Skip to main content
SearchLoginLogin or Signup

۵. تک‌شاخ‌ها، سرایدارها، نینجاها، جادوگران، و ستاره‌های راک

ترجمه توسط امیرحسین پی‌براه

Published onMar 07, 2024
۵. تک‌شاخ‌ها، سرایدارها، نینجاها، جادوگران، و ستاره‌های راک
·

اصل: استقبال از کثرت‌گرایی

فمینیسم داده بر این نکته تاکید می‌کند که کامل‌ترین دانش‌ها از ترکیب دیدگاه‌های گوناگون و با اولویت به دانش‌های محلی، بومی، و تجربی حاصل می‌شود.

در بهار سال ۲۰۱۷، «بلومبرگ‌نیوز» مقاله‌ای با عنوانی تحریک‌آمیز منتشر کرد: «ثروتمندان آمریکا ثروتمندتر می‌شوند و فقرا با ربات‌ها جایگزین می‌شوند»1. نویسندگان مقاله با استناد به داده‌های سرشماری نشان دادند که نابرابری درآمد در سراسر کشور در حال گسترش است. سانفرانسیسکو با شکاف درآمدی تقریبا نیم‌میلیون دلاری بین ۲۰ درصد ثروتمندترین و فقیرترین ساکنانینش در صدر قرار داشت. همانند هر جای دیگر، شکاف ثروت دارای ابعاد نژادی و جنسیتی است. در Bay Area، رنگین‌پوستان به ازای هر دلاری از درآمد سفیدان، ۶۸ سنت دریافتی دارند و ۵۹ درصد از مادران مجرد در فقر زندگی می‌کنند2. سانفرانسیسکو همچنین دارای کمترین نسبت کودکان به بزرگسالان در هر شهر بزرگ ایالات‌متحده است و از سال ۲۰۰۳ میزان حکم تخلیه‌ها (اخراج‌ از منازل) رو به افزایش است.

اگرچه شورای اجاره‌های شهری سانفرانسیسکو داده‌های مربوط به این تخلیه‌ها را جمع‌آوری کرده، اما این مساله را پیگیری نکرده که این افراد پس از تخلیه کجا می‌روند، چه تعداد از این افراد در نهایت بی‌خانمان می‌شوند، یا کدام صاحب‌خانه‌ها مسئول تخلیه بخش بزرگی از بلوک‌های شهر هستند. در سال ۲۰۱۳، «پروژه نقشه‌برداری ضدتخلیه»3 (AEMP) فعالیت خود را در این زمینه آغاز کرد. این گروه، همان‌طور که خود توصیف می‌کند از «کنش‌گران عدالت مسکن، پژوهش‌گران، خوره‌های داده، هنرمندان، و تاریخ‌نگاران شفاهی» تشکیل شده است. این یک گروه چندنژادی است که رهبری آن را به‌طور قابل‌توجهی، البته نه به‌شکل انحصاری، زنان برعهده دارند. AEMP از محل تخلیه‌ها نقشه‌برداری می‌کند و این کار را با یک فرآیند مشارکتی، چندوجهی و - بله - تا حدی آشفته انجام می‌دهد.

اگر سری به سایت antievictionmap.com بزنید، در آن هیچ نقشه‌ای نخواهید دید. از صفحه اصلی سایت به ۷۸ نقشه جداگانه پیوند وجود دارد: نقشه‌های ساکنان آواره‌شده، اخراج‌شده‌ها، اتوبوس‌های شرکت‌های فناوری، صاحبان املاک، مهاجران فیلیپینی، کاهش تعداد ساکنان سیاه در شهر، و موارد دیگر. روش خاص AEMP پایبند به رویکردهای فمینیستی، ضدتبعیص‌نژادی، و ضداستعماری است4. بیشتر پروژه‌ها با همکاری سازمان‌های غیرانتفاعی و اجتماع‌محور انجام شده‌اند، و پروژه‌های دیگر از درون این مجموعه سرچشمه گرفته‌اند. برای مثال، این گروه در حال کار روی تولید اطلسی از Bay Area است به نام «نقطه مقابل: داده‌ها و داستان‌های Bay Area برای مقاومت در برابر جابجایی»5 که موضوعاتی مانند مهاجرت و جابجایی، نوسازی شهری، سلسله دلایلی که منتهی به زندانی شدن افراد می‌شود، روایت تاریخ بومیان و تاریخ استعماری منطقه، و حدس‌وگمان در مورد آینده را دربر می‌گیرد6.

یکی از طولانی‌مدت‌ترین همکاری‌های AEMP با «همکاری دفاع در برابر تخلیه»7 (EDC) بوده، که یک سازمان غیرانتفاعی است که برای افرادی که از منزل اخراج شده‌اند وکالت دادگاه فراهم می‌کند. اگرچه شهر اطلاعاتی در مورد نژاد یا درآمد اخراج‌شدگان جمع‌آوری نمی‌کند، EDC این اطلاعات جمعیت‌شناختی را جمع‌آوری و با ۹۰ درصد مستاجرینی که پرونده‌های حکم تخلیه آن‌ها به دادگاه‌های سانفرانسیسکو می‌رسد، همکاری می‌کند8. در سال ۲۰۱۴، EDC برای تهیه گزارش سالانه خود به AEMP مراجعه کرد و در مقابل، به آن‌ها پیشنهاد به‌اشتراک‌گذاشتن داده‌های جمعیت‌شناختی خود را داد9. از آن زمان، این دو گروه روی گزارش‌های سالانه EDC و همچنین تحلیل‌ حکم تخلیه‌ها با تمرکز بر نژاد همکاری می‌کنند. AEMP همچنین به تهیه گزارش‌هایی همراه با سازمان‌های حقوق مستاجران، جدول‌های زمانی نوسازی شهری با دانشجویان بومی، تهیه تاریخ شفاهی با کمک‌های مالی از بخش‌های مردم‌شناسی، و نقاشی‌های دیواری همراه با سازمان‌های هنری، و همچنین تهیه انواع نقشه‌‌ها پرداخته است.

بعضی از نقشه‌های AEMP با استفاده از قابلیت‌های تصویرسازی داده‌ به شکلی طراحی شده‌اند که الگوها را با یک نگاه قابل مشاهده می‌کنند. برای مثال، «نقشه حذف ایستگاه‌های اتوبوس‌های فناوری» که در سال ۲۰۱۴ تهیه شد، مکان‌های سه سال حکم تخلیه‌ها را بر اساس «قانون اِلیس»10 ترسیم کرده است11. این نوعی از حکم تخلیه «بی‌تقصیر»12 است که در آن مالکان می‌توانند ادعا کنند که قصد دارند از بازار کسب‌وکار اجاره خارج شوند. در خیلی از موارد، آن‌ها این کار را می‌کنند تا بتوانند ساختمان‌ها را به واحد‌های مجزا تبدیل کنند و هر کدام را با سود قابل‌توجهی بفروشند. سانفرانسیسکو از سال ۱۹۹۴ تقریبا شاهد پنج‌هزار مورد استفاده از قانون الیس بوده است. در نقشه (شکل ۵.۱)، AEMP محل حکم تخلیه‌های مبتنی بر قانون الیس در ارتباط با محل ایستگاه‌های اتوبوس‌های فناوری نشان داده است. از آغاز دهه ۲۰۰۰، شرکت‌های فناوری با پردیس‌هایی در سیلیکون‌ولی شروع به ارائه اتوبوس‌های مجلل خصوصی به‌عنوان امتیازی برای جذب کارمندانی کردند که می‌خواستند در مرکز شهر سانفرانسیسکو زندگی کنند اما نمی‌خواستند درگیر دردسرهای رفت‌وآمد شوند. از آنجا که گوگل شناخته‌شده‌ترین شرکتی بود که این کار را انجام می‌داد، مردم این اتوبوس‌ها را به نام «اتوبوس‌های گوگل» می‌شناختند. این اتوبوس‌ها که برای راحتی جابجایی کارکنان به دفاتر کاری‌شان (و دور کردن آن‌ها از سیستم حمل‌ونقل عمومی که مانع بهره‌بردن از امتیاز ویژه این سرویس‌ها می‌شد) به کار گرفته شده بودند، از ایستگاه‌های اتوبوس عمومی استفاده می‌کردند - که در ابتدا این کار غیرقانونی بود13. از آن‌جا که کارکنان تازه‌وارد و متمول دنبال واحدهای مسکونی نزدیک به ایستگاه‌های اتوبوس بودند، ارزش این املاک افزایش یافت - و به همین ترتیب میزان اخراج ساکنان قدیمی محله زیاد شد. تحلیل AEMP نشان داد که بین سال‌های ۲۰۱۱ و ۲۰۱۳، ۶۹درصد از حکم‌های تخلیه بی‌تقصیر در فاصله چهار بلوکی از ایستگاه‌های اتوبوس فناوری رخ داده است. نقشه، این یافته را به وضوح نشان می‌دهد.

شکل ۵.۱

«نقشه تخلیه ایستگاه اتوبوس‌های فناوری»، که توسط پروژه نقشه‌برداری ضدتخلیه انجام شده است (۲۰۱۴)، محل حکم‌های تخلیه را با محل «ایستگاه‌های اتوبوس گوگل» در سانفرانسیسکو نشان می‌دهد. تحلیل این گروه نشان می‌دهد که ۶۹درصد از حکم‌های تخلیه‌ بی‌تقصیر شهر در فاصله چهار بلوکی از ایستگاه‌های اتوبوس فناوری رخ داده است. با تشکر از پروژه نقشه‌برداری ضدتخلیه.

