El principio #5 del Feminismo de Datos es abrazar el pluralismo. El feminismo de datos insiste en que el conocimiento más completo proviene de la síntesis de múltiples perspectivas, dando prioridad a las formas de conocimiento locales, de pueblos originarios y experimentales.

Principio: abrazar el pluralismo

El feminismo de datos insiste en que el conocimiento más completo proviene de la síntesis de múltiples perspectivas, dando prioridad a las formas de conocimiento locales, de pueblos originarios y experimentales.

En la primavera de 2017, Bloomberg News publicó un artículo con el provocativo título: “Las personas más ricas de Estados Unidos se vuelven más ricas y las pobres son reemplazadas por robots”.1 Utilizando datos del censo, los autores informaron que la desigualdad de ingresos se está ampliando en todo el país. San Francisco está a la cabeza, con una brecha de ingresos de casi medio millón de dólares entre el 20% más rico y el 20% más pobre de las personas que allí residen. Como en otros lugares, la brecha de riqueza tiene dimensiones tanto raciales como de género. En el Área de la Bahía, las personas racializadas ganan 0, 68 centavos por cada dólar que ganan los blancos, y el 59% de las madres solteras viven en situación de pobreza.2 San Francisco también tiene la proporción más baja de infancias sobre el total de población adulta en comparación con cualquier otra ciudad importante de EE. UU. y, desde 2003, una tasa creciente de desalojos.

Aunque la Junta de Rentas de San Francisco recopila datos sobre estos desalojos, no rastrea a dónde van las personas después de ser desalojadas, cuántas de esas personas terminan en la calle o qué propietarios (NdT: se deja el masculino porque son los varones hegemónicos quienes más títulos de propiedad poseen) son responsables de desalojar sistemáticamente las principales cuadras de la ciudad. En 2013, tomó intervención el Proyecto de Mapeo Anti-Desalojo [Anti-Eviction Mapping Project o AEMP]. La iniciativa se autodefine como un colectivo de “activistas de vivienda justa, investigadores/as, nerds de datos, artistas y especialistas en historia oral”. Es un grupo multirracial con un importante, aunque no exclusivo, liderazgo de proyectos por parte de mujeres. La AEMP está mapeando el desalojo, y lo hace a través de un proceso colaborativo, multimodal y, sí, bastante desordenado.

Si visitas antievictionmap.com, no encontrarás un solo mapa, hay setenta y ocho mapas distintos vinculados desde la página de inicio: mapas de residentes desplazados, de desalojos, causados por el fenómenos de los autobuses tecnológicos (se explica más adelante), de propietarios, de la diáspora filipina, de la disminución del número de residentes Negros y Negras en la ciudad y más. El AEMP tiene una forma distinta de trabajar que se basa en su compromiso declarado con las metodologías antirracistas, feministas y decoloniales.3 La mayoría de los proyectos se llevan a cabo en colaboración con organizaciones sin fines de lucro y de base comunitaria. Si hay proyectos adicionales se originan dentro del colectivo. Por ejemplo, hay un grupo está trabajando en la producción de un atlas del Área de la Bahía llamado Counterpoints: Bay Area Data and Stories for Resisting Displacement, [Contraposiciones: los datos del Área de la de Bahía e historias para oponer resistencia a los desplazamientos], que abarcará temas como la migración y la reubicación, la gentrificación y el el encarcelamiento excesivo como mecanismo de exclusión de personas racializadas o empobrecidas, las historias de los pueblos originarios y coloniales de la región, y especulaciones sobre qué pasará en el futuro.4

Una de las colaboraciones más antiguas del AEMP es con la organización “En Defensa de los Desalojos” (Eviction Defense Collaborative o EDC), una organización sin fines de lucro que brinda representación judicial a las personas que han sido desalojadas. Aunque la ciudad no recopila datos sobre la raza o los ingresos de estas personas, la EDC sí recopila esos datos demográficos y trabaja con el 90% de la población inquilina cuyos casos de desalojo terminan en los tribunales de San Francisco.5 En 2014, la EDC se acercó al AEMP para ayudar a producir su informe anual y, a cambio, se ofreció a compartir sus datos demográficos con la organización.6 Desde entonces, los dos grupos han trabajado juntos en los informes anuales de la EDC, así como en análisis adicionales de desalojos con un enfoque en las identidades racializadas de las personas involucradas. El AEMP también ha producido informes con organizaciones de derechos de las personas que alquilan, cronologías de la gentrificación con estudiantes provenientes de pueblos originarios, historias orales con subvención de los departamentos de antropología y murales con organizaciones artísticas, así como mapas y más mapas.

Algunos de los mapas del AEMP están diseñados para aprovechar la capacidad de visualización de datos para hacer que los patrones sean fácilmente apreciables de un vistazo. Por ejemplo, el Tech Bus Stop Eviction Map, [Mapa de los desalojos en las paradas de autobuses de las empresas tecnológicas], creado en 2014, traza las ubicaciones de tres años de desalojos de la Ley Ellis.7 Esta es una forma de desalojo "sin culpa" en la que los propietarios pueden afirmar que no seguirán alquilando. En muchos casos, esto es para que puedan convertir el edificio en un condominio y vender las unidades para obtener una ganancia significativa. San Francisco ha apelado casi cinco mil veces a la Ley Ellis desde 1994 para impulsar desalojos. En el mapa (figura 5.1), el AEMP trazó los desalojos de la Ley Ellis en relación con la ubicación de las paradas de autobús de las empresas de tecnología. A partir de la década de 2000, las empresas de tecnología con campus en Silicon Valley comenzaron a ofrecer autobuses privados de lujo como un beneficio adicional para atraer a los empleados y las empleadas que querían vivir en el centro de San Francisco pero no querían molestarse en viajar hasta su trabajo. Conocidos coloquialmente como "los autobuses de Google" porque Google fue la compañía más visible en implementar la práctica, estos vehículos usan paradas de autobús públicas, ilegalmente al principio, para transportar a la gente a sus oficinas con comodidad (y también lejos del sistema de transporte público, que de lo contrario obtendrían los beneficios de sus tarifas).8 Debido a que una clientela nueva y adinerada comenzó a buscar condominios cerca de las paradas de autobús, el valor de las propiedades se disparó, al igual que la tasa de desalojos de residentes antiguos del vecindario. El análisis del AEMP mostró que, entre 2011 y 2013, el 69 % de los desalojos sin culpa (not-fault eviction)9 ocurrieron dentro de las cuatro cuadras de una parada de autobús tecnológico. El mapa deja claro ese hallazgo.

