda violenta. Cuando una presentación de 2014 en la revista Wired documentó los costos emocionales de este trabajo, realizado por algunas de las trabajadoras menos empoderadas: mujeres en el Sur Global, fue recibido con una gran conmoción e indignación.33 Pero estudios posteriores como Ghost Work [Trabajo fantasma], de la antropóloga Mary Gray y el científico informático Siddharth Suri, han documentado la existencia de una gran "subclase global" que realiza este trabajo de moderación de contenido, transcripción y generación de subtítulos.34 Señalan que la llamada automatización de la inteligencia artificial depende de una gran cantidad de seres humanos en el circuito.35 Además, mientras que las características demográficas de las personas que trabajan en el rubro tecnológico de Silicon Valley sigue siendo joven, blanca y masculina, estas "trabajadoras fantasmas" globales son a menudo mujeres mayores de identidades racializadas, y a las que siempre se les exige que acepten condiciones de trabajo precarias.

Quienes estudian los costos humanos del capitalismo global se apresurarían a señalar que esta explotación del trabajo precario, racializado y colonial tiene una larga historia que tiene sus raíces en la forma original de explotación humana: la esclavitud. Después de todo, la esclavitud y el capitalismo están estrechamente relacionados, y a menudo se cuenta una historia infame para ilustrar este punto: en 1781, el barco británico de esclavos Zong cometió una serie de errores de navegación mientras cruzaba el Atlántico, lo que resultó en una escasez de agua potable para las 17 personas miembro de la tripulación y 133 personas cautivas a bordo.36 Después de realizar un análisis de costo-beneficio, el capitán decidió arrojar por la borda la "carga" humana esclavizada de la tripulación para que las personas miembro de la tripulación pudieran consumir toda el agua y las raciones restantes. La decisión se tomó porque el capitán calculó que podría cobrar suficiente dinero del seguro por la muerte de las personas cautivas para salir adelante, incluso si no pudiera venderlas una vez que desembarcaran. Estaba pensando en las vidas humanas únicamente en términos de su valor de mercado, noción que el capitalismo tiene en la más alta consideración.

La cruda falta de humanidad de este cálculo ha llevado a numerosas personas académicas y artistas a volver al Zong al considerar lo que Christina Sharpe llama, en el lenguaje del barco, la "estela" de la esclavitud.37 El poeta M. Nourbe Se Philip, por ejemplo, compuso un poema del tamaño de un libro, Zong!, usando solo las palabras del caso legal que sirve como única documentación del evento original.38 Escrito a lo largo de muchos años y publicado en 2011, el poema de Philip extrae palabras y frases cortas del idioma del caso judicial, disponiéndolos a lo largo de la página impresa. El poema de Philip cambia regularmente los tiempos del pasado al presente, y del presente al pasado, dando una voz adicional a la afirmación de Sharpe de que los efectos del crimen original, la explotación de los cuerpos negros para obtener ganancias financieras de los blancos, están lejos de resolverse.39

Nuestra infraestructura tecnológica actual sigue este mismo patrón de explotación. En los Estados Unidos, el trabajo escasamente remunerado o totalmente no remunerado de quienes soportan una forma contemporánea de esclavitud como es el encarcelamiento, se ha utilizado para todo, desde empaquetar software de Windows hasta limpiar el derrame de petróleo de BP en 2010.40 En un contexto colonial global, podríamos considerar cómo el cobalto requerido para producir las baterías de iones de litio que alimentan nuestros teléfonos celulares y computadoras portátiles está asociado con importantes violaciones de derechos humanos, incluido el trabajo forzado de infancias congoleñas de incluso siete años.41 El desecho no regulado de dispositivos electrónicos ha resultado en talleres de recuperación y reparación en lugares como Agbogbloshie, en las afueras de Accra, Ghana, que durante mucho tiempo sirvieron como sitios de invención e ingenio y luego se transformaron en sitios tóxicos de "desechos electrónicos", con profundas consecuencias para la salud de quienes viven y trabajan allí, así como para el medioambiente.42 Los riesgos humanitarios y ecológicos de nuestro apego a los datos y la tecnología no pueden ser mayores, ni su fuente ser más clara: las fuerzas capitalistas y coloniales que fomentan la explotación de los cuerpos Negros y morenos/marrones para que los cuerpos blancos puedan prosperar.43

Examinando la Producción de Datos

Las fuerzas del capitalismo global pueden resultar abrumadoras. Y como personas que usamos datos y tecnología en nuestro trabajo diario, somos cómplices en diversos grados. Pero hay ciertas cosas pequeñas que podemos hacer en nuestro trabajo para balancear este peso. En los capítulos anteriores, hemos descrito algunas de estas posibilidades: incorporar un examen del poder en un proyecto de análisis de datos (capítulos 1 y 2); rechazar los falsos binarismos y jerarquías (capítulo 4); incluir voces múltiples y marginadas en el proceso de diseño (capítulo 5); y contextualizar los datos para que no imaginemos que “hablen por sí mismos” (capítulo 6).

Junto con estos puntos de partida, también podemos comenzar a crear espacio adicional para las personas en la academia, periodistas y demás personas investigadoras que estudian explícitamente el trabajo de la ciencia de datos, es decir, quienes examinan y desafían el poder al rastrear visualizaciones, algoritmos y bots hasta sus fuentes humanas y materiales. Esta creciente área de investigación podría llamarse estudios de producción de datos, tomando prestada una rúbrica del campo de los estudios de producción que actualmente se encuentra en la intersección de los estudios de cine y medios, y los estudios del trabajo. El enfoque principal de los estudios de producción, en lo que se refiere al cine y los medios, es cómo se producen los artefactos de los medios. La académica de estudios de medios Miranda Banks ha afirmado que “los estudios de producción son una metodología feminista” porque presta especial atención a las diferencias de poder involucradas en el proceso de producción de medios, así como a las condiciones materiales de las personas que trabajan en los medios.44 El trabajo enfocado en la producción de datos ya está sucediendo en campos como ECT, humanidades digitales, bibliotecología y ciencias de la información, estudios de archivo, entre otros.45 Si observas el proceso de producción de conjuntos de datos, algoritmos y modelos podrás rastrear esos productos hasta las personas y condiciones que permitieron su creación.