اما سایر نقشه‌های AEMP تعمدا طوری طراحی شده‌اند که ارتباط واضحی را بین تخلیه‌ها و مکان‌ها نشان نمی‌دهد. در «روایت‌های جابه‌جایی و مقاومت»14 (شکل ۵.۲الف)، پنج‌هزار تخلیه با حباب‌های قرمز و به اندازه‌هایی متفاوت نشان داده شده‌اند و به همین دلیل، نقشه شهر سانفرانسیسکو به سختی دیده می‌شود15. روی این دریای سرخ، حباب‌های آبی، مکان‌هایی را نشان می‌دهند که AEMP با ساکنان اخراج‌شده، و همچنین کنش‌گران، تولیدکنندگان محتوا، و تاریخ‌نگاران محلی مصاحبه کرده است. با کلیک روی هر کدام از حباب‌های آبی یکی از ده‌ها تاریخ شفاهی باز می‌شود - برای مثال، داستان فیلیس بووی16 (شکل ۵.۲ب)، فردی که از آپارتمان یک‌خوابه‌اش اخراج شد. او این‌طور آغاز می‌کند: «من با افتخار در سانفرانسیسکو به دنیا آمدم و بزرگ شدم». او سپس یادآور می‌شود که چگونه از نیروی هوایی بازگشت و دو سال شبانه‌روز روی کسب‌وکار کوچک خود کار کرد و درآمد خوبی به دست آورد و به کمک آن آپارتمانی را در میدتاون17، محله تاریخی سیاهان که او در آن‌جا بزرگ شده بود، اجاره کرد. با این‌حال، در سال ۲۰۱۵، مدیریت شهری اجاره‌نامه سراسری را ملغی کرد و کنترل اجاره ساختمان او را گرفت. اکنون مستاجرانی مانند بووی که با وعده مالکیت خانه به آن‌جا نقل‌مکان کرده بودند، با اجاره‌بهای سرسام‌آوری روبرو شدند که هیچ یک از آن‌ها توان پرداخت آن را نداشتند. بووی رهبری اعتصابات اجاره و سازماندهی مستاجران ساختمان را بر عهده گرفت، اما آینده آن‌ها نامشخص است.

این عدم قطعیت در طراحی نقشه نیز منعکس شده است، که از پدیده‌ای به نام «مسدودسازی»18 استفاده می‌کند که اغلب در تصویرسازی داده‌ها توصیه نمی‌شود، تا پیام خود را به‌خوبی منتقل کند. مسدودسازی معمولا به «مشکلی» اشاره می‌کند که برخی نشانه‌های تصویر (مانند نقاط تخلیه) ویژگی‌های مهم دیگری (مانند کل جغرافیای شهر) را پوشانده باشند. اما نکته‌ای که در این‌جا بر آن تاکید شده این است که وقتی‌که کل شهر با حباب‌های قرمز بزرگ و نقاط آبی زیادی پوشیده شده است، الگوهای بسیار کمی قابل‌تشخیص هستند. به عبارتی، کل شهر یک الگو است و این الگو، خودِ مشکل است، مشکلی بسیار بزرگ‌تر از یک مشکل طراحی اطلاعات.

به این ترتیب، «نقشه روایت‌ها»، به همان شکلی که از سیاست‌های شهری سان‌فرانسیسکو انتقاد می‌کند، از قواعد طراحی اطلاعات نیز سرپیچی می‌کند. این نقشه وضوح و نظم مرتبط با بهترین شیوه‌های تصویرسازی داده‌ها را رد می‌کند، و همچنین یکنواختی و «پاکیزگی» ناشی از نیروهای نوسازی شهری که در نهایت منجر به تخلیه‌ها می‌شوند را نیز به چالش می‌کشد19. نکته بصریِ نقشه، ساده و آموزنده است: حکم‌های تخلیه بسیار زیاد هستند. و داستان‌های تخلیه بسیار زیاد هستند. این نقشه به‌طور موثر چگونگی ارتباط داده‌های تخلیه‌ها را با ایستگاه‌های حمل‌ونقل سریع20 Bay Area، درآمد، ایستگاه‌های اتوبوس گوگل، یا هر بعد بالقوه دیگری از داده‌ها، نشان نمی‌دهد. با توجه به تعداد زیاد نقشه‌ها و تصاویر در وب‌سایت AEMP، یافتن نقشه روایت‌ها همچنان دشوار است. یک «داشبورد اصلی» وجود ندارد که تمام اطلاعات جمع‌آوری‌شده توسط AEMP را در یک رابط واحد در دسترس قرار دهد21. اما همه این انتخاب‌های طراحی، هدف اصلی AEMP را تقویت می‌کند: مستندسازی اثرات جابجایی و مقاومت در برابر آن از طریق ابزارهای انتقادی و خلاقانه.

شکل ۵.۲

روایت‌های جابه‌جایی و مقاومت (۲۰۱۸) توسط پروژه نقشه‌برداری ضدتخلیه (الف)، شامل نمایی از داستان فیلیس بووی (ب). با تشکر از پروژه نقشه‌برداری ضدتخلیه. ساخته‌شده با همکاری مدرسه هنر روت آساوا سانفرانسیسکو. این مصاحبه توسط ماریان ماکلبرگ و براندون جوردان فیلمبرداری شده است و توسط دانشجویان شیلو آرکینسون و آویدان نووگرودسکی-گودت ویرایش گردیده و توسط الکساندرا لیسی و جین ژو میسر شده است.

بدین‌ترتیب، AEMP مجموعه‌ای غنی از نمونه‌های ضدداده‌ فمینیستی و شیوه‌های تصویرسازی متقابل ارائه کرده است. این نقشه‌ها، هم به‌صورت جداگانه و هم در کنار یکدیگر، نشان می‌دهند که چگونه کتی لوید توماس22، یکی از اعضای بنیان‌گذار گروه فمینیستی هنر و معماری Taking Place، مفهوم «جزئی‌گرایی و اعتراض» را در طراحی گرافیکی به تصویر می‌کشد. او می‌گوید: «[طراحی/گرافیک] به‌جای روایت یک داستان «حقیقی» از توافق، ممکن است چندین نسخه حتی متناقض از واقعیت را یادآور شود و به آن‌ها اذعان کند»23. «نقشه روایت‌ها» سطح تصویر خود را با این واقعیت‌های متناقض پر کرده است. این نشان می‌دهد که پشت هر تخلیه یک انسان وجود دارد - شخصی مانند بووی، با صدایی منحصربه فرد و داستانی منحصربه فرد. صداهایی که می‌شنویم متنوع، چندگانه، خاص، و متفاوت هستند و تعمدا این‌گونه هستند.

با انجام این کار، «نقشه روایت‌ها»، و AEMP به‌طور کلی، نمونه‌ای از اصل چهارم فمینیسم داده و مضمون این فصل را نشان می‌دهند: از «استقبال از کثرت‌گرایی». پذیرش کثرت‌گرایی در علم داده به معنای ارزش‌دادن به بسیاری از دیدگاه‌ها و صداها و انجام این کار در تمام مراحل فرآیند است - از جمع‌آوری داده گرفته، تا تمیز کردن، تا تحلیل، و تا ارتباطات. همچنین به این معناست که باید به روش‌های کار علم داده توجه کرد، چرا که ممکن است ناخواسته و برای رسیدن به وضوح، تمیزی، و کنترل، این صداها را سرکوب کنند. بسیاری از ایده‌هایی پذیرفته‌شده درباره علم داده در تضاد با فرآیندهای معناسازیِ کثرت‌گرایی هستند، و یکی از اهداف فمینیسم داده تغییر این وضعیت است.

افراد غریبه در مجموعه‌داده

در علم داده، باوری در مورد تمیزکردن داده‌ها وجود دارد. هدلی ویکهام24 در اولین جمله چکیده مقاله‌اش، «داده‌های تمیز»25 در سال ۲۰۱۴، که بسیار به آن ارجاع شده است می‌نویسد: «اغلب گفته می‌شود که ۸۰٪ از عمل تحلیل داده‌ها صرف تمیزکردن و آماده‌سازی داده‌ها می‌شود»26. ویکهام همچنین توسعه‌دهنده بسته «tidyr» در R است که یک زبان برنامه‌نویسی محبوب و پلتفرم محاسبات آماری می‌باشد («بسته‌های» R مجموعه‌هایی از توابع و کدهای متنوع هستند که از پیش پیاده‌سازی شده‌اند و می‌توانند در هر پروژه‌ای نصب و استفاده شوند). بسته ویکهام حسی که در مقاله او بیان شده است را به اشتراک می‌گذارد: این که داده‌ها ذاتا تمیز نیستند و باید تمیز و مرتب شوند.

ویکهام در این باور تنها نیست. از زمان انتشار بسته tidyr، ویکهام سراغ ایجاد بسته «tidyverse» رفت که مجموعه‌ بزرگی از بسته‌ها را فراهم می‌کند که برای تعریف رسمی فرایند پردازش داده‌ها استفاده می‌شود. این مجموعه توسط تیمی که همگی در تولید آن سهیم بودند ساخته شده است. مقالات موجود در رسانه‌های عمومی و تجاری این تاکید بر تمیزکردن دادها و نیاز مبرم به آن را تایید می‌کنند. در «هاروارد بیزینس ریویو»27، کار دانشمند داده از منظر نظم‌بخشی به داده‌ها ستایش شده است: «در دنیای دیجیتال، آن‌ها می‌توانند به داده‌های عظیمِ بدون‌ساختار شکل دهند و تحلیل آن‌ها را ممکن سازند»28. در این‌جا، یک تحلیل‌گر جسور، جداول منظمی را از دل هرج‌و‌مرج داده‌های بدون ساختار بیرون می‌کشد. طبق این مقاله، این «جذاب‌ترین شغل قرن ۲۱ است»29. اما برای «نیویورک‌تایمز»، کار تحلیلگر داده جذابیت بسیار کمتری دارد. در مقاله‌ای در سال ۲۰۱۴ کار تمیزکردن داده‌ها با کار نگهداری و کم‌مزد «سرایدارها» معادل‌سازی شده است30.