Pero otros mapas del AEMP están diseñados intencionalmente para no representar una correlación clara entre los desalojos y el lugar. En Narratives of Displacement and Resistance [Narrativas de desalojos y resistencia] (figura 5.2a), cinco mil desalojos se representan cada uno como una burbuja roja de diferente tamaño, por lo que el mapa base de San Francisco apenas se ve debajo10. En la parte superior de este mar rojo, las burbujas azul cielo muestran los lugares donde el AEMP ha realizado entrevistas a residentes desplazados, así como a activistas, medios de comunicación y especialistas en historia local. Al hacer clic en una burbuja azul, se activa una de las docenas de historias orales; por ejemplo, la historia de Phyllis Bowie (figura 5.2b), una residente que enfrenta el desalojo de su apartamento de una habitación. “Nací y crecí en San Francisco con orgullo”. Bowie recuerda cómo regresó de la Fuerza Aérea y trabajó como loca durante dos años en su propio pequeño negocio, acumulando un registro de ingresos que la haría elegible para un apartamento de alquiler con opción a compra en Midtown, el barrio históricamente Negro donde ella había crecido. En 2015, sin embargo, el municipio rompió la legislación sobre contratos de arrendamientos y eliminó el control de alquileres en su edificio. Ahora, las personas que alquilan como Bowie y que se mudaron allí con la promesa de poder comprar la vivienda, se enfrentan a alquileres vertiginosos que nadie puede pagar. Bowie está liderando huelgas de alquiler y organizando a las personas del edificio, pero su futuro es incierto.

Esta incertidumbre se traslada al diseño del mapa, que usa un fenómeno que a menudo se desaconseja en la visualización de datos para recalcar su objetivo: la oclusión. Esto refiere al "problema" que ocurre cuando algunas marcas (como los puntos de desalojo) oscurecen otras características importantes (como toda la geografía de la ciudad). Pero aquí subraya el punto de que hay muy pocos patrones para detectar cuando toda la ciudad está cubierta de grandes burbujas rojas de desalojo y abundantes puntos azules que representan historias. Dicho de otra manera, la ciudad entera es un patrón, y ese patrón es el problema, mucho más que un problema de diseño de visualización de información.

De esta manera, el mapa Narratives representa el desacuerdo con las políticas de la ciudad de San Francisco de la misma manera que representa el desacuerdo con las convenciones del diseño de la información. Rechaza tanto la claridad y la limpieza asociadas a las mejores prácticas de visualización de datos como la homogeneización y la "limpieza" asociadas a las fuerzas de gentrificación que conducen a los desalojos en primer lugar.11 El punto visual del mapa es simple y exhortativo: hay demasiados desalojos. Y hay demasiadas historias de desalojo. El mapa no revela de manera eficiente cómo se pueden correlacionar los datos de desalojos con las paradas del Tránsito Rápido del Área de la Bahía (BART), los ingresos, las paradas de autobús de Google o cualquier otra dimensión potencial de los datos. Incluso encontrar el mapa Narratives es difícil, debido al gran número de mapas y visualizaciones en el sitio del AEMP. No hay un “cuadro de mandos principal” que integre toda la información que el AEMP recolectó en una sola interfaz.12 Pero todas estas decisiones de diseño refuerzan el propósito principal del AEMP: documentar los efectos del desplazamiento y resistir a través de medios críticos y creativos.

El AEMP ofrece una vasta serie de ejemplos de recolección de contradatos feministas y estrategias de contravisualización. De manera individual o conjunta, los mapas demuestran cómo Katie Lloyd Thomas, miembro fundadora de la colectiva feminista de arte y arquitectura Taking Place [Ocupando el Lugar], visualiza cómo la “parcialidad y las controversias” forman parte del diseño gráfico. “En lugar de contar una ‘verdadera’ historia de consenso, [la ilustración o la gráfica] pueden recordar o reconocer múltiples, incluso hasta contradictorias versiones de la realidad”, explica.13 El mapa Narratives rellena su paisaje con estas realidades contradictorias. Demuestra que detrás de cada desalojo hay una persona, una persona como Bowie, con una voz e historia única. Las voces que escuchamos son diversas, múltiples, específicas, disidentes, y mostrar esto es intencional.

Al hacerlo, el mapa Narratives, y el AEMP de manera más general, ejemplifican el cuarto principio del feminismo de datos y el tema de este capítulo: abrazar el pluralismo. Abrazar el pluralismo en la ciencia de datos significa valorar muchas perspectivas y voces y hacerlo en todas las instancias del proceso, desde la recolección hasta la limpieza, desde el análisis hasta la comunicación. También significa prestar atención a las maneras en que los métodos de la ciencia de datos pueden trabajar involuntariamente para acallar esas voces con el fin de la claridad, la limpieza y el control. Muchas de nuestras ideas impuestas sobre la ciencia de datos trabajan en contra de los procesos plurales de la creación del significado y uno de los objetivos del feminismo de datos es cambiar eso.

Forasteros en el conjunto de datos

La limpieza de datos tiene un mito especial en la ciencia de datos. “Se dice con frecuencia que el 80% del análisis de datos se destina al proceso de la limpieza y de la preparación de los datos”, escribe Hadley Wickham en la primera oración del borrador de Limpieza de datos [Tidy Data] su ampliamente citado artículo de 2014.14 Wickham también es el autor del paquete tidyr para R, un popular lenguaje de programación y plataforma de computación estadística. (Los paquetes son colecciones prescritas de funciones y otras formas de código que se pueden instalar y usar en cualquier proyecto). El paquete de Wickham comparte el sentimiento expresado en su artículo: que los datos son intrínsecamente desordenados y necesitan ser ordenados y domesticados.