Como ejemplo de trabajo en esta área emergente, podríamos considerar Anatomy of an AI System [Anatomía de un sistema de IA], un proyecto de la investigadora de tecnología Kate Crawford y el académico de diseño Vladlan Joler que busca describir y diagramar el trabajo humano, las dependencias de datos y los recursos materiales que contribuyen a un único Amazon Echo46. El proyecto se publicó en línea como un diagrama de proporciones borgianas, demasiado grande para verlo en su totalidad en la pantalla de una computadora portátil estándar (figura 7.5a); y fue acompañado de un ensayo de nueve mil palabras. A las personas espectadoras primero, se les presenta la extracción de minerales necesaria para producir los componentes electrónicos del dispositivo y se les hace conscientes sobre el trabajo duro (y, a veces, el trabajo infantil) que requiere esta tarea. El gráfico (y la narrativa) avanza a través de procesos de refinación, ensamblaje y distribución de estos componentes. Los transporta físicamente, y luego virtualmente, a través de la infraestructura de Internet. Una vez dentro de los límites corporativos de Amazon, el gráfico muestra las capas de personas trabajadoras que brindan todo, desde el mantenimiento de la red hasta el entrenamiento de los conjuntos de datos (figura 7.5b). Crawford y Joler también diagramaron patrones en la organización de la fuerza laboral de Amazon, que describen en términos de "cadenas fractales de producción y explotación". Pero lo que se requiere para esta replicación son las personas: "En todos los niveles, la tecnología contemporánea está profundamente arraigada y basada en la explotación de los cuerpos humanos", concluye el ensayo.47

Anatomy of an AI System [Anatomía de un sistema de IA] es es una investigación y exposición del trabajo invisible involucrado en la fabricación de un único producto a escala global. De esta manera, es un ejemplo ambicioso del séptimo principio del feminismo de datos: mostrar el trabajo. Detrás de la magia y el marketing de los productos de datos, siempre hay un trabajo oculto, a menudo realizado por mujeres e identidades racializadas, lo que es a la vez causa y efecto del hecho de que este trabajo está subpago y subvalorado. El feminismo de datos busca visibilizar este trabajo para que pueda ser reconocido y valorado adecuadamente, y para que su verdadero costo, para las personas y para el planeta, sea reconocido.

Otorgando crédito al trabajo de datos

El énfasis en otorgar crédito formal para una amplia gama de trabajos se deriva de las prácticas feministas de citación. La teórica feminista Sara Ahmed describe esta práctica como una forma de resistir la forma en que ciertos tipos de personas, generalmente varones cis y blancos, “toman espacios excluyendo a otros”.48 Cuando esas personas son excluidas, se vuelven invisibles y sus contribuciones no son reconocidas. Las técnicas de filtrado (screening techniques) que conducen a su borrado, como las llama Ahmed, no siempre son intencionales, pero lamentablemente, se perpetúan. Ahmed da el ejemplo de hundirse en un sillón de cuero que es cómodo porque se moldea a la forma de tu cuerpo con el tiempo. Tú probablemente no notarías lo incómodo que sería el sillón para aquellas personas que no han pasado tiempo sentados en él: aquellas personas con cuerpos diferentes o con demandas diferentes de su tiempo. Es por eso que aquellos de nosotros/as/es que ocupamos esos cómodos sillones de cuero, o, más probablemente en el mundo del diseño, sillas Eames de plástico moldeado, debemos permanecer atentos para recordarnos a nosotros/as/es mismos las formas adicionales de trabajo y las personas adicionales sobre las que descansan nuestros propios trabajos de datos.

Una visualización del trabajo necesario para producir un Amazon Echo. El título dice
"Anatomía de un sistema de IA". La visualización es de líneas blancas y texto sobre
fondo negro e increíblemente detallada y compleja, lo que ayuda a enfatizar los muchos
pasos que se requieren para producir un Eco, como el ensamblaje, la fabricación, la
distribución y el transporte, la infraestructura doméstica y de Internet, el entrenamiento
de la IA, la preparación y el etiquetado de los datos, la explotación de los mismos y,
finalmente, su eliminación. Muchos de estos pasos se basan en el trabajo humano, lo
que pone de relieve la variedad de contribuciones individuales (muchas de las cuales
pueden quedar sin acreditar) que son necesarias para producir un sistema de IA.
La figura es un detalle de la visualización anterior que muestra un diagrama de flujo
titulado "Preparación y etiquetado de datos". El gráfico comienza con un recuadro
titulado "Conjuntos de datos de formación" y se divide en dos subcategorías, mano de
obra y preparación, representadas por un esquema de un trabajador y un banco de datos.
En ese punto, el diagrama de flujo se divide en listas con letras en las que se enumeran
los siguientes pasos debajo de cada etiqueta. Algunas etiquetas tienen ejemplos que se
describen como listas numeradas. El texto asociado a cada nodo del diagrama de flujo
es el siguiente:
1. Conjunto de datos de formación
a. hacia el trabajo
b. hacia la preparación

2. Trabajo
a. hacia el trabajo no reconocido
b. hacia el trabajo no remunerado o mal pagado
c. a los profesionales
d. hacia el trabajo no humano

3. Trabajo no reconocido
a. Trabajo inmaterial (por ejemplo, trabajo del usuario)
b. Crowdsourcing no remunerado (por ejemplo, ReCaptcha)

4. Trabajo no remunerado o mal pago
a. Estudiantes, voluntarios, becarios (por ejemplo, voluntarios de traducción de
charlas TED)
b. Crowdworkers (por ejemplo, trabajadores de Amazon Mechanical Turk)
c. Servicios subcontratados en los países en desarrollo

5. Profesionales
a. Profesionales de la ciencia y la ingeniería (por ejemplo, científicos de
investigación)
b. Profesionales de las tecnologías de la información y la comunicación (por
ejemplo, desarrolladores)

6. Trabajo no humano
a. Algoritmos u otros sistemas de aprendizaje automático
7. Preparación
a. Instalaciones (oficinas, hogares, instituciones educativas)
b. Métodos
c. Tecnología (software, hardware, infraestructura)

Figura 7.5: Vista (a) y detalle (b) de Anatomy of an AI System [Anatomía de un sistema de IA] (2018)—un diagrama y ensayo de Kate Crawford y Vladan Joler que intenta graficar todas las relaciones humanas de trabajo, datos y recursos del planeta utilizados para crear el dispositivo Amazon Echo. Cortesía de Kate Crawford y Vladan Joler.