چه قبول داشته باشید یا نه که دانشمندان داده جذاب هستند (که هستند)، و چه قبول داشته باشید یا نه که سرایداران از این اشاره طبقاتی باید ناراحت شوند (همه ما باید ناراحت شویم)، برخی فرضیات و اضطراب‌ها درباره نیاز به تمیزی، پاکی، نظم، و ویژگی‌های افرادی که باید این کار را انجام دهند، در این توصیفات مختلف همچنان ثابت و یکسان مانده است. دانشمندان داده باید بتوانند هرج‌ومرج ناشی از انباشت بیش از حد اطلاعات را مهار کنند. آن‌ها باید داده‌های کثیف را «پاک‌» و «تمیز» کنند. و آن‌ها باید کارهایی سنجیده - خواه فوق‌العاده یا عادی - انجام دهند تا داده‌ها را در جای مناسب خود قرار دهند.

اما در فرآیند کنترل و نظم‌دادن به داده‌ها چه چیزهایی ممکن است از بین برود؟ دیدگاه‌های چه کسانی ممکن است در این فرآیند از بین برود؟ و برعکس، دیدگاه‌های چه کسانی ممکن است بر آن تحمیل شود؟ ایده‌های مطرح‌شده توسط ویکهام و رسانه‌ها این فرض را در خود دارند که دانشمندان داده، در همه زمینه‌ها، تمیزکردن و کنترل داده را بر آشفتگی و پیچیدگی ترجیح می‌دهند. اما همان‌طور که مثال AEMP نشان داد، این‌ها الزامات و اهداف همه پروژه‌های داده نیستند.

پیش از ادامه، مهم است که اذعان کنیم ایده‌های مربوط به تمیزکردن و کنترل داده رگه‌های نگران‌کننده‌ای از جنبشی از دوران‌های گذشته در خود دارند: اصلاح‌نژادی، منبع آزاردهنده‌ای از قرن نوزدهم که بخش زیادی از آمار مدرن از آن سرچشمه گرفته است. همان‌طور که در فصل‌های قبل از طریق کار دین اسپید31 و روری رولفز32 اشاره کردیم، بسیاری از مردانی که اغلب به‌عنوان اولین مشاهیر علم آمار از آن‌ها یاد می‌شود، مانند کارل پیرسون33، آدولف کویتلت34، فرانسیس گالتون35 و رونالد فیشر36 از رهبران جنبش اصلاح‌نژادی بودند37. بانو سوبرامانیام38 محقق مطالعات علوم پسااستعماری در کتاب خود «داستان‌های ارواح برای داروین: علم تنوع و سیاست گوناگونی»39 به تفصیل توضیح می‌دهد که در طول قرن نوزدهم و اوایل قرن بیستم، هنگامی‌که آمار، تبدیل به زبان ارتباطی مرسوم بین زیست‌شناسان و دانشمندان علوم‌اجتماعی شد، برخی از ایده‌های جنبش اصلاح‌نژادی نیز وارد این گفتگوی علمیِ فراگیر شد40. با این‌که (خوشبختانه) بسیاری از بخش‌های نفرت‌انگیز این ایده‌ها از بین رفته‌اند، اما برخی از اصول اساسی، مانند باور کلی به سودمندی کنترل و تمیزی باقی مانده است41. برای این‌که روشن شود: منظور ما این «نیست» که هر کسی که داده‌ها را تمیز می‌کند در حال تداوم اصلاح‌نژادی است42. نکته این است که ایده‌های زیربنایی این باور که داده‌ها باید همیشه تمیز و کنترل شوند، ریشه‌های تاریخی دارند. به‌عنوان دانشمندان داده، ما نمی‌توانیم این ریشه‌ها را فراموش کنیم، حتی اگر این ایده‌ها در طول زمان بهبود یافته باشند.

این تاریخ طولانی همان چیزی است که کیتی راوسون43 و ترور مونوز44، محققین علوم کتابخانه‌ و اطلاع‌رسانی، احتمالا در گفته‌های خود به آن اشاره کرده‌اند که «پارادایم تمیزکردن، فرض می‌کند که یک نظم «صحیح» زیرین وجود دارد». همانند سوبرامانیام، اما مشخصا در زمینه تمیزکردن داده‌ها، راوسون و مونوز هشدار می‌دهند که تمیزکردن داده‌ها می‌تواند همانند «ترفندی برای پنهان کردن گوناگونی» عمل کند45. در آشفتگی موجود داده‌ها، در واقع اطلاعات ارزشمندی درباره شرایطی که داده‌ها جمع‌آوری شده‌اند وجود دارد. یانی لوکیساس46، محقق مطالعات داده، با این مساله موافق است. او تایید می‌کند که به جای صحبت درباره «مجموعه‌های‌داده»، ما باید درباره «تنظیمات‌داده»47 صحبت کنیم - اصطلاح او برای توصیف همزمان فرآیندهای فنی و انسانی که بر چگونگی ثبت اطلاعات در فرآیند جمع‌آوری داده‌ها و نحوه ساختاردهی داده‌ها تاثیر می‌گذارند48.

به‌عنوان یک مثال از اهمیت تنظیمات‌داده، لوکیساس داستان حضورش در یک هکتون در کمبریج، ماساچوست را تعریف می‌کند، جایی که او مجموعه‌داده‌ای از کتابخانه دانشگاه کلمسون49، واقع در کارولینای‌جنوبی، را بررسی می‌کرد. او تصادفا به رکوردی گیج‌کننده برخورد کرد که کتابدار، محل آن را «بالاشهر» نوشته بود. البته چنین تعیینی، به محلِ جمع‌آوری داده وابسته است. برای ساکنان کارولینای‌جنوبی، «بالاشهر» یک اصطلاح شناخته‌شده است که به غربی‌ترین منطقه ایالت، جایی که کلمسون در آن قرار دارد، اشاره می‌کند. اما این کلمه برای فردی از نیویورک، جایی که «بالاشهر» به منطقه شمالی خودش اشاره دارد، همان معنی را ندارد، و به همین‌ترتیب برای شرکت‌کننده‌ای در هکتون ماساچوست که بالاشهر ندارد، معنی مشابهی ندارد. اگر این یادداشت را کسی در هکتون از جایی که نشسته بود، می‌نوشت، احتمالا حدودا ده استانی را که ساکنان کارولینای‌جنوبی آن‌ها را به‌عنوان «بالاشهر» تصور می‌کنند، در فهرست می‌آورد تا برای مخاطبان وسیع‌تری قابل فهم باشد. اما این عبارت معناهایی را دربردارد که توسط روش‌های دیگر و عمومی‌تر برای نشان‌دادن همان منطقه منتقل نمی‌شود. تنها، کسی که قبلا در کارولینای‌جنوبی بوده باشد، به این شکل به آن منطقه اشاره می‌کند. با اشاره به این شیوه استفاده از این عبارت، ما پی‌می‌بریم که داده‌ها در کارولینای‌جنوبی جمع‌آوری شده‌اند. این اطلاعات در جای دیگری در رکورد کتابخانه وجود ندارد.

به دلیل نمونه‌هایی مانند این است که فرآیند تمیز و مرتب‌کردن داده‌ها می‌تواند بسیار پیچیده باشد و در برخی مواقع می‌تواند به‌جای سازنده‌بودن، مخرب باشد. یک راه برای تصور این موضوع، تمثیل بریدن ریشه‌های یک درخت است که آن را از زمینی که از آن رشد کرده جدا می‌کند. این کاری است که به شکل برگشت‌ناپذیری داده‌ها را از زمینه محیطی آن‌ها جدا می‌کند.

ما می‌توانیم رشد ابزارهایی مانند tidyr را که به تمیز و مرتب‌کردن داده‌ها کمک می‌کنند را به دخالت دیگری از انسان در محیط مرتبط کنیم: گسترش نام‌ها و تابلوهای خیابان‌ها که منظره ایالات‌متحده را در قرن نوزدهم تغییر داد. به‌عنوان مثال، روبن رز-ردوود50، جغرافی‌دان، توضیح می‌دهد که قبل از جنگ استقلال، تعداد بسیار کمی از خیابان‌های منهتن تابلوی راهنما در تقاطع‌ها داشتند51. نام‌ خیابان‌ها عامیانه بودند و به ویژگی‌های یک نقطه اشاره می‌کردند - برای مثال، «وقتی به خانه قرمز رسیدید به سمت راست بپیچید». اما با افزایش قابلیت جابجایی مردم و اشیاء - به علت سیستم‌‌های پستی، راه‌آهن‌، یا تلگراف - نام خیابان‌ها نیاز به سامان‌دهی داشتند. روز-ردوود این فرآیند را «خواناسازی فضاهای شهری»52 می‌نامد. همانند گذشته، امروزه نیز فضاهای شهریِ خوانا ارزش اقتصادی بالایی داشتند، به‌ویژه برای شرکت‌های بزرگ تا بسته‌های مختلف را مستقیم به درب منازل تحویل دهند (آمازون، به شما اشاره می‌کنیم)53.

نکته این‌جاست که «تا زمانی که افراد غریبه در آن اطراف نباشند، به نام خیابان‌ها برای مسیریابی نیازی نیست». به همین‌ترتیب، تا زمانی که افراد غریبه در مجموعه‌داده وجود نداشته باشند، نیازی به تمیزکردن داده‌ها وجود ندارد. مجموعه‌داده کتابخانه دانشگاه کلمسون برای کتابداران کلمسون کاملا واضح بود. اما به‌محض این‌که هکرها در کمبریج به آن مجموعه‌داده دست زنند، مفهوم «بالاشهر» خیلی کمتر معنادار شد و برای تهیه، به‌عنوان مثال، نقشه‌ای از تمام سوابق کتابخانه‌ای در ایالات متحده اصلا مفید نبود. به بیان کلی‌تر، وقتی که دانشمندان داده‌ی درگیر یک پروژه، عضوی از آن اجتماع نباشند، زمانی که مکان تحلیل تغییر کند، زمانی که وسعت پروژه تغییر کند، یا زمانی که نیاز به ترکیب یک مجموعه‌داده با مجموعه‌داده‌های دیگر باشد، آن‌گاه ما در آن مجموعه‌داده افرادی غریبه خواهیم داشت.