Wickham no está solo en esta creencia. Desde el lanzamiento de su paquete tidyr, ha creado el "tidyverse" [NdT: podría decirse “universo ordenado”], un conjunto ampliado de paquetes que formaliza un flujo de trabajo claro para el procesamiento de datos, que ha sido desarrollado por un equipo de entusiastas colaboradores. Los artículos de la prensa popular y económica corroboran esta insistencia en el orden, así como su necesidad apremiante. En Harvard Business Review, el trabajo en la ciencia de datos se glorifica en términos de esta función de limpieza: “Al estar a gusto en el ámbito digital, pueden estructurar grandes cantidades de datos sin forma y hacer posible el análisis”.15 Aquí, el analista intrépido disputa tablas ordenadas del caos desestructurado. Según el artículo, es “el trabajo más sexy del siglo XXI”.16 Pero para el New York Times, el trabajo del analista de datos es mucho menos atractivo. En un artículo de 2014 se equiparó la tarea de limpieza de datos con el trabajo de mantenimiento que realizan los "conserjes" de bajos salarios17 (NdT: se trata de una profesión masculinizada por lo que se optó por dejar en masculino).

Ya sea que creas o no que quienes trabajan en ciencia de datos son sexies (lo son), y ya sea que creas o no que los conserjes deban ofenderse por esta referencia clasista (todas las personas deberíamos hacerlo), ciertas suposiciones y ansiedades permanecen consistentes a través de estas diferentes articulaciones sobre la necesidad de orden y limpieza, y las cualidades de las personas que deberían estar haciendo este trabajo. Deben ser capaces de domar el caos de la sobrecarga de información. Deben "fregar" y "limpiar" los datos sucios. Y deben emprender una acción deliberada, ya sea extraordinaria o mundana, para poner los datos en el lugar que les corresponde.

Pero, ¿qué podría perderse en el proceso de dominar y disciplinar los datos? ¿Las perspectivas de quién podrían perderse en ese proceso? Y, por el contrario, ¿las perspectivas de quién podrían imponerse adicionalmente? Las ideas expresadas por Wickham, y por la prensa, suponen que desde la ciencia de datos, en todos los contextos, se valora la limpieza y el control sobre el desorden y la complejidad. Pero como demuestra el ejemplo del AEMP, estos no son los requisitos ni los objetivos de todos los proyectos de datos.

Antes de seguir adelante, nos parece importante reconocer que estas ideas sobre la limpieza y el control contienen rastros preocupantes de un movimiento de una era anterior: la eugenesia, la perturbadora fuente del siglo XIX de gran parte de las estadísticas modernas. Como hemos mencionado en capítulos anteriores a través del trabajo de Dean Spade y Rori Rohlfs, muchos de los varones a menudo citados como los primeros estadísticos destacados como Karl Pearson, Adolphe Quetelet, Francis Galton y Ronald Fisher, también fueron líderes del movimiento eugenésico.18 En su libro Ghost Stories for Darwin: The Science of Variation and the Politics of Diversity [Historias de fantasmas para Darwin: la ciencia de la variación y la política de la diversidad], la académica de la ciencia postcolonial Banu Subramaniam detalla cómo en el transcurso de finales del siglo XIX y principios del XX, a medida que las estadísticas se convertían en el lenguaje preferido de comunicación entre biólogos y científicos sociales, ciertas ideas del movimiento eugenésico también se trasladaron a esta conversación científica más amplia.19 Si bien los aspectos más odiosos de estas ideas se han eliminado en gran medida (y afortunadamente), ciertos principios fundamentales, como una creencia generalizada en el beneficio de control y limpieza—continúan.20 Para traer claridad: el punto aquí no es que cualquiera que limpie sus datos esté perpetuando la eugenesia.21 El punto, más bien, es que las ideas que subyacen a la creencia de que los datos siempre deben estar limpios y controlados tienen raíces históricas empapadas de este paradigma. En la ciencia de datos, no podemos olvidar estas raíces, incluso cuando las ideas mismas se han ordenado con el tiempo.

Esta es la larga historia a la que probablemente aluden la académica Katie Rawson y el académico Trevor Muñoz, especialistas en estudios de bibliotecas e información, en su afirmación de que “el paradigma de la limpieza asume un orden subyacente 'correcto'”. Como Subramaniam, pero en el contexto de la limpieza de datos más específicamente, Rawson y Muñoz advierten que la limpieza puede funcionar como un "truco para ocultar la diversidad"22. En el desorden de los datos, de hecho, hay información rica sobre las circunstancias en la que se recolectó. El académico especializado en estudios de datos Yanni Loukissas está de acuerdo. En lugar de hablar de conjunto de datos, aboga por que hablemos de configuraciones de datos: su término describe los procesos tanto técnicos como humanos que afectan qué información se captura en el proceso de recopilación de datos y cómo se estructuran.23

Como ejemplo de la importancia de la configuración de datos, Loukissas cuenta la historia de estar en un hackatón en Cambridge, Massachusetts, donde comenzó a explorar un conjunto de datos de la Biblioteca de la Universidad de Clemson, ubicada en Carolina del Sur. Se topó con un registro desconcertante en el que el/la/le bibliotecario/a/e había anotado la ubicación del artículo como "al norte del estado" (upstate). Por supuesto, tal designación está relacionada con el lugar de recolección. Para quienes habitan Carolina del Sur, el norte es un término muy legible que se refiere a la región más occidental del estado, donde se encuentra Clemson. Pero no tiene el mismo significado para una persona de Nueva York, donde el norte se refiere a su propia región norte, ni tiene el mismo significado para una persona sentada en una hackatón en Massachusetts, que no tiene una parte norte del estado. Si alguien en la hackatón hubiera escrito este registro desde donde estaban sentados, podría haber optado por enumerar los diez condados que la ciudadanía de Carolina del Sur reconocen como norte, para que sea más claramente legible para una audiencia geográfica más amplia. Pero hay un significado transmitido en el término que no sería transmitido de otras formas más generales de indicar la misma región. Solo alguien que ya estuviera en Carolina del Sur se habría referido a esa región de esa manera. A partir de ese uso del término, podemos razonar que los datos se recopilaron originalmente en Carolina del Sur. Esta información no está incluida en ninguna otra parte del registro de la biblioteca.