Esto se complica rápidamente incluso en la escala de un solo proyecto de ciencia de datos. Los nombres de todas las personas y el trabajo que realizan no siempre son fáciles de localizar, si es que pueden localizarse. Pero tomar medidas para documentar a todas las personas que trabajan en un proyecto en particular en el momento en que se lleva a cabo, puede ayudar a garantizar que quede un registro de ese trabajo después de que se haya completado el proyecto. De hecho, este es uno de los cuatro principios básicos que componen la Collaborators’ Bill of Rights [Declaración de Derechos de Personas Colaboradoras], un documento desarrollado por un equipo interdisciplinario de personas graduadas en bibliotecología, tecnólogas del personal, académicas y becarias posdoctorales en 2011 en respuesta a la proliferación de tipos de puestos, en rangos muy divergentes, a los que se les pedía que contribuyeran en distintos proyectos basados ​​en datos (y otros proyectos digitales).49

Al diseñar productos de datos desde una perspectiva feminista, también debemos aspirar a mostrar el trabajo involucrado en todo el ciclo de vida del proyecto. Esto sigue siendo cierto incluso cuando puede ser difícil nombrar a cada individuo involucrado o cuando el trabajo puede ser de naturaleza colectiva y no puede atribuirse a una sola fuente. En estos casos, podríamos inspirarnos en Next System Project [Proyecto Próximo Sistema], un grupo de investigación cuyo objetivo es documentar y visualizar sistemas económicos alternativos.50 En un reporte, el grupo compiló información sobre la diversidad de las economías comunitarias en destinos tan diversos como la Isla de Negros, en Filipinas, la provincia de Quebec, en Canadá, y el estado de Kerala, en India. El informe emplea la metáfora visual de un iceberg (figura 7.6), en la que el trabajo asalariado se coloca en la punta del iceberg, flotando sobre el agua, mientras docenas de otras formas de trabajo (préstamos informales, cooperativas de consumo y trabajo dentro de las familias, entre otros) se ubican bajo el agua, proporcionando un contrapeso económico esencial pero permaneciendo fuera de la vista.

Con la idea del trabajo bajo el agua en mente, podríamos volver al ejemplo de GitHub, que comenzó este capítulo, para preguntar qué formas adicionales de trabajo podrían contribuir a la producción de código pero no pueden ser representadas por el esquema de visualización que GitHub emplea actualmente. Podríamos pensar en el trabajo de la persona encargada del proyecto o project manager, que no se expresa directamente en un número o tamaño o frecuencia de contribuciones en particular, pero que sin embargo asegura la calidad y consistencia de todo el código del proyecto. Podríamos preguntarnos sobre el trabajo de la persona diseñadora del proyecto o escritora técnica, quienes podrían haber ayudado a dar forma al proyecto en sus fases iniciales, pero que probablemente hayan avanzado a otras tareas. En el caso de un proyecto orientado al consumidor, también podríamos considerar las contribuciones de los equipos de atención al cliente. O en un proyecto orientado a la comunidad, podríamos incluir organizadores que hayan pasado años desarrollando relaciones sólidas con las personas miembro de la comunidad. Estas formas de trabajo, tanto productivas como reproductivas, son esenciales para el éxito de cualquier proyecto, pero actualmente no se hacen visibles, ni podrían visualizarse fácilmente, mediante un esquema que considera que las contribuciones del proyecto consisten únicamente en código.51

Pero en más instancias de las que podrías pensar, el trabajo asociado con el trabajo de datos puede surgir a través de los mismos datos. Por ejemplo, el historiador Benjamin Schmidt, cuya investigación se centra en el papel de las agencias gubernamentales en la formación del conocimiento público, decidió visualizar los metadatos asociados con el catálogo digital de la Biblioteca del Congreso de Estados Unidos, la biblioteca más grande del mundo (figura 7.7).52 El objetivo inicial de Schmidt era comprender la colección y el sistema de clasificación que estructuraba el catálogo. Pero en el proceso de visualizar los registros del catálogo, descubrió algo más: un registro del trabajo de las propias personas catalogadoras. Cuando comparó el año en que se creó el registro de cada libro con el año en que el libro se publicó, vio algunos patrones inusuales en la imagen: líneas verticales sombreadas, estructuras escalonadas y bandas verticales oscuras que no coincidían con lo que de lo contrario, se podría suponer que sería un proceso básico de dos pasos de (1) adquirir un libro y (2) ingresarlo.

Un dibujo de un iceberg con palabras que describen diferentes tipos de mano de obra
esparcidas a su alrededor. La punta del iceberg flota justo por encima de la superficie
del agua.
Las etiquetas de la punta del iceberg son las siguientes:
1. Trabajo asalariado
2. Mercados de productos básicos
3. Empresa capitalista
Las etiquetas bajo el nivel superficial del agua son las siguientes:
1. Idioma
2. Compost
3. Préstamos informales
4. Escuelas gratuitas
5. Recogida
6. Nutrición del suelo
7. Trueque
8. Crianza de los hijos
9. Regalos
10. Cultivo propio
11. Huertos comunitarios
12. Cooperativas de trabajo asociado
13. Metabolismo
14. Mercados agrícolas
15. Hágalo usted mismo
16. Respiración
17. Cooperativas de crédito
18. Tradiciones orales
19. Cooperativas de vivienda
20. Financiación comunitaria
21. Trabajo doméstico
22. Recogida de basura
23. Sin ánimo de lucro
24. Comunidades intencionales
25. Cuidado de ancianos
26. Fotosíntesis
27. Precios de escala móvil
28. Recaudación de fondos
29. Robo (reapropiaciones)
30. Caza
31. Prestar y pedir prestado
32. Lactancia
33. Moneda comunitaria
34. Propiedad colectiva
35. Comercio justo
36. Caza y recolección
37. Fuente abierta
38. Familia
39. Imaginación
40. Buscar en la basura
41. Cooperativas de consumo
42. Bibliotecas

Figura 7.6: Diverse Economies Iceberg [El Iceberg de las Economías Diversas] (2017), un diagrama de las múltiples prácticas laborales creadas por el Next System Project para un informe sobre economías comunitarias. Imagen cortesía de J. K. Gibson-Graham, Jenny Cameron, Kelly Dombrowski, Stephen Healy, y Ethan Miller para Next System Project.