این افراد غریبه چه کسانی هستند؟ همان‌طور که قبلا پیشنهاد کردیم، افرادی که با داده کار می‌کنند با عناوین «تک‌شاخ» (زیرا نادر هستند و مهارت‌های خاصی دارند)، «جادوگر» (زیرا می‌توانند جادو کنند)، «نینجا» (زیرا حرکات پیچیده و تخصصی انجام می‌دهند)، «ستاره‌راک» (زیرا عملکرد آن‌ها بهتر از دیگران است) و «سرایدار» (زیرا داده‌های نامرتب را تمیز می‌کنند) نامیده می‌شوند (شکل ۵.۳). اخیرا آمازون «سرایدار» را از یک آگهی شغلی حذف کرد، اما در چند مورد از این عناوین استفاده کرد: «آمازون به یک مهندس ستاره‌راک‌ نیاز دارد... شما پرشور هستید... شما بدون‌ترس موفق می‌شوید... شما یک نینجای برنامه‌نویس هستید»54.

این ستاره‌های راک و نینجاها، مانند هکرهای کمبریج، در مجموعه‌های‌داده غریبه هستند، زیرا آن‌ها اغلب یک، دو یا چند لایه از فرآیند جمع‌آوری و نگهداری داده‌هایی که با آن کار می‌کنند، فاصله دارند. این یک اثر جانبی منفی است - اثری ناخواسته به یک طرف ثالث - که هنگام کار با داده‌های باز، APIها، و انبوده داده‌های آموزشی موجود به صورت آنلاین به وجود می‌آید. این داده‌ها در نگاه اول در دسترس و آماده استفاده به نظر می‌رسند، اما آن‌چه که نشان می‌دهند همیشه به‌خوبی مستند نشده یا به‌راحتی قابل درک توسط دیگران نیست. غریبه‌بودن در مجموعه‌داده ذاتا چیز بدی نیست، اما این موضوع با خطرات قابل‌توجهی همراه است که گایاتری اسپیواک55، محقق برجسته پسااستعماری، آن را «خشونت معرفتی»56 می‌نامد - آسیبی که گروه‌های مسلط، مانند قدرت‌های استعماری، با برتری‌دادن شیوه‌های شناخت خود بر روش‌های محلی و بومی ایجاد می‌کنند57.

این مشکل با این باور تشدید می‌شود که کار با داده‌ها یک فعالیت انفرادی است. این موضوع در این واقعیت نمایان می‌شود که تک‌شاخ‌ها طبق تعریف یکتا هستند و جادوگران، نینجاها، و ستاره‌های‌راک نیز همه افرادی هستند که به تنهایی کار می‌کنند. البته این یک اشتباه است. هر ستاره‌راک‌ به یک گروه نوازنده نیاز دارد، و اگر چیزی از هری‌پاتر آموخته باشیم، این است که هر ضربه خاصِ چوب‌دستی، نتیجه سال‌ها تحصیل، آموزش، و پشتیبانی است. جادوگران، نینجاها، ستاره‌های راک‌ و سرایدارها وجه مشترک دیگری دارند: به‌صورت پیش‌فرض، آن‌ها همگی مرد هستند58. اگر به این ادعا شک دارید، یک جستجوی تصویری در گوگل انجام دهید و تعداد جادوگران و سرایداران مرد را قبل از این‌که به یک زن برسید، بشمارید. یا بررسی کنید که چرا مقالات خبری در مورد «سرایدارهای داده» آن‌ها را به‌عنوان «بانوی نظافتچی» توصیف نمی‌کنند؟ مانند کارهای سرایداری، که به‌طور نامتناسبی توسط رنگین‌پوستان طبقه کارگر انجام می‌شود، ایده نینجای داده نیز دارای مفاهیم نژادپرستانه است59. و حتی موارد بیشتری نیز وجود دارد که بین چهار عنوان اول - تک‌شاخ، جادوگر، نینجا، و ستاره‌راک‌ - مشترک است: تمرکز بر تخصص فنی بی‌نظیر فرد و توانایی آن‌ها در پیروزی در شرایطی که دیگران نمی‌توانند. بهتر بود به جای «توانایی آن‌ها» از اصطلاح «توانایی آن مردان» استفاده می‌کردیم زیرا این ایده‌های تسلطِ فردی و پیروزی بر مشکلات سخت، البته مربوط به مردان است.

شکل ۵.۳

جستجوی مدیا کلاود بین سال‌های ۲۰۱۲ و ۲۰۱۸ نشان می‌دهد که تک‌شاخ رایج‌ترین عنوان برای دانشمندان داده است و جادوگر در رتبه دوم قرار دارد. کمتر از پنجاه مقاله درباره نینجاهای داده، ستاره‌های راک و سرایدارها وجود دارد، اما آن‌ها در رسانه‌های مهمی مانند واشنگتن‌پست و فوربس (Forbes) آمده‌اند. پلتفرم مدیا کلاود در www.mediacloud.org در مرکز MIT برای رسانه‌های مدنی تولید شده و روزانه حدود یک میلیون مقاله و پست وبلاگ را بایگانی می‌کند. گرافیک اثر کاترین دیگنازیو و داده‌ها از www.mediacloud.org.

در دنیای داده‌های مربوط به تخلیه خانه‌ها یک «نابغه» وجود دارد و آن شخص، متیو دزموند60 است که این عنوان را برای فعالیتش در زمینه فقر و تخلیه در ایالات‌متحده توسط بنیاد مک‌آرتور61 دریافت کرده است. او استاد و مدیر «آزمایشگاه تخلیه»62 در دانشگاه پرینستون است که چندین سال است روی ساخت یک پایگاه‌داده ملی از تخلیه‌ها و در دسترس عموم قراردادن آن کار می‌کند. اگرچه دولت فدرال داده‌های ملی در مورد سلب‌مالکیت را جمع‌آوری می‌کند، اما هیچ پایگاه‌داده ملی در مورد تخلیه‌ها وجود ندارد، چیزی‌که برای بسیاری از جوامع با اوضاع مسکن بحرانی به شدت مورد نیاز است.

در شروع کار، آزمایشگاه تخلیه به سازمان‌های اجتماعی مانند AEMP مراجعه کرد تا از داده‌های آن‌ها استفاده کند. برای این کار AEMP نیاز داشت تا در مورد حفاظت از حریم‌خصوصی و چگونگی حفظ اطلاعات از افتادن داده‌ها به دست مالکان بیشتر بداند. آزمایشگاه تخلیه به جای ادامه گفتگو با AEMP، سراغ یک کارگزار داده معاملات املاک رفت و داده‌هایی با کیفیت پایین‌تر خرید. اما در مقاله‌ای که توسط افراد مرتبط با AEMP و سایر سازمان‌های عدالت مسکن نوشته شد، نویسندگان بیان کردند که: «AEMP و Tenants Together متوجه شدند که میزان تخلیه‌ها در کالیفرنیا سه برابر چیزی است که آزمایشگاه تخلیه دزموند نشان می‌دهد»63.

همان‌طور که دزموند می‌گوید، این تصمیم به دلیل تغییر در استراتژی جمع‌آوری داده‌های آزمایشگاه بود. «ما یک آزمایشگاه تحقیقاتی هستیم، بنابراین یکی از چیزهایی که برای ما مهم است فرآیند تمیزکردن داده‌ها است. اگر می‌خواهید بدانید که آیا در شیکاگو بیشتر از بوستون مردم از منازل‌شان اخراج می‌شوند، باید مقایسه‌ای معقول و منطقی داشته باشید»64. از منظر دزموند، مقایسه مجموعه‌داده‌هایی که پیشتر تجمیع و استاندارد شده‌اند، از نظر روش‌شناختی معتبرتر هستند. و با این‌حال دزموند پذیرفته که داده‌های آزمایشگاه تخلیه، تعداد تخلیه‌ها در ایالت کالیفرنیا را کم شمرده است. پیغامی در سایت وجود دارد که آن را به صراحت بیان می‌کند. بنابراین در اینجا یک معضل اخلاقی وجود دارد: آیا باید داده‌های تمیزتر و در مقیاس بزرگ‌تر که می‌توان آن‌ها را نسبتا آسان و سریع خرید انتخاب کرد؟ یا داده‌های دقیق‌تر در مقیاس محلی که تهیه آن‌ها نیاز به تعامل و اعتماد با اجتماعات دارد؟

در این‌جا، اولویت به «سرعت» داده شد به بهای از دست‌دادن روابط قابل‌اعتماد با گروه‌های محلی، و به «پوشش گسترده ملی» به بهای از دست‌دادن دقت محلی. اگرچه آزمایشگاه تخلیه کار مهمی انجام می‌دهد، اما تصمیم‌گیری‌های پی‌درپی که سرعت و جامعیت را در اولویت قرار می‌دهند هیچ اثری جز تثبیت موقعیت فرهنگی فرد «نابغه» ندارند، و عملا کار ائتلاف‌ها، اجتماعات و جنبش‌هایی را که - نه تصادفی - اغلب عمدتا توسط زنان و رنگین‌پوستان رهبری می‌شود، کم‌اهمیت جلوه می‌دهد.

اگر ما این واقعیت را بشناسیم و برای آن ارزش قائل شویم که کار با داده دربرگیرنده صدا‌ها و تخصص‌های گوناگون است، نتیجه چه خواهد بود؟ اگر ایجاد روابط اجتماعی جدید - افزایش همبستگی گروهی و تقویت انسجام اجتماعی - به اندازه کسب داده‌ها ارزشمند بود (و از نظر مالی تامین می‌شد) چه؟ ما فکر می‌کنیم که این منجربه چند برابرشدن پروژه‌هایی مانند AEMP خواهد شد: پروژه‌هایی که با داده‌ها عملکرد قابل‌توجهی دارند و این کار را همراه با اجتماعاتی که قصد حمایت از آن‌ها را دارند انجام می‌دهند.