Debido a registros como este, el proceso de limpieza y orden de datos puede ser tan complicado y, en ocasiones, puede ser un acto destructivo en lugar de constructivo. Una forma de verlo es como si se cortaran las raíces de un árbol que lo conecta con el suelo del que creció. Es un acto que separa irreversiblemente los datos de su contexto.

Podríamos relacionar el crecimiento de herramientas como tidyr que ayudan a recortar y ordenar datos con otra intervención humana en el medio ambiente: la proliferación de nombres de calles y letreros que transformaron el paisaje de los Estados Unidos del siglo XIX. El geógrafo Reuben Rose-Redwood describe cómo, por ejemplo, antes de la Guerra de la Independencia estadounidense, muy pocas calles de Manhattan tenían letreros en las intersecciones.24 Los nombres de las calles, tal como existían, eran de la jerga y estaban relacionados con la particularidad de un lugar, por ejemplo , "Gira a la derecha en la casa roja". Pero con el aumento de la movilidad de las personas y las cosas (piensa en el sistema postal, los ferrocarriles o el telégrafo), era necesario sistematizar los nombres de las calles. Rose-Redwood llama a esto la producción de “espacios urbanos legibles”. Entonces, como ahora, los espacios urbanos legibles tienen un alto valor económico, particularmente para las grandes corporaciones (te miramos a ti, Amazon) para entregar cajas de cualquier cosa directamente a las puertas de las personas.25

El punto aquí es que para navegar un paisaje, no se necesita nombrar las calles hasta que llegan forasteros. Del mismo modo, no se necesita limpiar los datos hasta que llegan forasteros al conjunto de datos. [NdT: en ambos casos forasteros refiere a strangers y es un juego con el título del apartado]. El conjunto de datos de la Biblioteca de la Universidad de Clemson estaba perfectamente claro para quienes usan y organizan el sistema bibliográfico de Clemson. Pero una vez que los piratas informáticos en Cambridge tuvieron acceso a él, el norte comenzó a tener mucho menos sentido, y no fue de ninguna ayuda para producir, por ejemplo, un mapa de todos los registros de la biblioteca en los Estados Unidos. En términos más generales, una vez que las personas involucradas en un proyecto de ciencia de datos no pertenecen a la comunidad, una vez que cambia el lugar del análisis, una vez que la escala del proyecto cambia o una vez que un solo conjunto de datos debe combinarse con otros, entonces tenemos forasteros en el conjunto de datos.

¿Quiénes son estos forasteros? Como ya comenzamos a sugerir, a las personas que trabajan con datos se les llama alternativamente unicornios (porque son raros y tienen habilidades especiales), magos y magas (porque pueden hacer magia), ninjas (porque ejecutan movimientos complicados y expertos), estrellas de rock (porque superan a los demás) y conserjes (porque limpian datos desordenados) (figura 5.3). Amazon eliminó la parte de "conserje" en un anuncio de trabajo reciente, pero logró trabajar en algunas de estas metáforas: "amazon necesita una estrella de la ingeniería... tienes pasión... tienes éxito sin temer a nada... eres un ninja de la programación".26

Estas estrellas de rock y ninjas son extrañas en el conjunto de datos porque, al igual que los piratas informáticos en Cambridge, a menudo se encuentran en uno, dos o muchos niveles alejados del proceso de recopilación y mantenimiento de los datos con los que trabajan. Esta es una externalidad negativa, una consecuencia involuntaria de terceros, que surge cuando se trabaja con datos abiertos, interfaces de programación de aplicaciones (API, por sus siglas en inglés) y las vastas reservas de capacitación de datos disponibles en línea. Estos datos parecen disponibles y listos para movilizar, pero lo que representan no siempre está bien documentado o es fácil de entender para los/las/les forasteros. Ser un/a/e forastero/a/e en el conjunto de datos no es algo intrínsecamente malo, pero conlleva un riesgo significativo de lo que el renombrado académico poscolonial Gayatri Spivak llama violencia epistémica: el daño que los grupos dominantes, como las potencias coloniales, causan al privilegiar sus formas de conocimiento sobre las formas locales y de las de los pueblos originarios.27

Este problema se ve agravado por la creencia de que el trabajo de datos es una tarea solitaria. Esto se refleja en el hecho de que los unicornios son únicos por definición, y los/as magos/as, ninjas y estrellas de rock también son personas que parecen trabajar solas. Esto es una falacia, por supuesto: cada estrella de rock necesita una banda de apoyo, y si hemos aprendido algo de Harry Potter, es que cualquier toque particular de la varita es la culminación de años de educación, capacitación y apoyo. Los magos, los ninjas, las estrellas de rock y los conserjes tienen algo más en común: se supone que son varones.28 Si dudas de esta afirmación, haz una búsqueda de imágenes en Google y cuenta cuántos magos y conserjes de apariencia masculina aparecen antes de que aparezca una de presentación femenina. O piensa: ¿por qué los artículos de noticias sobre "conserjes de datos" no los describen como haciendo el trabajo de "señora de la limpieza"? Al igual que el trabajo de conserjería, que es realizado de manera desproporcionada por personas racializadas de la clase trabajadora, la idea del ninja de datos también tiene connotaciones racistas.29 Y hay más: algo compartido entre los cuatro términos de unicornios, magos, ninjas y estrellas de rock, hay un enfoque en la extraordinaria experiencia técnica individual y su capacidad para prevalecer cuando las otredades no pueden. Podríamos haber dicho con mayor precisión "la capacidad del individuo para prevalecer" porque estas ideas sobre el dominio individual y prevalecer contra obstáculos muy difíciles están, por supuesto, también asociadas con los varones.