Una visualización estilo mapa de calor sobre los registros del catálogo MARC de la
Biblioteca del Congreso. El eje X representa el año en que se creó el registro MARC de
cada libro, desde 1966 hasta 2017. El eje Y representa el año en que se publicó el libro,
desde 1770 hasta 2017. El color se utiliza para indicar el número de registros que
corresponden a cualquier combinación particular de datos sobre creación de registros y
de publicación de libros. La escala de colores va del negro al amarillo pasando por un
gradación de púrpura-rosa-naranja. El rango numérico de la escala de colores es de
50.000 (negro) a 1 (amarillo) libros catalogados. La mayor parte del mapa térmico se
encuentra en el espectro del púrpura al naranja, lo que indica que hay entre 5.000 y 50
libros catalogados en cada lugar del gráfico. Varias áreas significativas del mapa de
calor están anotadas directamente en la visualización: el punto más alto en el extremo
izquierdo de la visualización, un cuadrado naranja, está anotado de la siguiente forma:
"La catalogación MARC comenzó en 1966; en los primeros años, solo se añadieron
libros nuevos"; varias líneas verticales a la izquierda del gráfico que pasan del morado
al amarillo están anotadas de la siguiente manera: "A principios de los años 70, los
catalogadores empezaron a introducir libros más antiguos; en 1972, se introducían al
año cientos de libros de principios del siglo XX"; una larga zona rectangular vertical de
color naranja en la parte derecha del gráfico con la siguiente anotación: "Hubo que
esperar hasta el año 2000 para que se eliminara el retraso (en su mayor parte): las
manchas más claras aquí muestran que solo se estaban digitalizando unos pocos
registros de mediados del siglo XX"; una línea horizontal de color púrpura oscuro en el
centro del gráfico con la siguiente anotación: "Hay una banda oscura en el año 1900 que
se utiliza como año global para los libros publicados en cualquier momento del siglo";
una línea vertical púrpura oscura en 1996 anotada de la siguiente forma: "Una línea
vertical muestra que 1996 fue un año especialmente frenético en la digitalización de
registros antiguos de los siglos XIX y XX": y formas escalonadas de color rojo oscuro
anotadas de la siguiente manera: "Los patrones de escalera que se mueven hacia arriba y
hacia la derecha muestran esfuerzos más pequeños que procedieron en orden
cronológico a través de una colección. Se tardó unos 6 años en catalogar 25 años de
libros, desde 1825 hasta 1850.

Figura 7.7: A Brief Visual History of MARC Cataloging at the Library of Congress [Una Breve Historia Visual de MARC Catalogando la Biblioteca del Congreso] (2017) muestra cuándo ingresaron los libros de la Biblioteca del Congreso a su catálogo digital. Imagen cortesía de Benjamin M. Schmidt.

Schmidt pronto se dio cuenta de que las líneas verticales sombreadas mostraban el punto en el que las personas catalogadoras comenzaron a volver a los libros que se habían publicado antes de que la biblioteca se volviera digital, completando el catálogo en línea con libros más antiguos. Los patrones escalonados indicaron los períodos de tiempo, más adelante en el proceso, cuando regresaron a subcolecciones específicas de la biblioteca, ingresando los datos de todo el conjunto de libros en un corto período de tiempo. ¿Y las líneas horizontales? Bueno, dado que aparecen solo en los años 1800 y 1900, Schmidt infirió que indicaban información de publicaciones faltantes, ya que las mejores prácticas para la catalogación de bibliotecas dictan que se ingrese el primer año del siglo cuando se desconoce la fecha exacta de publicación.

Con énfasis en mostrar el trabajo, estos artefactos visuales también deberían incitarnos a considerar cuánto trabajo físico estuvo involucrado en convertir los registros en papel de la biblioteca a formato digital. Después de todo, las áreas más oscuras del gráfico no solo indican una mayor cantidad de libros ingresados ​​en el catálogo. También indican a las personas que los ingresaron. (Schmidt estima que el número total de registros es de diez millones y sigue creciendo). De manera similar, las formaciones escalonadas no solo indican un mayor volumen de entrada de datos. Indican decisiones estratégicas tomadas por el personal de la biblioteca para volver a partes específicas de la colección y reflejan el conocimiento previo de esos miembros del personal sobre los vacíos que debían llenarse, o en otras palabras, también su trabajo intelectual. La visualización de Schmidt ayuda a mostrar cómo el conjunto de datos siempre apunta a la configuración de datos (data setting), para usar la frase útil de Yanni Loukissas, así como a las personas que trabajaron en esa configuración para producir los datos que vemos.53

Otorgando crédito al trabajo emocional y de cuidados

Además de las tareas invisibles del trabajo de datos, también hay trabajo que permanece oculto porque no estamos capacitados para pensar en él como trabajo en absoluto. Esto es lo que se conoce como trabajo emocional, y es otra forma de trabajo que la teoría feminista ha ayudado a sacar a la luz.54 Como describió la socióloga feminista Arlie Hochschild, el trabajo emocional describe el trabajo implicado en manejar los sentimientos propios o de otras personas, en respuesta a las demandas de la sociedad o de un trabajo en particular.55 Hochschild acuñó el término a fines de la década de 1970 para describir el trabajo requerido de las personas trabajadoras en la industria de servicios, como las personas auxiliares de vuelo, que deben controlar su propio miedo y al mismo tiempo calmar a las personas pasajeras durante condiciones de vuelo adverso, y en general, trabajar para garantizar que éstas se sientan atendidas y contentas. En las décadas siguientes, la noción de trabajo emocional fue complementada con un concepto relacionado, el trabajo afectivo, de modo que el trabajo de proyectar un sentimiento (la definición de emoción) se distinguiera del trabajo de experimentar el sentimiento mismo (la definición de afecto).56