درباره قدرت، کثرت‌گرایی، و فرآیند

با این‌که پروژه نقشه‌برداری ضدتخلیه می‌توانست داده‌های ارزشمند خود را به یک ستاره‌راک-تک‌شاخ-نینجا-جادوگر-سرایدار نقشه‌کشی بدهد، گروه آگاهانه تصمیم گرفت تا طراحان زیادی را، از جمله بسیاری از افراد غیرمتخصص را که برای اولین بار امکان ساخت نقشه را تجربه می‌کردند، به کار گیرد. این تصمیم علاوه بر مجموعه متنوع محصولات داده‌ای که تولید کرد و منعکس‌کننده صداهای گوناگون همکاران مختلف AEMP بود، نتیجه (کاملا آگاهانه) دیگری داشت: ایجاد ظرفیت‌های فنی. آهسته و پیوسته، نقشه به نقشه، همکاری با همکاری، ساکنان محلی، مهارت‌های نقشه‌برداری و روابط خود با یکدیگر را تقویت کردند. این نتیجه اخیر نیز آگاهانه بود. یکی از اهداف اعلام‌شده AEMP «ایجاد همبستگی و مشارکت میان شرکت‌کنندگان پروژه بود تا بتوانند یکدیگر را در مبارزه علیه تخلیه‌ها یاری دهند و به‌طور جمعی با بیگانگی که تخلیه‌ها ایجاد می‌کنند، مقابله کنند»65.

این هدف، منعکس‌کننده یک اصل کلیدی تفکر فمینیستی است، تشخیص این مساله که چندصدایی، به جای یک صدای بلند یا فنی یا جادویی، تصویری کامل‌تر از موضوع مورد بحث می‌سازد. فیلسوفان فمینیستی مانند دونا هاراوی66، که در فصل ۳ معرفی کردیم، موجی از متفکران را برانگیختند که این ایده را توسعه دهند که همه دانش‌ها قطعی نیستند، به این معنی که هیچ فرد یا گروهی نمی‌تواند ادعا کند که دید عینی از کلیت حقیقت دارد67. اما پذیرش «کثرت‌گرایی»، همان‌طور که این مفهوم امروزه معمولا توصیف می‌شود، به معنای آن نیست که همه چیز نسبی است، و همچنین به معنای آن نیست که تمام ادعاهای حقیقی، دارای وزنی برابر هستند. و قطعا به این معنا نیست که فمینیست‌ها به علم اعتقاد ندارند. این به سادگی به این معناست که زمانی که افرادی دانشی تولید می‌کنند، این کار را از منظری خاص انجام می‌دهند: از مکانی مشخص و تجسم‌یافته در جهان. فراتر از آن، با ادغام دیدگاه یا موقعیت‌ها با یکدیگر، می‌توانیم به درکی غنی‌تر و قوی‌تر از جهان برسیم68.

خب، ما چگونه می‌توانیم در مسیر رسیدن به درکی عمیق‌تر در علم داده شروع به حرکت کنیم؟ اولین قدم برای ارزش‌دادن به دیدگاه‌های چندگانه، اعتراف به ناقص و جزئی‌بودن دیدگاه خود است. این به معنای افشای روش‌های استفاده‌شده در پروژه‌های خود، در تصمیم‌گیری‌های خود، و افشای موقعیت‌های خود است - مخصوصا در پروژه‌هایی که در تلاش هستند تا بی‌عدالتی‌ها را رفع کنند. به این مساله، «بازتابندگی»69 گفته می‌شود، و ما در مقدمه این کتاب این کار را انجام دادیم. احتمالا این عبارتِ دیوید واینبرگر70 را شنیده‌اید که می‌گوید «شفافیت، شکل جدیدی از عینیت است»71. ما این عبارت را این‌گونه معنا می‌کنیم که به‌جای انجام پروژه‌هایی که ادعای صداقت دارند (اما همان‌طور که بحث کردیم، در واقع هرگز صداقتی کامل ندارند)، راهی برای ایجاد فضای شفاف و بازتابنده در علوم داده وجود دارد. شفافیت و بازتابندگی به افراد درگیر در هر پروژه خاص این امکان را می‌دهد تا در مورد روش‌های پشت پروژه خود و همچنین هویت خود صریح باشند.

روزنامه‌نگاران مدت‌هاست که این کار را می‌کنند - حداقل در رابطه با داده‌ها و روش‌هایی که به کار می‌برند. به‌عنوان مثال، صفحه تعاملی بلومبرگ به نام «چه چیزی واقعا جهان را گرم می‌کند؟» (شکل ۵.۴) خواننده را با مجموعه‌ای از استدلال‌های رایج آشنا می‌کند که تلاش دارند گرمایش جهانی را با دلایلی غیرمرتبط با صنعت یا رفتار انسانی توضیح دهند72. این قطعه به تنهایی از نظر محتوا جذاب است، اما نکته جالب دیگر در مورد آن این است که تقریبا یک‌سوم از فضای صفحه را به توصیف داده‌ها و روش‌های خود اختصاص داده است.

فراهم کردن دسترسی به داده‌ها و توضیح روش‌های به کاررفته در روزنامه‌نگاری داده‌ها، مانند حوزه‌های علمی، تبدیل به روشی رایج شده است. اگرچه این کارها در حال‌حاضر بر جزئیات فنی متمرکز شده‌اند - مانند این‌که داده‌ها از کجا آمده‌اند، چه مدل‌های آماری ساخته شده‌اند، و چه تحلیلی انجام شده است - اما می‌توان از همین فضا برای افشای جزئیات بیشتر نیز بهره برد: چه کسانی در تیم حضور داشتند؟ نقاط تنش و اختلاف‌نظر چه بودند؟ چه زمانی نیاز بود که تیم با مدیران داده یا کارشناسان حوزه یا اجتماعات محلی صحبت کند؟ کدام فرضیه‌ها دنبال شدند که در نهایت نادرست بودن آن‌ها مشخص شد؟ پشت هر استدلال مبتنی بر شواهد، داستانی وجود دارد؛ داستانی که اغلب شامل پول و نهادها، و همچنین انسان‌ها و ابزارها می‌باشد. افشای این داستان از طریق شفافیت و بازتابندگی می‌تواند یک عمل فمینیستی باشد.

گاهی اوقات،‌ بازتابندگی می‌تواند به سادگی به معنای صراحت در مورد چیزی یا به تصویرکشیدن فردی در پشت‌صحنه شمارش یا نقشه‌برداری باشد73. برای مثال، تصویر نقشه‌برداری هوایی شکل ۵.۵ را در نظر بگیرید74. «آزمایشگاه عمومی برای فناوری و علوم آزاد»75 (پابلیک‌لب) یک گروه علمی شهروندی است که در طول نشت نفت BP در سال ۲۰۱۰ فعالیت خود را آغاز کرد76. این آزمایشگاه با استفاده از پرواز بادبادک‌ها و بالون‌هایی که دوربین‌های دیجیتال ارزان‌قیمت را بر فراز نقاط زیست‌محیطی مورد مطالعه قرار می‌دادند، نقشه‌های هوایی با وضوح بالا ساخته است. این تکنیک کم‌هزینه است، اما تصاویر تولید‌شده به دلیل نزدیکی به زمین، اغلب وضوح بالاتری نسبت به تصاویر ماهواره‌ای موجود دارند. همانطور که در تصویر دیده می‌شود، گاهی خود نقشه‌برداران در تصویر نهایی به‌شکل بدن‌های کوچک که در قایق‌ها جمع شده‌اند یا به‌صورت دسته‌هایی که در خط ساحلی ایستاده‌اند و به دوربین بالای خود نگاه می‌کنند، دیده می‌شوند. با دنبال‌کرن ریسمان بالون، آن‌ها را می‌بینید. در اینجا سازندگان، دور یا غایب نیستند، بلکه در محصول نهایی حضور دارند. به معنای واقعی کلمه.

داده برای مقاصد «خیر» در مقابل داده برای رهایی‌مشترک

پذیرش ارزش دیدگاه‌های گوناگون نباید محدود به شفافیت و بازتابندگی باشد. این همچنین به معنای دعوت فعالانه و آگاهانه از دیدگاه‌های دیگر، به‌طور مشخص افراد به حاشیه‌رانده‌شده‌تر در هر زمینه‌ای، در تحلیل داده‌ها و فرآیند داستان‌گویی می‌باشد. محققان فمینیست تقاطعی مدت‌هاست بر این نکته تاکید می‌کنند که دانش و طرح‌های جدید را باید از حاشیه‌ها بسازیم. همان‌طور که جنیفر سی. نش77، محقق فمینیست سیاه، توضیح می‌دهد: «موضوعات به حاشیه‌رانده‌شده دارای یک مزیت معرفتی هستند، یک دیدگاه خاص که محققان باید هنگام ترسیم چشم‌اندازی هنجاری از یک جامعه عادلانه در نظر داشته باشند، حتی اگر آن را نپذیرند»78.

شکل ۵.۴

«آن‌چه جهان را واقعا گرم می‌کند؟» که در سال ۲۰۱۵ منتشر شد، یک سوم از فضای خود را به توضیح روش‌های نحوه کار نویسندگان با داده‌ها اختصاص داد. گرافیک توسط کاترین دیگنازیو، بر اساس گزارش اریک روستون و بلکی میگلیوزی برای بلومبرگ بیزینس ویک.

شکل ۵.۵

از یادداشت تحقیقاتی پابلیک‌لب توسط ایموند دیگل در مورد نقشه‌برداری جریان فاضلاب در کانال گوانز در سال ۲۰۱۲ پس از طوفان سندی. به افرادی که در قایق‌ها نقشه‌برداری می‌کنند و طناب بالون که دوربین را به آن افراد متصل کرده و تصاویر را برای آن‌ها اراسال می‌کند توجه کنید. با تشکر از ایموند دیگل برای آزمایشگاه عمومی.