Hay un “genio” en el mundo de los datos sobre desalojos: es Matthew Desmond, designado como tal por la Fundación MacArthur por su trabajo sobre la pobreza y los desalojos en los Estados Unidos. Es profesor y director del Laboratorio de Desalojos [Eviction Lab] de la Universidad de Princeton, que ha estado trabajando durante varios años para compilar una base de datos nacional de desalojos y ponerla a disposición del público en general. Aunque el gobierno federal recopila datos nacionales sobre ejecuciones hipotecarias, no existe una base de datos nacional de desalojos, algo que se necesita desesperadamente para muchas comunidades donde hay una gran crisis habitacional.

Inicialmente, el Laboratorio de Desalojo se había acercado a organizaciones comunitarias como el AEMP para solicitar sus datos. El AEMP quería saber más sobre la protección de privacidad y cómo el Laboratorio de Desalojo evitaría que los datos cayeran en manos de propietarios de viviendas. En lugar de continuar la conversación, el Laboratorio de Desalojo se convirtió en un verdadero “corredor de datos de bienes raíces” y compró datos de menor calidad. Pero en un artículo escrito por personas afiliadas al AEMP y otras organizaciones vinculadas a reclamos de vivienda justa, los autores afirman: "AEMP e Inquilinos Agrupados [Tenants Together] han encontrado que la cantidad de desalojos en California mostrada por el Laboratorio de Desalojo de Desmond es tres veces mayor".30

Como dice Desmond, esta decisión se debió a un cambio en la estrategia de recopilación de datos del laboratorio. “Somos un laboratorio de investigación, por lo que una cosa importante para nosotros es el proceso de limpieza de datos. Si se quiere saber si Chicago desaloja a más personas que Boston, se tienen que comparar manzanas con manzanas”.31 Desde el punto de vista de Desmond, es más sólido metodológicamente comparar conjuntos de datos que ya han sido agregados y estandarizados. Y, sin embargo, Desmond reconoce que los datos del Laboratorio de Desalojos para el estado de California está subestimando los desalojos; incluso hay un mensaje en el sitio que lo hace explícito. Aquí hay un dilema ético: ¿se eligen datos más limpios a mayor escala que sean relativamente fáciles y rápidos de comprar? ¿O datos más precisos a escala local para los cuales uno tiene que involucrarse y generar confianza con los grupos comunitarios?

En este caso, la prioridad se puso en la velocidad en vez de establecer relaciones de confianza con las organizaciones y las personas en el territorio, y en una amplia cobertura nacional a expensas de la precisión local. Aunque el Laboratorio de Desalojo está haciendo un trabajo importante, las decisiones continuas que priorizan la velocidad y la exhaustividad no pueden evitar mantener el estatus cultural del "genio" solitario, minimizando efectivamente el trabajo de coaliciones, comunidades y movimientos que, no por coincidencia, a menudo son dirigidas principalmente por mujeres y personas racializadas.

¿Qué se podría ganar si no solo reconociéramos sino que también valoráramos el hecho de que el trabajo de datos involucra múltiples voces y múltiples tipos de experiencia? ¿Qué pasaría si la producción de nuevas relaciones sociales (aumento de la solidaridad comunitaria y mejora de la cohesión social) fuera valorada (y financiada) tanto como la adquisición de datos? Creemos que esto conduciría a una multiplicación de proyectos como el AEMP: proyectos que hacen un bien demostrable con datos y lo hacen junto con las comunidades a las que buscan apoyar.

Sobre el poder, el pluralismo y el proceso

Aunque el Anti-Eviction Mapping Project [Proyecto de Mapeo Antidesalojo] podría haber entregado sus valiosos datos a una sola estrella de rock-unicornio-ninja-mago-conserje cartográfico, el grupo tomó la decisión intencional de incluir a muchos/as/es diseñadores/as en el proceso, incluyendo muchas personas sin experiencia que vivenciaron el poder de hacer mapas por primera vez. Además de la diversa gama de productos de datos resultantes, que reflejaban las diversas voces de las diversas colaboraciones del AEMP, esta decisión también tuvo el resultado (totalmente intencional) de desarrollar capacidad técnica. De manera lenta y segura, mapa por mapa, colaboración por colaboración, los, las y les residentes locales fortalecieron sus habilidades cartográficas y sus relaciones comunitarias. Este último resultado también fue intencional: uno de los objetivos declarados del AEMP es “construir la solidaridad y la colectividad entre quienes participan del proyecto para ayudarse mutuamente en la lucha contra los desalojos y combatir colectivamente la alienación que produce este fenómeno”.32

Este objetivo refleja un principio clave del pensamiento feminista, que es el reconocimiento de que una multiplicidad de voces, en lugar de una sola fuerte, técnica o mágica, da como resultado una imagen más completa del problema en cuestión. Las filósofas feministas como Donna Haraway, a quien presentamos en el capítulo 3, provocaron una ola de pensadoras/es que han seguido desarrollando la idea de que todo conocimiento es parcial, lo que significa que ninguna persona o grupo puede reclamar una visión objetiva de la Verdad, con v mayúscula.33 Pero incorporar el pluralismo, como se suele describir este concepto hoy en día, no significa que todo sea relativo, ni que todas las afirmaciones de verdad tengan el mismo peso. Y ciertamente no significa que las feministas no crean en la ciencia. Simplemente significa que cuando las personas crean conocimiento, lo hacen desde un punto de vista particular: desde un lugar situado y personalizado en el mundo. Más que eso, al unir nuestros puntos de vista, o posiciones, podemos llegar a una comprensión más rica y sólida del mundo.34

Entonces, ¿cómo comenzamos a recorrer el camino hacia esta comprensión más profunda en la ciencia de datos? El primer paso para impulsar el valor de múltiples perspectivas es reconocer la parcialidad de la propia. Esto significa revelar los métodos de tu proyecto, tus decisiones y, lo que es más importante para el trabajo que se esfuerza por abordar la injusticia, tus propias posiciones. Esto se llama reflexión, y lo ejemplificamos en la introducción de este libro. Es posible que hayas escuchado la frase acuñada por David Weinberger: "La transparencia es la nueva objetividad".35 Tomamos esta noción para decir que hay una manera de crear un espacio para la transparencia y también la reflexión en la ciencia de datos, en lugar de aceptar proyectos que pretenden ser objetivos (pero, como hemos comentado, en realidad nunca lo son). La transparencia y la reflexión permiten que las personas involucradas en cualquier proyecto en particular sean explícitas sobre los métodos detrás de su proyecto, así como sobre sus propias identidades.