Hoy en día podemos ver trabajo tanto trabajo emocional como trabajo afectivo en las tareas de toda la industria tecnológica. Consideremos, por ejemplo, cómo las personas que trabajan en centros de llamadas y las especialistas de soporte técnico deben combinar el trabajo afectivo y el emocional, así como el conocimiento técnico, para absorber la ira de los clientes (trabajo afectivo), ejercer la empatía (trabajo emocional), y luego ayudar con, por ejemplo, la configuración de un enrutador inalámbrico (conocimiento técnico).57 En el ámbito laboral, podríamos también considerar el trabajo afectivo que es requerido por parte de las mujeres o grupos minorizados en todas las situaciones, quienes deben refutar (o simplemente ignorar) las suposiciones sexistas, racistas u otras a las que se enfrentan sobre su capacidad técnica o sobre cualquier otra cosa. Y deben hacerlo al mismo tiempo que realizan el trabajo emocional de asegurar que no se sientan amenazadas las personas que sostienen estos supuestos, quienes a menudo también tienen posiciones de poder sobre ellas, ellos y elles.58 ¿Hay manera de visualizar estas formas de trabajo, dando visibilidad y por lo tanto reconocimiento y crédito a estos costos de trabajo?

Un ejemplo que se esfuerza por visualizar el trabajo emocional y afectivo es el Atlas of Caregiving [Atlas del cuidado] (figura 7.8), un proyecto en curso que tiene como objetivo documentar el trabajo que implica el cuidado de una persona familiar con una enfermedad crónica. El nombre del proyecto juega con el concepto del atlas de anatomía, un compendio de ilustraciones del cuerpo humano que las personas interesadas o en el ejercicio de la medicina pueden consultar para obtener información y referencias. En este caso, el objetivo era ilustrar el trabajo del cuidado a veces físico, y a veces emocional o afectivo. El equipo de investigación proveyó a las personas participantes con una variedad de sensores biométricos, incluidos acelerómetros y monitores de frecuencia cardíaca, así como cámaras corporales programadas para tomar una fotografía cada quince minutos. Luego visualizaron estos datos junto con extractos de entrevistas personales y de los registros de actividad que les pidieron que completaran a las personas cuidadoras en el estudio.

El resultado es una imagen compleja de la prestación de cuidados, que une datos con el fin de crear una visión integral de la gama de tareas involucradas en el trabajo de cuidados.59 El estrés de servir como persona cuidadora, una forma de trabajo afectivo, se divide en seis niveles distintos, y luego se visualiza en gradientes (figura 7.8a). El trabajo de cuidado en sí, se divide en siete subtipos de trabajo, que incluyen tareas concretas como la gestión de la atención médica y las tareas del hogar, y formas más abstractas de trabajo como estar disponible y el apoyo social (figura 7.8b). Esto también ayuda a otras personas a reconocer la amplia gama de trabajo, o mejor dicho de conocimiento, asociado con el cuidado. Y como reportaron algunas personas que participaron del estudio, les ayudó a sí mismas a reconocer ese trabajo.60

La figura es un gráfico que muestra la cantidad de tiempo asignada a diferentes
actividades como cuidador. El eje horizontal es un marco temporal de 36 horas que
comienza a las 9:00 de la mañana del día 1 y termina a las 21:00 del día 2. El eje  vertical está formado por 12 categorías diferentes: cuidados, nivel de estrés 5, nivel de estrés 4, nivel de estrés 3, nivel de estrés 2, nivel de estrés 1, nivel de estrés 0, cuidados personales, ocio, trabajo, otros y sueño. Para cada categoría un recuadro horizontal está
sombreado en el gráfico para las horas correspondientes dentro de esta. Por ejemplo, el cuidador durmió entre las 23:00 y las 4:30, por lo que hay una casilla amarilla entre las 11 y las 4,5 sobre el eje horizontal, junto a la categoría "Sueño".
La figura es un gráfico de barras que muestra el tiempo acumulado dedicado a
diferentes actividades como cuidador. El título dice "Horas dedicadas a todas las
actividades". El eje horizontal representa el número total de horas dedicadas a una
actividad determinada y va de 0 a 12. En el eje vertical hay 6 categorías diferentes:
Cuidados, Autocuidado, Ocio, Trabajo, Otros y Sueño. La barra de la categoría
"Cuidados" se divide en 6 barras más pequeñas y apiladas, basadas en los 6 niveles
diferentes de estrés dentro de los cuidados.
A la derecha del gráfico de barras hay otra figura que muestra el desglose de los
minutos dedicados a los cuidados. Los cuidados se dividen en 7 tipos diferentes:
Actividades médicas, gestión de la atención sanitaria, comunicación y coordinación de
los cuidados, ayuda en las actividades personales "ADL", tareas domésticas "IADL",
apoyo social y estar disponible. Cada una de estas categorías se divide en otras
subcategorías. Para cada subcategoría, hay una barra azul claro que denota la cantidad
de minutos gastados (o una barra gris claro si se gastan 0 minutos).