این به چه معناست؟ از منظر جنسیتی، به معنای شروع از دیدگاه زنان و افراد غیرباینری است. در یک پروژه مرتبط با داده‌های توسعه بین‌المللی، این به معنای آغاز کردن یک پروژه با درنظر گرفتن دیدگاه‌های بومی و نه با اهداف نهادهاست. برای AEMP، این به معنی تمرکز بر صداها و تجربیات کسانی است که از منازل‌شان اخراج شده‌اند. قدم بعدی در طراحی از حاشیه به این نکته اشاره می‌کند که طراحان و مهندسان نه تنها باید با افراد در حاشیه در تعامل باشند، بلکه باید برای از بین بردن تمایز مرکز از حاشیه فعالانه تلاش کنند79. اخیرا، «شبکه عدالت طراحی»80 این اصل کلیدی تفکر تقاطعی را به‌عنوان یکی از اصول طراحی خود قرار داده است و بیان می‌کند: «ما صداهای افرادی را که مستقیما تحت‌تاثیر نتایج فرآیند طراحی قرار دارند، در مرکز توجه قرار می‌دهیم»81.

چگونه می‌توان این کار را کرد؟ برای شروع، این امر مستلزم یک فرآیند طراحی است که در آن بازیگران بسیاری بتوانند مشارکت کنند - افرادی با تخصص فنی، و همچنین کسانی که دارای تجربیات زیسته، تخصص در حوزه‌های خاص، مهارت‌های سازماندهی و دانش تاریخ اجتماعی باشند. این همچنین به معنای تغییر هدف کلی چنین پروژه‌هایی از «کار خیر با داده‌» به طراحی برای رهایی‌مشترک است. به یاد آورید که در فصل ۲ توضیح داده شد رهایی مشترک وضعیتی نهایی است که در آن افراد از گروه‌های مسلط و به‌حاشیه رانده‌شده با یکدیگر همکاری می‌کنند تا خود را از سیستم‌های سرکوبگر آزاد کنند. تفاوت‌های کلیدی بین داده برای مقاصد خیر و داده برای رهایی‌مشترک در جدول ۵.۱ نشان داده شده است.

داده برای مقاصد خیر چارچوبی است که به‌طور روز‌افزون برای توصیف پروژه‌های علم داده‌ که با مسائل اجتماعی درگیر هستند و/یا در راستای منافع عمومی انجام می‌شوند، مورد استفاده قرار می‌گیرد. شرکت بلومبرگ از سال ۲۰۱۴ از کنفرانس‌های داده برای مقاصد خیر حمایت مالی کرده است. گروه‌های مشاوره غیرانتفاعی مانند دلتا آنالیتیکس82 برای تطبیق داوطلبان دارای مهارت‌های فنی با سازمان‌های مأموریت‌محور پا گرفته‌اند. در سال ۲۰۱۹، یکی از این سازمان‌ها، دیتاکایند83، یک هدیه ۲۰ میلیون دلاری از یک شرکت سرمایه‌گذاری به نام «علم داده برای تاثیر اجتماعی»84، با کمک بنیاد راکفلر و مسترکارت دریافت کرد85. همچنین آزمایش‌های آموزشی در حال انجام است، مانند مدرسه داده اوترخت86 و برنامه مدرسه تابستانی علم داده برای خیر اجتماعی دانشگاه شیکاگو. در دومی، دانشمندان داده علاقمند با دولت و سازمان‌های غیرانتفاعی همکاری می‌کنند تا مشکلاتی در حوزه‌های مختلف مانند آموزش، بهداشت، ایمنی عمومی و توسعه اقتصادی را حل کنند87. تلاش‌هایی نیز در زمینه هوش‌مصنوعی صورت گرفته است، مانند AI4Good و Project Impact با حمایت شرکت اینتل، و آزمایشگاه تابستانی هوش‌مصنوعی با محوریت زنان در دانشگاه مک‌گیل - و این فهرست ادامه دارد.

جدول ۵.۱

مشخصات «داده برای مقاصد خیر» در مقایسه با داده برای رهایی‌مشترک

داده برای مقاصد خیر

داده برای رهایی مشترک

رهبری توسط اعضای اجتماعات اقلیت‌شده که در جامعه کار می‌کنند،‌ انجام می‌شود

پول و منابع توسط اعضای اجتماعات اقلیت‌شده مدیریت می‌شود

داده‌هایی به اجتماعات تعلق دارد و توسط آن‌ها اداره می‌شوند

تحلیل کمی داده‌های «مرجع» از طریق یک فرآیند تحلیل مشارکتی و اجتماع‌محور صورت می‌گیرد

دانشمندان داده، ستاره‌راک و جادوگر نیستند، بلکه تسهیل‌کننده و راهنما هستند

آموزش داده و انتقال دانش بخشی از طراحی پروژه است

ایجاد زیرساخت‌های اجتماعی - همبستگی اجتماعی و درک مشترک - بخشی از طراحی پروژه است

این تلاش‌ها تاثیرات اجتماعی قابل‌توجهی داشته‌اند. و با این‌حال، هنوز هم تردیدهایی درباره معنای واقعی «کار خیر» وجود دارد. ما از خیرِ چه کسی صحبت می کنیم؟ قوانین و قواعد چه هستند؟ هنگامی‌که جادوگران و تک‌شاخ‌ها گروه را ترک کنند چه کسی از پایگاه‌های داده نگهداری می‌کند؟ و هنگامی‌که بخش توسعه پروژه کامل شد چه کسی هزینه ذخیره‌سازی فضای ابری را می‌پردازد؟

این مسائل در حال تبدیل‌شدن به موضوع بحث در میان اجتماعات داده برای مقاصد خیر هستند. سارا هوکر88، پژوهشگر یادگیری‌عمیق در گوگل برین89 و بنیانگذار دیتا آنالیتکز90، بیان کرده که ایده «داده برای مقاصد خیر» از دقت لازم برخوردار نیست91. برای واضح‌تر شدن این عبارت، هوکر یک طبقه‌بندی تقریبی از این نوع کار را پیشنهاد کرده که چهار نوع متمایز را نشان می‌دهد: (۱) کار ماهرانه داوطلبانه، (۲) اهدای فناوری، (۳) کار با سازمان‌های غیرانتفاعی یا دولت‌ها به‌عنوان شریک کاری، و/ یا (۴) اجرای برنامه‌های آموزش داده در اجتماعات محروم92. در هر کدام از این حوزه‌ها، همچنان یک سری مسائل غامض باقی مانده است: بی‌ثباتی کار داوطلبانه، این واقعیت که حتی داوطلبان متعهد، اغلب فاقد دانش محلی هستند، توانایی (یا عدم‌توانایی) اجتماع برای انجام و/یا پرداخت هزینه‌های فنی نگهداری، این واقعیت که کارهایی که توسط سازمان‌های غیرانتفاعی و دولت‌ها آغاز می‌شوند را نمی‌توان همیشه «خیر» دانست، و موارد دیگر. منظور هوکر این است که وقتی هدف، مفهوم مبهم «خیر» است، راهی برای رفع چنین نگرانی‌هایی وجود ندارد.

در مقابل، مدلی که هدف نهایی را رهایی‌مشترک قرار می‌دهد منجربه مجموعه خیلی مشخصی از فرآیندها و روش‌ها و همچنین معیارهای موفقیت می‌شود. رهایی‌مشترک بر این باور استوار است که روابط قدرت نامتقارن میان گروه‌های اجتماعی علت اصلی بسیاری از مشکلات اجتماعی است. به‌جای ارائه سرویس‌های خدمات فنی در قالب کارهای خیرخواهانه و خیریه‌ای، هدف رهایی‌مشترک خواهان این است که کارکنان رشته‌های فنی بپذیرند که آن‌ها نیز در مبارزه‌ای برای آزادی خودشان مشارکت دارند، به‌خصوص زمانی که خود عضو گروه‌های مسلط باشند.

به این دلایل، پروژه‌های داده‌ای که با در نظر گرفتن رهایی‌مشترک طراحی شده‌اند باید در مورد دینامیک قدرت درگیر بسیار دقیق باشند. آن‌ها باید گام‌های پیشگیرانه‌ای را برای مقابله با خطرات امتیاز ناشی از کار اعضای گروه‌های مسلط بردارند. برای مثال، یکی از این گام‌ها سپردن آگاهانه رهبری استراتژیک، منابع مالی، و مالکیت داده‌ها به همکاران گروه‌های اقلیت‌شده می‌باشد93. این همچنین اذعان می‌کند که ناهمسانی قدرت، به دلایل گوناگون باعث بی‌صدا شدن گروه‌های اقلیت‌شده می‌شود و همان‌طور که در فصل ۴ به آن پرداخته شد، داده‌های کمی می‌توانند برخی افراد را نادیده بگیرند. برای پرداختن به این شکاف‌های تقریبا حتمی، مدل داده برای رهایی‌مشترک به‌شکل آگاهانه تحلیل‌های کمی را با فرآیندهای مدنی فراگیر ترکیب می‌کند که به بینش‌هایی محلی، مبتنی بر واقعیات ملموس و برگرفته از دیدگاه‌های متنوع منجر می‌شود.

دامنه داده‌ برای رهایی‌مشترک نیز فراتر از این است. این مدل به‌طور مشخص شامل دو نتیجه اضافی است که معمولا داده‌ برای مقاصد خیر فاقد آن‌ها هستند: (۱) انتقال دانش و (۲) ایجاد زیرساخت‌های اجتماعی. اولی شامل یک تبادل دوطرفه است: در یک جهت، ایجاد ظرفیت فنی در اجتماعات به شکلی که هر محصول داده را بتوان بدون نیاز به تخصص خارجی حفظ کرد و/یا ارتقا داد، و از سوی دیگر، درک و احترام بیشتر به دانش محلی برای همکاران خارجی، و همچنین فروکاستن خطرات امتیاز فردی و سازمانی. ایجاد زیرساخت‌های اجتماعی شامل تمرکز آشکار بر تقویت همبستگی اجتماعی از طریق پروژه است. این مستلزم تخصیص منابع مالی و انسانی به جنبه‌های اجتماعی پروژه می‌باشد و نه تنها توجه به جنبه‌های فنی مانند پردازش داده‌ها یا ساخت برنامه‌ها. در مدل رهایی‌مشترک، پروژه‌های علم داده تبدیل به پروژه‌های علمی-اجتماعی می‌شوند. آن‌ها به‌طور همزمان هم در پایگاه‌داده و هم در فضای عمومی انجام می‌شوند.