Las personas involucradas con el periodismo han estado haciendo esto durante algún tiempo, al menos en lo que se refiere a sus datos y métodos. Por ejemplo, la visualización interactiva de Bloomberg What 's Really Warming the World? [¿Qué es lo que realmente calienta el mundo?] (Figura 5.4) guía a quienes leen a través de una variedad de argumentos comunes que intentan explicar el calentamiento global con razones que no tienen que ver con la industria o el comportamiento humano.36 Es una pieza convincente en términos de contenido de por sí, pero otra cosa interesante al respecto es que dedica casi un tercio de su pantalla a describir sus datos y métodos.

Proporcionar acceso a los datos y describir los métodos empleados se están convirtiendo en convenciones en el periodismo de datos, al igual que en los campos científicos. Aunque estos relatos actualmente se centran en los detalles técnicos (de dónde procedían los datos, qué modelos estadísticos se desarrollaron y qué análisis se realizaron), existe un ápice de posibilidad de usar este mismo espacio para revelar detalles adicionales: ¿Quién estaba en el equipo? ¿Cuáles fueron los puntos de tensión y desacuerdo? ¿Cuándo tuvo que hablar el equipo con quienes administran los datos, las personas expertas en dominios o las comunidades locales? ¿Qué hipótesis se siguieron pero finalmente resultaron ser falsas? Hay una historia sobre cómo surge cada argumento basado en la evidencia y, a menudo, es una historia que involucra dinero e instituciones, así como personas y herramientas. Revelar esta historia a través de la transparencia y la reflexión puede ser un acto feminista.

La reflexión a veces puede ser tan simple como ser explícita o incluso visualizar quién está contando y mapeando detrás de escena37. Tomemos el ejemplo de la imagen de mapeo aéreo en la figura 5.5.38 El Laboratorio Público para la Ciencia y la Tecnología Abierta [The Public Laboratory for Open Technology and Science (Public Lab)] es un grupo de ciencia ciudadana que se creó durante el derrame de petróleo de British Petroleum en 2010.39 Realiza mapas aéreos de alta resolución haciendo volar globos y cometas, que cuelgan cámaras digitales baratas sobre los sitios ambientales que buscan estudiar. La técnica es de bajo costo, pero las imágenes producidas suelen tener una resolución más alta que las imágenes satelitales existentes debido a la proximidad al suelo. Quienes mapean a menudo son visibles en el producto final en forma de pequeños cuerpos, reunidos en botes o parados en grupos en la costa, mirando a la cámara que tienen por encima. La cuerda del globo devuelve la mirada hacia sus formas. Aquí quienes crean no están distanciados ni ausentes sino que están representados en el producto final. Literalmente.

Datos para el “bien” versus datos para la coliberación

Aceptar el valor de múltiples perspectivas no debe detenerse en la transparencia y la reflexión. También significa invitar activa y deliberadamente a otras perspectivas al proceso de análisis de datos y narración de historias. Más específicamente, las de las personas más marginadas en cualquier contexto dado. Las académicas feministas interseccionales han insistido durante mucho tiempo en que deberíamos crear nuevos conocimientos y nuevos diseños desde los márgenes. “Los sujetos marginados tienen una ventaja epistémica, una perspectiva particular que los académicos deberían considerar, si no adoptar, al elaborar una visión normativa de una sociedad justa”, como explica la académica feminista Negra Jennifer C. Nash.40

¿Qué significa esto? Desde un enfoque de género, significa comenzar con las perspectivas de las mujeres y las personas no binarias. En un proyecto que involucra datos de desarrollo global, significa comenzar no con objetivos institucionales sino con puntos de vista pertenecientes a los pueblos originarios. Para el AEMP significa poner en el centro las voces y experiencias de las personas desalojadas. El trabajo de seguimiento sobre el diseño desde los márgenes argumenta que los diseñadores e ingenieros no solo deberían involucrar a las personas en los márgenes, sino también trabajar activamente para desmantelar la distinción centro/márgenes en primer lugar.41 Más recientemente, la Red de Justicia de Diseño [Design Justice Network] ha transformado este principio clave del pensamiento interseccional en uno de sus principios del diseño, afirmando: “Centramos las voces de aquellas personas que se ven directamente afectadas por los resultados del proceso de diseño”.42

¿Cómo podría funcionar esto? Para comenzar, requiere un proceso de diseño en el que puedan participar muchas personas: personas con experiencia técnica, así como también aquellas con experiencia vivida, experiencia en el dominio, experiencia en organización y experiencia en historia comunitaria. También significa cambiar el objetivo general de tales proyectos desde "hacer el bien con los datos" a diseñar para la coliberación; recuerda que tal como vimos en el capítulo 2 que este es el objetivo final en el que las personas de los grupos dominantes y de los grupos marginados trabajan conjuntamente para liberarse de los sistemas opresivos. Las diferencias clave entre los datos para el bien y los datos para la coliberación se destacan en la tabla 5.1.

Los datos para hacer el bien son un marco que se emplea cada vez más para describir proyectos de ciencia de datos que están socialmente comprometidos o se llevan a cabo en el interés público. La corporación Bloomberg ha estado patrocinando las conferencias “Data for Good” [“Datos para el bien”] desde 2014. Han surgido grupos de consultoría sin fines de lucro como Delta Analytics para unir personas voluntarias con experiencia técnica con organizaciones impulsadas por una misión social. En 2019, una de esas organizaciones, DataKind, recibió una donación de $20 millones de una colaboración llamada Ciencia de Datos para el Impacto Social [Data Science for Social Impact], con fondos aportados por la Fundación Rockefeller y Mastercard.43 También hay experimentos educativos en marcha, como el de la Escuela de Datos de Utrecht y el Programa de becas de verano Ciencia de Datos para el Bien Social [Data Science for Social Good] de la Universidad de Chicago. En este último, quienes aspiran a desarrollarse en ciencia de datos trabajan con gobiernos y organizaciones sin fines de lucro para abordar problemas en diversos dominios como la educación, la salud, la seguridad pública y el desarrollo económico.44 Han surgido esfuerzos relacionados en inteligencia artificial, como AI4Good Foundation Project Impact patrocinado por Intel Corporation, el laboratorio de verano de IA centrado en las mujeres en la Universidad McGill. La lista continúa.