Los datos completos se resumen en la siguiente tabla:
Categoría
Subcategoría
Total de minutos empleados

Actividades médicas 
Medicamentos y suplementos (incluyendo
inyecciones, sueros, oxígeno, etc.)
36

Actividades médicas 
Ejercicio, terapia física
 0

Actividades médicas
Preparación y mantenimiento del equipo 
0

Actividades médicas 
Tratamiento de las heridas 
17

Actividades médicas Seguimiento de los síntomas y las medidas
corporales (peso, temperatura, etc.)
0

Actividades médicas 
Preparación de comidas especiales 
0

Gestión de la salud 
Concertación de citas
0

Gestión de la salud 
Comunicación con los profesionales de la salud
0

Gestión de la salud 
Visitas con profesionales de la salud 
0

Gestión de la salud 
Compra de recetas y suministros
0

Gestión de la salud 
Seguros y pagos 
0

Gestión de la salud
Investigación de enfermedades y
tratamientos
0

Gestión de la salud 
Investigar los costes de la asistencia
sanitaria
0

Comunicación y
coordinación de los
cuidados
Mantener informados a familiares y amigos 
0

Comunicación y
coordinación de los
cuidados
Gestión de los cuidadores familiares y
remunerados
0

Comunicación y
coordinación de los
cuidados
Gestionar los servicios comunitarios
(paratránsito, comidas sobre ruedas, etc.)
0

Ayuda a las actividades
personales "ADL"
Baño y aseo 
0

Ayuda a las actividades
personales "ADL"
Vestirse y arreglarse 
0

Ayuda a las actividades
personales "ADL"
Alimentación 
6

Ayuda a las actividades
personales "ADL"
Entrar y salir de la cama, la silla, etc.
0

Ayuda a las actividades
personales "ADL"
Moverse por la casa 
0

"IADLs" Tareas domésticas
 Limpieza 
0

IADLs" Tareas domésticas 
Cocinar 
9

"IADLs" Tareas domésticas
 Lavado de ropa 
5

"IADLs" Tareas domésticas
 Ir de compras 
77

"IADLs" Tareas domésticas 
Conseguir/Mover/Utilizar la cosa 
12

"IADLs" Tareas domésticas 
Gestión de facturas y ahorros 
22

"IADLs" Tareas domésticas 
Transporte a/desde casa 
60

Apoyo social 
Acompañamiento 
32

Apoyo social 
Apoyo emocional
37

Apoyo social 
Planificar y apoyar la participación en actividades sociales 
38

Estar disponible 
Estar constantemente "en alerta" ante cualquier necesidad 
5

Estar disponible 
Estar "de guardia" para los problemas 
0
Una captura de pantalla de una foto galería de 84 fotos, cada una separada por
exactamente 15 minutos. La primera imagen tiene una marca de tiempo a las 10:45 AM
y la última imagen tiene una marca de tiempo a las 7:30 AM. Las imágenes entre las
11:15 PM - 4:30 AM y 5:45 AM - 6:15 AM son de color gris estático. El resto de
imágenes, ninguna fácilmente discernible, parecen mostrar una mezcla de primeros
planos de interiores de habitaciones, pantallas blancas de ordenadores portátiles, sofás,
escaleras y paisajes vistos a través de las ventanas de los coches.

Figura 7.8: El Atlas of Caregiving [Atlas del cuidado] visualiza el trabajo de cuidados para personas miembro de la familia que tienen una enfermedad crónica. (a) Un reporte de 36 horas de las actividades de cuidado; (b) actividades de cuidado separadas por tipo; (c) un reporte fotográfico durante ese mismo período de tiempo. Imagen cortesía del Atlas of Caregiving, 2016.

Por supuesto, un diagrama es solo una representación del trabajo en sí mismo, y eso no quiere decir nada sobre la complejidad de los sentimientos humanos. Esta comprensión sirvió como génesis para ‘Bruises—the Data we Don’t See’ ["Hematomas: los datos que no vemos"].61 Esta visualización artística, creada por la diseñadora Giorgia Lupi y acompañada por una escala musical compuesta por Kaiki King, intenta acercarse a una representación visual del costo emocional del cuidado (figura 7.9). El proyecto comenzó cuando a la hija de King le diagnosticaron una rara enfermedad autoinmune, la Púrpura Trombocitopénica Idiopática (PTI). La PTI es descrita como una "enfermedad muy visual" y se presenta como hematomas y vasos sanguíneos reventados en todo el cuerpo. Por esta razón, King recibió instrucciones de observar la piel de su hija y registrar cualquier cambio significativo. También registró sus propios sentimientos en términos de esperanza, estrés y miedo, creando datos subjetivos para complementar los números duros que recibió de los análisis de sangre que su hija tuvo que soportar.

Cuando Lupi, que conocía a King de colaboraciones anteriores, se dispuso a diseñar su visualización, su objetivo era "provocar empatía" y ayudar a su audiencia a "sentirse parte de la historia de la vida de un ser humano".62 En oposición al Atlas of Caregiving [Atlas del cuidado] , que se basa en técnicas de visualización estándar como líneas de tiempo radiales y diagramas de estilo Gantt para legitimar el trabajo de cuidado, Lupi buscó estrategias alternativas de visualización para enfatizar la particularidad y especificidad de la situación de una única familia. Ella empleó una línea de tiempo fluida para reflejar la naturaleza subjetiva de lo que las personas que realizan estudios de la discapacidad llaman tiempo de inactividad (crip time). Con este término, como lo explica Ellen Samuels, “a veces solo queremos decir que llegamos tarde todo el tiempo, tal vez porque necesitamos dormir más que las personas sin discapacidades, tal vez porque la puerta accesible de la estación de tren estaba cerrada”.63 Pero también puede significar algo más profundo, como lo describe Alison Kafer: “En lugar de doblar cuerpos y mentes con discapacidades para cumplir con el reloj, el tiempo de inactividad dobla el reloj para cumplir con los cuerpos y mentes con discapacidad”.64