داده برای رهایی‌مشترک در عمل

داده برای رهایی‌مشترک در عمل چگونه کار می‌کند؟ آیا نمونه‌ای از علم داده فمینیستی وجود دارد که به روش‌های کمی و فرآیندهای کثرت‌گرایانه، آموزش داده و همبستگی جامعه اهمیت دهد؟

از سال ۲۰۱۲، راهول94 و امیلی بهارگاوا95 با سازمان‌های اجتماعی از بلو هوریزونته96 تا بوستون همکاری کردند تا «نقاشی دیواری داده‌ای» در فضاهای عمومی بکشند (شکل ۵.۶). آن نقاشی‌های دیواری اینفوگرافیک‌های بزرگی بودند که توسط مردمی که در آن مناطق زندگی و کار می‌کردند طراحی شده بودند و داستان‌هایی درباره آن مردم روایت می‌کردند. در همه موارد، مردم خود مشتاق به همکاری بودند، زیرا نیازهای فضای اجتماع‌شان را می‌شناختند. برای مثال، در سال ۲۰۱۳، سازمان غیرانتفاعی کشاورزی شهری گروندورک سومرویل97 که در حال ساخت اولین مزرعه شهری خود بود، به خانواده بهارگاوا مراجعه کرد. همان‌طور که امیلی می‌گوید، «اوضاع آن مزرعه آشفته بود - پشت یک ساختمانِ قطعات مستعمل ماشین قرار داشت و بین بخش‌های نیمه‌صنعتی پنهان شده بود. آن‌ها سطوح مرتفعی ساخته و برای یک فصل کشت کرده بودند، اما رهگذران سبزیجات را می‌دزدیدند»98. [در آن زمان]، این سازمان همچنین یک برنامه اشتغال برای دانش‌آموزان دبیرستانی، به نام تیم سبز99، را برگزار می‌کرد، اما در جلب کامل جوانان در ماموریت‌های خود برای ایجاد اجتماعات سالم‌تر دچار مشکل بود.

شکل ۵.۶

فرآیند ساخت یک نقاشی دیواری داده‌ای که شامل گفتگو، ساخت نمونه‌های اولیه با وسایل کاردستی، کارگاه‌های آموزشی تحلیل داده، و کشیدن نقاشی بود. با تشکر از دیتا تراپی، امیلی و راهول بهارگاوا، ۲۰۱۸.

گروندورک سومرویل و خانواده بهارگاوا تصمیم گرفتند با پیوند این دو چالش با یکدیگر، جوانان را برای کشیدن یک نقاشی دیواری به‌منظور نشان دادن اهداف مزرعه به مردم استخدام کنند (شکل ۵.۷). در ابتدا، آن‌ها داده‌ها را از چندین منبع جمع‌آوری کردند: داده‌های جمعیتی شهر، داده‌های سیستم اطلاعات جغرافیایی (GIS) از زمین‌های بدون‌استفاده، و داده‌های داخلی گروندورک سومرویل که شامل سوابق رشد محصولات، غذاهای اهدایی، و گزارش‌های حضور در رویدادهای اجتماعی بود. سپس آن‌ها در چند جلسه بعد از مدرسه با کارآموزان برای بررسی و بحث در مورد داده‌ها و مشارکت در طراحی داستان (یا همان تحلیل داده‌ها) کار کردند. در انتهای این جلسات، جوانان طرح کلی و شمایل‌نگاری نقاشی دیواری حاصل را آماده کردند. از چپ به راست نقاشی دیواری مشکل را نمایش می‌دهد: مردی دنبال یک سبد سبزیجات است، اما می‌گوید «غذای سالم سخت به دست می‌آید». این ادعا با داده‌هایی که هزینه غذای سالم و تعداد افراد مبتلا به پیش‌دیابت را نشان می‌دهد، پشتیبانی شده است. بقیه داده‌ها، تعداد زمین‌های بدون‌استفاده شهری و مقدار زمینی که برای کشاورزی شهری بازیابی شده را نشان می‌دهد و به فرصت‌های آینده اشاره می‌کند. در بخش بعدی، نقاشی دیواری یک کامیون گروندورک سومرویل را نشان می‌دهد که محصولات مقرون‌به‌صرفه را به محله می‌آورد و به این نکته اشاره می‌کند که بیشتر از چهارصد نفر از جوانان محله در انجام این پروژه مشغول به کار هستند. نقاشی دیواری داده‌ها با چشم‌اندازی از یک اجتماع یکپارچه و سالم به پایان می‌رسد، «با هم زندگی بهتری را تجربه کنیم».

در ۳۰ ژوئیه ۲۰۱۳، شهردار سومرویل و دیگر رهبران اجتماعی در مراسم بریدن روبان شرکت و باغ بازسازی‌شده را به‌طور رسمی افتتاح کردند. امیلی در مورد این برنامه می‌گوید: «جوانان که هفته‌ها صرف بررسی داده‌ها، کشیدن نقاشی دیواری گروهی، و ارتباط با کارکنان و داوطلبان کرده بودند، توانستند با مقامات در مورد کار با جزئیات بیشتری صحبت کنند»100.

شکل ۵.۷

نقاشی‌دیواری گروندورک سومرویل، که توسط جوانان، کارکنان و داوطلبان گروندورک سومرویل و خانواده بهارگاوا در سال ۲۰۱۳ کشیده شده است.

این کار اشتراکی برخی از بهترین جنبه‌های پروژه‌های داده که برای رهایی‌مشترک طراحی شده‌اند را نشان می‌دهد. اما نقاشی‌های دیواری تنها یکی از خروجی‌های ممکن از این نوع فرآیند کثرت‌گرایانه و اجتماع‌محور است101. برای مثال، دموکراسی دیجیتال102 با گروه‌های بومی در سراسر جهان همکاری می‌کند تا از حقوق خود از طریق جمع‌آوری داده و تهیه نقشه دفاع کنند103. برای این کار، آن‌ها همراه با گروه‌های خشونت‌خانگی در هائیتی خدمات پیامکی ایجاد کردند و به مردم واپیچانا104 در گویان105 کمک کردند تا مدرکی مبتنی بر داده برای حقوق اراضی خود را به دولت ارائه دهند. در مثالی دیگر، سازمان مالکیت اراضی غرب آتلانتا106 (WALT) در زمینه ایجاد مسکن مقرون‌به‌صرفه در آتلانتا، جورجیا، از طریق جمع‌آوری داده‌های مشارکتی کار کرده است107. با نارضایتی از آن‌چه که آن را «سه‌گانه نادرست» داده‌های سطح شهرستانی نامیده بود، این سازمان به جمع‌آوری مجموعه‌داده‌های فضایی درباره رهاکردن املاک و کاهش سرمایه‌گذاری پرداخت و از آن برای فشار به سیاست‌گذاران شهری برای ایجاد تغییر استفاده کرد108.

هر یک از این پروژه‌ها - نقاشی‌دیواری داده‌ها، ادعای حقوق زمین، و نقشه اموال متروکه - را می‌توان مدلی از استفاده از داده‌ برای رهایی‌مشترک دانست. هر کدام از این‌ها به جای این‌که بر اساس نیازهایی شکل گرفته باشند که توسط نهادهای قدرتمندتر به آن‌ها تحمیل شده باشد، از نیازهایی که توسط اجتماع بیان شده بود، نشات گرفته بودند. آن‌ها همگی به روش‌های جمع‌آوری و پردازش داده‌ها متکی هستند، و شامل یک فرآیند صریح انتقال دانش از همکاران خارجی (مشاوران، دانشگاهیان، متخصصان غیرانتفاعی) به خود اجتماع می‌باشند. مهم‌تر از همه این‌که هیچ‌کدام از آن همکاران خارجی، خود را تک‌شاخ، سرایدار، نینجا، جادوگر یا ستاره‌راک‌ نمی‌داند. امیلی جاکوبی109، کارگردان می‌گوید: «در دموکراسی دیجیتال، ما سعی کردیم با روایت ابرقهرمانی مبارزه کنیم. ما به جای این‌که ابرقهرمان باشیم، یار و همکار هستیم»110.

در این راستا، هر کدام از این پروژه‌ها صریحا برای ایجاد همبستگی اجتماعی و درک مشترک پیرامون یک مساله مدنی طراحی شده‌اند. همان‌طور که آماندا منگ111 و کارل دی سالوو112 در ارتباط با پروژه WALT توضیح می‌دهند، «جمع‌آوری داده‌ها نه صرفا راهی برای ایجاد آگاهی از شرایط، بلکه راهی برای ایجاد حساسیت نسبت به شرایط و تجربه [اعضای اجتماع] از ندیدن آن شرایط است»113. جمع‌آوری داده‌ها و تحلیل مشارکتی به یک فناوری دورهمی تبدیل شده است - نوعی «هیمه آتش‌ اردگاه»114 - که در آن اطلاعات رد و بدل می‌شود، انسجام اجتماعی افزایش می‌یابد، و اقدامات آتی شکل می‌گیرند115. مدل هیمه آتش اردوگاه همچنین می‌تواند کمبود روایات‌ که اغلب در اجتماعات محروم وجود دارد را به چالش بکشد116. در عوض، همان‌طور که ماریبل کاساس-کورتس117، محقق جنبش اجتماعی، بیان کرده است پرورش همبستگی اجتماعی به ایجاد حس عاملیت جمعی و امکان‌پذیری تحول کمک می‌کند؛ چیزی که او از آن به‌عنوان «حسی نوآورانه از مشارکت سیاسی و احیای تخیلات سیاسی» یاد می‌کند118.