Estos esfuerzos han tenido un impacto social demostrable. Y, sin embargo, sigue existiendo una confusión persistente con respecto a lo que significa "hacer el bien". ¿Del bien de quién estamos hablando? ¿Cuáles son los términos? ¿Quién mantiene las bases de datos cuando los magos-unicornios abandonan la comunidad? ¿Y quién paga el almacenamiento en la nube cuando se completa la parte de desarrollo del proyecto?

Estos temas se comenzaron a discutir dentro de la comunidad de datos “para hacer el bien”. Sara Hooker, una investigadora de deep-learning en Google Brain y fundadora de Delta Analytics, ha observado que la idea de “datos para hacer el bien” carece de precisión.45 Para aportar claridad a la frase, Hooker propone una taxonomía aproximada de este tipo de trabajo, identificando cuatro ideas distintas: (1) trabajo voluntario calificado, (2) donación de tecnología, (3) trabajo con organizaciones sin fines de lucro o gobiernos como socios y (4) ejecución de programas de educación de datos en comunidades marginadas.46 En cada una de estas áreas, nos encontramos con algunas barreras delicadas: la inconstancia del trabajo voluntario, el hecho de que incluso las personas que se comprometen voluntariamente a menudo carecen de conocimiento local, la capacidad de la comunidad (o la falta de ella) para realizar o pagar su propio mantenimiento técnico, el hecho de que el trabajo iniciado por parte de las organizaciones sin fines de lucro y los gobiernos no siempre puede asumirse como "bueno", y así sucesivamente. El punto de Hooker es que cuando el objetivo es una vaga noción de "bueno", no hay forma de abordar tales preocupaciones.

Por el contrario, un modelo que posiciona a la coliberación como el objetivo final conduce a un conjunto muy específico de procesos y prácticas, así como a criterios de éxito. La coliberación se basa en la creencia de que las relaciones de poder duraderas y asimétricas entre los grupos sociales son la causa principal de muchos problemas sociales. En lugar de enmarcar los actos de servicio técnico como benevolencia o caridad, el objetivo de la coliberación requiere que quienes llevan a cabo trabajos técnicos reconozcan que también hay un compromisoen una lucha por su propia liberación, incluso y especialmente cuando son miembros de grupos dominantes.

Por estas razones, los proyectos de datos diseñados con la coliberación en mente deben ser muy específicos sobre las dinámicas de poder involucradas. Deben tomar medidas preventivas para contrarrestar el riesgo de privilegio que conlleva el trabajo realizado por miembros de grupos dominantes. Por ejemplo, uno de esos pasos es concentrar deliberadamente el liderazgo estratégico, los recursos financieros y la propiedad de los datos en manos de quienes colaboran y son parte de grupos minorizados.47 También reconoce que el poder diferencial tiene un efecto silenciador y que por una variedad de razones, como se analiza en capítulo 4, los datos cuantitativos pueden dejar a las personas fuera. Para abordar estos problemas, un modelo de datos para la coliberación emparejaría deliberadamente análisis cuantitativos con procesos abiertos de participación ciudadana, lo que daría como resultado una producción de conocimiento local e informada que se derivan de muchas perspectivas.

El alcance de los datos para la coliberación también es más amplio. Incluye explícitamente dos resultados adicionales que los datos para hacer el bien normalmente no incluyen: (1) la transferencia de conocimientos y (2) la construcción de infraestructura social. El primero implica un intercambio bidireccional: en una dirección, la creación de capacidad técnica dentro de la comunidad para que cualquier producto de datos pueda mantenerse o mejorarse sin necesidad de experiencia externa, y en la otra, una mayor comprensión y respeto por el conocimiento local para colaboraciones externas, así como socavar sus propios riesgos de privilegios individuales e institucionales. La construcción de infraestructura social implica un enfoque explícito en el cultivo de la solidaridad comunitaria a través del proyecto. Esto implica asignar recursos financieros y humanos a los aspectos comunitarios del proyecto y no solo a aspectos técnicos como el procesamiento de datos o la creación de aplicaciones. En el modelo de coliberación, los proyectos de ciencia de datos se convierten en proyectos de ciencia comunitaria. Se llevan a cabo simultáneamente en la base de datos y en el espacio público.

Datos para la coliberación en acción

¿Cómo se ven los datos para la coliberación en acción? ¿Hay ejemplos de ciencia de datos feminista que valoren los métodos cuantitativos y los procesos pluralistas, la educación de datos y la solidaridad comunitaria?

Desde 2012, Rahul y Emily Bhargava se han asociado con organizaciones comunitarias desde Belo Horizonte hasta Boston para crear murales de datos en espacios públicos (figura 5.6). Estas son infografías a gran escala que están diseñadas y cuentan historias sobre las personas que viven y trabajan en esos espacios. En todos los casos, fueron las personas las que buscaron la colaboración, habiendo reconocido una necesidad dentro de su propio espacio comunitario. Por ejemplo, en 2013, Groundwork Somerville, una organización sin fines de lucro dedicada a la agricultura urbana, se acercó a Rahul y Emily Bhargava porque estaban en proceso de establecer su primera granja urbana. Como recuerda Emily: “El sitio estaba desordenado: estaba ubicado detrás de unos edificios que se usaban como talleres mecánicos ​​y escondido entre otros lotes semindustriales. Habían construido canteros y sembrado para una temporada de cultivo, pero las personas que pasaban por allí se estaban robando las verduras”.48 La organización también estaba ejecutando un programa de empleo para escuelas secundarias llamado Green Team, pero luchaba por involucrar plenamente a jóvenes en su misión de crear comunidades más saludables.