Una visualización de datos que pretende representar el coste emocional de los cuidados.
La visualización es un póster gráfico de pétalos de flores blancas, cada uno con detalles
ligeramente diferentes: Algunas tienen pequeñas manchas rosas, otras tienen puntos
rojos más oscuros; algunas tienen un sombreado amarillo y otras tienen líneas rojas que
se extienden fuera de ellas. Los pétalos están agrupados de dos a diez. Los grupos están
conectados por finas líneas blancas. Junto a cada uno de los grupos de pétalos hay un
texto manuscrito en blanco, pero no es legible en esta imagen. En la figura 07.09b se
puede ver un primer plano de la imagen con más información sobre lo que representan
los detalles.
La figura es una clave para la visualización de datos de la figura 07.09a. El título dice "Explicación de la visualización de datos" y hay una pequeña leyenda debajo que dice “Cada día, Kaki observaba la piel de Cooper, registrando las petequias y los moretones en su cuerpo, así como muchos otros detalles de sus vidas y días que se explican a
continuación:” Debajo hay 8 dibujos más pequeños que son las subcategorías de la visualización de datos original. Los primeros 7 dibujos son todos pétalos de flores blancas, cada uno con una característica diferente. La primera flor tiene puntos rosas dispersos cerca del borde y flotando fuera de la flor. El pie de foto dice: "Las petequias
(hemorragias) observadas son la cantidad de pequeños puntos rosados en cada pétalo, cuanto más densa es la zona, más presentes estaban las manchas en la piel de Cooper". La segunda flor está manchada de colores pastel y el pie de foto dice: "La intensidad de los moretones está representada por las manchas púrpura/amarillas: cuanto más grandes
e intensas y más coloridas, más amplios y duros son los moretones". La tercera flor tiene rayas nítidas de color gris y el pie de foto dice: "Las formas grises a la derecha del día indican los días en que Cooper tomaba medicamentos (esteroides)". La cuarta flor tiene vetas afiladas de color verde o rosa y el pie de foto dice: "Las marcas de lápiz de
colores en la parte inferior del pétalo son incidentes que la niña tuvo (se cayó en el parque, le picó un mosquito...) y que provocaron el empeoramiento de su piel". La quinta flor tiene un punto negro y el pie de foto dice "Los puntos negros indican los días en que Kaki estuvo de gira fuera de casa". La sexta flor tiene un círculo amarillo
manchado y el pie de foto dice "Las marcas con pinceles amarillos representan momentos positivos como fiestas de cumpleaños, o una tarde divertida en el parque". La séptima flor tiene líneas moradas y naranjas que se extienden desde el borde de la flor y la leyenda dice: "Las líneas moradas que enmarcan el día son la intensidad de los
miedos de Kaki (del 1 al 10). Las líneas naranjas son sus esperanzas (del 1 al 10)". El dibujo final son sólo palabras y frases en formato de texto ondulado y el pie de foto dice: "Alrededor están las notas y comentarios anotados por Kaki para cada día, con las palabras más relevantes resaltadas".

Figura 7.9: De Bruises—the Data We Don’t See [Hematomas: los datos que no vemos], (2018) y la leyenda que ayuda a decodificar la visualización de los datos. Imagen cortesía de Giorgia Lupi y Kaki King.

En la descripción de Lupi de cómo el reloj se encuentra con el cuerpo de la hija de King y la propia mente de King, los días se convierten en hojas blancas con forma de álamo, segmentadas no por semanas o años, sino por visitas al hospital. Se emplearon puntos rojos para indicar los recuentos de plaquetas, con colores desplegados miméticamente para transmitir la intensidad de los hematomas, así como la visualidad de los datos registrados por King. Lupi también empleó el color para representar el registro de King sobre sus sentimientos, con el negro correspondiente al estrés y el miedo, y el amarillo para representar la esperanza. El miedo y la esperanza de King también se visualizaron mediante líneas dibujadas a mano que reflejaban cada uno en una escala del uno al diez. El resultado se presenta como una animación que se desarrolla a lo largo del tiempo y de la música, otorgando una composición visual y auditivamente impactante del trabajo afectivo de la maternidad y el cuidado.

Por supuesto, ni Lupi ni King, ni el equipo del proyecto Atlas of Caregiving [Atlas del cuidado] son los primeros en querer identificar y visibilizar el trabajo del cuidado. Ya en 1969, poco después de ser madre por primera vez, la artista Mierle Laderman Ukeles escribió el Manifesto for Maintenance Art [Manifiesto por el Arte de Mantenimiento], que llamaba al mundo del arte a elevar el cuidado y mantenimiento de la vida humana a la categoría de arte, por encima del genio (masculino) de la creatividad solitaria.65 En los años siguientes, el trabajo de cuidado se convertiría en un tema de interés importante para las académicas feministas, especialmente después de mediados de 1990, cuando Nancy Folbre formalizó el término. El modelo principal del trabajo de cuidado de Folbre era el trabajo cotidiano de cuidar a las infancias, aunque el trabajo de cuidado, como las tareas domésticas, no se realizan necesariamente de forma gratuita. También puede incluir el trabajo mal pago realizado por personas trabajadoras de guarderías o auxiliares de salud en el hogar, así como el trabajo asalariado de personas médicas, enfermeras, fisioterapeutas, profesionales de la salud mental, y demás. Lo que une estas formas de trabajo a través de líneas económicas es su motivación. Según la teoría de Folbre, el trabajo de cuidado se lleva a cabo por un sentido de compasión o responsabilidad por el resto, más que con el objetivo de obtener ganancias monetarias. Pero cuando se trata del mercado, el altruismo es un arma de doble filo. A estas mismas trabajadoras profesionales de cuidado, que son predominantemente mujeres e identidades racializadas, a menudo se les paga menos de lo que recibirían en otros campos.66 ¿Por qué? Porque cuidan y les importa (NdT: “because they care” dice en la versión original. En inglés ‘to care’ tiene doble acepción: cuidar -como verbo- y tener interés o preocupación -como sustantivo-) .

Entonces, ¿cómo “mostramos el trabajo” de las trabajadoras de cuidado? ¿Cómo nos aseguramos de que este trabajo sea suficientemente reconocido y valorado? Y, ¿podemos hacer algo más para desafiar la causa raíz de este trabajo subvalorado? En la academia, grupos como Mantainers (Mantenedores) han buscado aprender de las teorías del cuidado desarrolladas por académicas feministas de estudios laborales como Folbre en su intento de visibilizar y valorar el trabajo del trabajo de datos.67 A través de talleres, conferencias y publicaciones, este grupo busca contrarrestar la tendencia actual en los campos de la tecnología de celebrar únicamente la innovación y el descubrimiento. Insisten en que también hay que celebrar el trabajo que mantiene y sostiene el mundo en el que vivimos hoy. Entre sus áreas de investigación actuales se encuentran las personas a las que llaman InfoMantainers (InfoMantenedores): las personas que trabajan en bibliotecas y archivos, y en campos de conservación relacionados para garantizar que el conocimiento del presente permanezca accesible para las futuras generaciones. Debido a que el trabajo de las personas bibliotecarias, archivistas y curadoras se enfoca en facilitar el acceso al conocimiento futuro, ellos argumentan, también puede verse como una forma de trabajo de cuidado.