آیا مدل هیمه‌آتش اردوگاه مقیاس‌پذیر است؟

داده‌ برای رهایی‌مشترک به‌طور همزمان دقیق‌تر از داده‌ برای مقاصد خیر است و دارای دامنه گسترده‌تری می‌باشد. با حمایت از رهبری و منابع اجتماع‌محور، انجام تحقیقات کیفی برای تکمیل تحلیل‌های کمی، و طراحی هدفمند پروژه در زمینه‌هایی فراتر از محدوده پروژه‌های داده‌ برای مقاصد خیر، مانند انتقال دانش و ایجاد همبستگی اجتماعی، داده برای رهایی‌مشترک مشارکت گسترده افراد و عوامل مختلف را ممکن می‌سازد. اما آیا این مدل کثرت‌گرایانه می‌تواند گسترش یابد؟ «کلان‌داده‌ برای رهایی‌مشترک» چگونه خواهد بود؟ آیا اصلا ممکن خواهد بود؟

پرسش‌های مربوط به کلان‌داده‌ها در مقابل داده‌های کوچک یا داده‌های کمی در مقابل داده‌های کیفی بسیار بیش از حد به‌عنوان دوگانگی‌های کاذب مطرح می‌شوند. و مانند تمام دوگانگی‌های کاذب، مسیرهایی از میان این تمایزات وجود دارند که به‌جای کاهش یا تقسیم جهان به انتخاب‌های غیرواقعی، گزینه‌ها را ترکیب و تکثیر می‌کنند. سوال کلیدی که باید در نظر داشت این است که چگونه می‌توان داده‌ها را برای رهایی‌مشترک به شیوه‌هایی گسترش داد که همچنان دقیق، اجتماع‌محور، و پیچیده باقی بمانند119.

یک نمونه واقعی از این رویکرد آگاهانه، اطلس جهانیِ عدالتِ زیست‌محیطی (EJ Atlas) است، یک پروژه تحقیقاتی در مقیاس بزرگ و بایگانی باز که توسط محققین لی تمپر (Leah Temper) و جوآن مارتینز-آلیر120 هدایت می‌شود121 (شکل ۵.۸). EJ Atlas که در سال ۲۰۱۲ توسط تیمی از محققان در دانشگاه آتونوما دی بارسلونا122 در اسپانیا آغاز شده است، مجموعه‌ای نظام‌مند از تعارضات زیست‌محیطی جهانی را نشان می‌دهد. این اطلس به‌عنوان پاسخ به ادعاهایی ایجاد شده که می‌گویند محققان عدالت زیست‌محیطی بیش از حد روی مطالعات موردی محلی تمرکز کرده‌اند و ارتباطات جهانی را نادیده گرفته‌اند. به‌طور کلی، تعارضات زیست‌محیطی جهانی که EJ Atlas جمع‌آوری کرده است، مواردی هستند که به صورت مستقیم از ماتریس سلطه ناشی شده‌اند. در این تعارضات افراد ثروتمند، از منابع طبیعی بیش از حد بهره‌برداری می‌کنند و خطر و فرسایش محیطی را به افراد فقیرتر، که اغلب به دلیل جنسیت، بومیت، نژاد و/یا جغرافیا به حقوق کمتری دسترسی دارند، منتقل می‌کنند. برای مثال، یکی از موارد مطرح شده در EJ Atlas تلاش‌های برتا کاسرس123 و بومیان لنکا124 در مخالفت با ساخت سد و نیروگاه برق آبی در هندوراس است125. کاسرس برای سازما‌ن‌دهی اجتماعی خود جوایز بین‌المللی‌ دریافت کرد، اما به‌شکل غم‌انگیزی توسط کارمندان شرکت سازنده سد به قتل رسید (قاتلان بعدها در دادگاه حقوقی هندوراس محکوم شدند126). در EJ Atlas، مطلب مربوط با تلاش‌های سازمان‌دهی کاسرس شامل پیوندهای فراوان، عکس‌ها، و داده‌های جغرافیایی درباره سد، و همچنین اطلاعاتی در مورد جایگاه این رخداد در تقسیم‌بندی درگیری‌های اطلس است.

شکل ۵.۸

اطلس جهانی عدالت زیست‌محیطی (EJ Atlas؛ https://ejatlas.org/) با مشارکت کنش‌گران، سازمان‌های جامعه‌مدنی، و جنبش‌های اجتماعی به مستندسازی نظامند تعارضات زیست‌محیطی در سراسر جهان پرداخته است. دامنه و مقیاس EJ Atlas، امکان ارتباط کنش‌گران فعالان با یکدیگر را فراهم کرده است و کار پژوهش‌گرانی که در حوزه مطالعه تقسیمات در قالب یک زمینه کمی و مقایسه‌ای فعالیت می‌کنند، تسهیل کرده است، بدون این‌که تعهد به فرآیند کثرت‌گرایانه و کرامت دانش محلی و جامعه‌ای را از دست دهد. با تشکر از اطلس جهانی عدالت زیست‌محیطی، ۲۰۱۹.

EJ Atlas نشان داد که مقیاس‌پذیری با ارزش دادن به دانش و عوامل محلی منافاتی ندارد. تمپر و همکارانش توانستند با تکیه بر روابط گذشته خود با سازمان‌های همکار، آرشیو خود را گردآوری کنند، که نشان می‌دهد چگونه زمان صرف‌شده برای ایجاد روابط در ابتدای یک پروژه یا یک حرفه، همچنان برای همه طرف‌های درگیر سودمند خواهد بود127. در زمان نگارش این کتاب، EJ Atlas نزدیک به سه‌هزار مورد از تعارضات زیست‌محیطی در سراسر جهان را در برمی‌گرفت. همکاران طرح، نقشه‌هایی زیرگروهی از اطلس را برای کشورهایی از جمله کلمبیا، ایتالیا و ترکیه ایجاد کردند. کنش‌گران با استفاده از اطلس توجه رسانه‌ها و سیاست‌گذاران را به تعارضات زیست‌محیطی که نادیده گرفته شده بودند جلب کردند، مانند ساخت پیست اسکی در میان یک پارک طبیعی در قزاقستان که باعث اختلال در سیستم‌های آبی شده بود128. اطلس همچنین تحقیقات تجربی تطبیقی را ممکن ساخت، مانند تحقیقاتی که توسط بگوم اوزکایناک129 اقتصاددان و چندین همکار او انجام شد130. کار آن‌ها از تحلیل شبکه‌های اجتماعی برای مطالعه روابط میان شرکت‌های معدنی، تامین‌کنندگان مالی آن‌ها، و گروه‌های محیط‌زیستی که این اقدامات را به چالش می‌کشند استفاده می‌کند تا درکی از جغرافیای عوامل و ارتباط‌ میان آن‌ها را به دست آورد131.

مطمئنا مقیاس‌پذیری با الزامات فمینیستی برای ارزش‌گذاری بر دانش‌های کثرت‌گرایانه و محلی در تضاد نیست. تحقیقاتی مانند تحقیقات اوزکایناک و همکارانش بدون یک آرشیو بزرگ مانند EJ Atlas امکان‌پذیر نمی‌بود. یک رویکرد کثرت‌گرایانه، مشارکتی، و تکرارشونده مانند EJ Atlas در مقایسه با یک رویکرد استخراجی و «داده به هر قمیتی» در کلان‌داده‌ها به زمان بیشتری برای ایجاد مقیاسی بزرگ‌تر نیاز دارد. اما در نهایت، داده‌ها، ارتباطات، و ظرفیت اجتماع از کیفیت بالاتری برخوردار خواهند بود.

استقبال از کثرت‌گرایی

پنجمین اصل فمینیسم داده، «استقبال از کثرت‌گرایی» در کل فرآیند کار با داده‌ها است، از جمع‌آوری و تحلیل گرفته تا ارتباطات و تصمیم‌گیری. همان‌طور که در این فصل توضیح دادیم، کار با داده‌ها با خطر بالایی از بروز آن‌چه گایاتری اسپیواک132 به آن خشونت معرفتی گفته است، همراه می‌باشد، به‌ویژه زمانی که افراد درگیرِ کار با مجموعه‌داده، غریبه باشند، زمانی که آن‌ها یک یا چند قدم از زمینه محلی داده‌ها دور باشند، و زمانی که خود را (یا اجتماع، آن‌ها را) به‌عنوان تک‌شاخ، ستاره‌راک‌ و جادوگر ببینند.

پذیرفتن کثرت‌گرایی یک استراتژی فمینیستی برای فروکاستن این خطر است. این رویکرد زمان و فضا را برای طیفی از شرکت‌کنندگان فراهم می‌کند تا دانش خود را در یک پروژه داده‌ای و در تمام مراحل آن مشارکت دهند. برخلاف مدل مبهم داده برای مقاصد خیر، پذیرفتن کثرت‌گرایی، راهی به سوی مدل داده برای رهایی‌مشترک ارائه می‌دهد. همان‌طور که در مورد پروژه نقشه‌برداری ضد تخلیه دیدیم، این به معنای انتقال دانش از کارشناسان به اجتماعات و پرورش صریح همبستگی اجتماعی در کار داده است. علاوه‌بر این، پذیرفتن کثرت‌گرایی با «بزرگی» یا مقیاس‌پذیری ناسازگار نیست. EJ Atlas نشان داد که چگونه می‌توان از فرآیندهای کثرت‌گرایانه برای ساخت یک آرشیو جهانی و حمایت از کار تجربی در خدمت عدالت استفاده کرد. یک جادوگر دانشمند داده هرگز به تنهایی ماتریس سلطه را شکست نخواهد داد، مهم نیست که جادوهای آن‌ها چقدر قدرتمند باشند. اما یک فرآیند مشارکتی داده‌محور که به خوبی طراحی شده باشد، فرایندی که تمرکز خود را بر دیدگاه‌های افراد به حاشیه‌رانده‌شده قرار دهد، به شرکت‌کنندگان پروژه قدرت می‌بخشد و روابط جدیدی میان خطوط متفاوت اجتماعی می‌سازد - یا ممکن است شانس آن را داشته باشد که آن‌ها را ایجاد کند.

Connections
1 of 1