En muchos campos técnicos, se presta cada vez más atención al trabajo de cuidado y a otras formas de trabajo invisible, ahora que tanto trabajo es virtual en lugar de físico, así como a cuestiones de precariedad laboral ahora que los trabajos de oficina (white collar) han comenzado a ofrecerse también a personas autónomas. En este contexto, es importante recordar que las trabajadoras profesionales del cuidado han lidiado durante mucho tiempo con los problemas del trabajo precario y mal remunerado, y durante el mismo tiempo, han estado involucradas en esfuerzos para resistir y organizarse contra las desigualdades que han enfrentado. Hoy en día, estos esfuerzos se ven reforzados por los datos y la tecnología, ya que los sindicatos y otros grupos de defensa están utilizando nuevas plataformas y flujos de datos para su trabajo. Pero también están siendo obstruidos, ya que abundan cada vez más las aplicaciones estilo Uber para conectar a las personas que cuidan y las personas que emplean. Estas aplicaciones no hacen nada para resolver los problemas sistémicos que enfrentan las personas que brindan cuidados. Un estudio de 2016 sobre aplicaciones para trabajadores domésticos a pedido realizado por el Overseas Development Institute (ODI) del Reino Unido informa que, debido a que trasladan el riesgo a las personas trabajadoras, estas plataformas pueden potencialmente reforzar la discriminación y “un mayor afianzamiento de las relaciones de poder desiguales dentro del sector del trabajo doméstico tradicional”.68

Como correctivo, podríamos mirar prototipos emergentes que se enfoquen en las necesidades de los, las y les trabajadores, aquellos que son desarrollados por y ellos/as/es mismos. En Estados Unidos, por ejemplo, la Alianza Nacional de Trabajadoras del Hogar (NDWA, por sus siglas en inglés) ha desarrollado una aplicación, Alia, para servir como una plataforma portátil de beneficios.69 Ésta permite a las personas clientes contribuir con una pequeña cantidad a la cuenta de beneficios de la persona trabajadora cada vez que ésta les proporciona un servicio. Luego, quienes trabajan pueden agrupar las contribuciones de varios clientes para comprar beneficios a pedido, como tiempo libre pago y distintas formas de seguro. Por supuesto, se mantienen las advertencias: ¿no debería el gobierno exigir que todas las personas trabajadoras reciban tiempo libre remunerado como una cuestión de rutina? ¿No deberíamos estar abogando por un sistema de salud de pagador único? Sí y sí. Pero mientras la NDWA continúa presionando por un cambio sistémico, su aplicación ofrece una forma de brindar beneficios esenciales a las trabajadoras domésticas ahora. Es una estrategia de reducción de daños, que puede llevarse a cabo al mismo tiempo que se aboga por un cambio más transformador. Pensando nuevamente en la aplicación de Kimberly Seals Allers, Irth, discutida en el capítulo 1, también podríamos comenzar a imaginar cómo su uso exitoso contribuiría a un conjunto de datos que podría usarse para respaldar futuros esfuerzos de promoción de derechos.

Muestra tu trabajo

El trabajo de datos es parte de una ecología más amplia del conocimiento, que debe ser sostenible y socialmente justa. Al igual que las rutas de los barcos visualizadas en el Mapa de Barcos, o el código fuente almacenado en GitHub, o el ensamblaje global de personas y materiales que forman un dispositivo Amazon Echo, la red de personas que contribuyen a los proyectos de datos es amplia y compleja. Mostrar este trabajo es un componente esencial del feminismo de datos, y es la razón por la cual “muestra tu trabajo” es el séptimo y último principio de este libro. Un énfasis en el trabajo abre la puerta al área interdisciplinaria de los estudios de producción de datos: tomar una visualización, modelo o producto de datos y rastrearlo hasta sus condiciones y contextos materiales, así como hasta la calidad y el carácter del trabajo, y las personas requeridas para hacerlo. Este tipo de excavación cuidadosa puede llevarse a cabo en contextos académicos, periodísticos o generales, en todos los casos ayudando a visibilizar más claramente, y por lo tanto a valorar, el trabajo sobre el que descansa la ciencia de datos.

También podemos observar los datos en sí mismos para honrar la diversidad de formas de trabajo invisible involucradas en la ciencia de datos. ¿A quién se otorga crédito en cada proyecto? ¿El trabajo de quién ha sido “descartado”? Si bien una estrategia es mostrar el trabajo detrás de la elaboración de productos de datos, otra estrategia para honrar el trabajo de todas las formas es usar la ciencia de datos para mostrar el trabajo de las personas (en su mayoría mujeres) que trabajan en otros sectores de la economía, aquellos que involucran trabajo emocional, mano de obra, trabajo doméstico y de cuidados. Vemos esto en acción en el Atlas of Caregiving [Atlas del cuidado] , que se enfoca en legitimar el trabajo de cuidados, y la aplicación Alia70, que brinda mayor seguridad financiera a las trabajadoras del hogar. Diseñar en solidaridad con ellas puede comenzar a desafiar las desigualdades estructurales que relegan su trabajo a los márgenes en primer lugar.

Este punto nos lleva de vuelta a las ideas sobre el poder que dieron comienzo a este libro. Los desequilibrios de poder están en todas partes en la ciencia de datos: en nuestros conjuntos de datos, en nuestros productos de datos y en los entornos que permiten nuestro trabajo de datos. Mostrar el trabajo es crucial para garantizar que el trabajo subvalorado e invisible reciba el crédito que merece, así como para comprender el verdadero costo y las consecuencias para el planeta del trabajo de datos.

Comments
0
comment
No comments here
Why not start the discussion?