Al vincular esos dos desafíos, Groundwork Somerville y Rahul y Emily Bhargava decidieron reclutar a jóvenes para crear un mural que ilustrara el propósito de la granja para la comunidad (figura 5.7). Primero, reunieron datos de varias fuentes: datos demográficos de la ciudad, datos del sistema de información geográfica (GIS, por sus siglas en inglés) sobre lotes no utilizados y datos internos de Groundwork Somerville que incluían registros de crecimiento, donaciones de alimentos y registros de asistencia a eventos comunitarios. Luego, trabajaron con estudiantes en varias sesiones extracurriculares para revisar y discutir los datos y participar en la búsqueda de historias (también conocida como “análisis de datos”). Al final de estas sesiones, los grupos de jóvenes habían esbozado el esquema general y la iconografía del mural resultante. Leído de izquierda a derecha, el mural enmarca el problema: un varón agarra una canasta de verduras, pero dice que "la comida saludable es difícil de conseguir". La afirmación está respaldada por datos que muestran el costo de los alimentos saludables y la cantidad de personas con prediabetes. Datos adicionales documentan la cantidad de lotes sin usar en la ciudad y la cantidad de tierra que se ha recuperado para la agricultura urbana, lo que apunta a una oportunidad futura. En la siguiente sección, el mural muestra un camión de Groundwork Somerville que trae productos asequibles al vecindario e incluye el hecho de que emplea a más de cuatrocientos jóvenes residentes. El mural de datos termina con una visión de una comunidad unida y saludable: "En comunidad vivimos mejor".

El 30 de julio de 2013, el alcalde de Somerville y referentes/as comunitarios asistieron a la inauguración oficial del jardín renovado. Emily describe la visita: “Después de pasar semanas analizando los datos, pintando juntos el mural y construyendo relaciones con el personal y las personas voluntarias, los/las/les jóvenes pudieron contar esta historia con gran detalle a las autoridades elegidas democráticamente”.49

La asociación representa algunos de los mejores aspectos de los proyectos de datos diseñados para la coliberación. Pero los murales son solo un resultado posible de este tipo de proceso pluralista centrado en la comunidad.50 Por ejemplo, Democracia Digital [Digital Democracy] trabaja con grupos de pueblos originarios de todo el mundo para defender sus derechos mediante la recopilación de datos y la elaboración de mapas.51 En el proceso, han desarrollado servicios de mensajería de texto con grupos de violencia doméstica en Haití y apoyaron al pueblo Wapichana en Guyana para presentar un caso basado en datos a favor de los derechos sobre la tierra ante el gobierno. En otro ejemplo, el Fideicomiso de Tierras del Lado Oeste de Atlanta [Westside Atlanta Land Trust (WALT)] ha trabajado para lograr viviendas asequibles en Atlanta, Georgia, a través de la recopilación participativa de datos.52 Decepcionada con lo que denominó datos a nivel de condado "triplemente incorrectos", la organización se dispuso a recopilar su propio conjunto de datos espaciales sobre el abandono de la propiedad y la desinversión y lo ha utilizado para presionar a las y los legisladores municipales por el cambio.53

Se podría decir que cada uno de estos proyectos, el mural de datos, el reclamo de derechos sobre la tierra y el mapa de la propiedad abandonada, ejemplifican los datos para el modelo de la coliberación. Cada uno se origina a partir de una necesidad articulada por la comunidad, en lugar de ser proyectada sobre ella por instituciones más poderosas. Cada uno se basa en métodos de recopilación y procesamiento de datos. Y cada uno incorpora además un proceso explícito de transferencia de conocimiento desde una participación externa (personas dedicadas a la consultoría, la comunidad académica, especialistas sin fines de lucro) hacia la propia comunidad. Más importante aún, ninguna de las personas que son colaboradoras externas se imaginan a sí mismos como unicornios, conserjes, ninjas, magos o estrellas de rock. “En Democracia Digital, tratamos de luchar contra la narrativa de los superhéroes”, dice la directora Emily Jacobi. “Somos pares en lugar de superhéroes”.54

En este sentido, cada uno de estos proyectos está diseñado explícitamente para generar solidaridad comunitaria y comprensión compartida en torno a un problema de la ciudadanía. Como Amanda Meng y Carl DiSalvo explican con respecto al proyecto WALT: “La recopilación de datos se convirtió en una forma de generar no solo conciencia de las condiciones, sino una sensibilidad hacia las condiciones.”55 La recopilación de datos y el análisis participativo se convierten en una tecnología de la congregación, una especie de fogata, donde se intercambia información, se mejora la cohesión social y se codiseñan acciones futuras.56 El modelo de fogata también tiene el efecto de desafiar las narrativas deficientes que tan a menudo rodean a las comunidades marginadas.57 En cambio, como ha afirmado la académica de los movimientos sociales Maribel Casas-Cortés, cultivar la solidaridad comunitaria contribuye a un sentido de agencia colectiva y posibilidad transformadora, lo que ella describe como “un sentido innovador de participación política y de revitalizar los imaginarios políticos''.58

¿Tiene peso la fogata?

Los datos para la coliberación son, al mismo tiempo, más específicos que los datos para hacer el bien y son de mayor alcance. Al abogar por el liderazgo y los recursos basados ​​en la comunidad, las investigaciones cualitativas para complementar los análisis cuantitativos y el diseño intencional de proyectos en áreas que exceden el alcance de los proyectos de datos para hacer el bien, como la transferencia de conocimientos y la construcción de la solidaridad comunitaria, los datos para la coliberación permiten la participación de muchos actores y agentes. Pero, ¿tiene peso este modelo pluralista? ¿Cómo serían los “macrodatos para la coliberación”? ¿Es posible?

Las preguntas sobre macrodatos frente a microdatos o datos cuantitativos frente a datos cualitativos se enmarcan con demasiada frecuencia como falsos binarios. Y como con todos los falsos binarios, hay caminos a través de esas distinciones que combinan y multiplican opciones, en lugar de reducir o dividir el mundo en opciones falsas. La pregunta clave que debemos tener en cuenta es cómo podemos ampliar los datos para la coliberación de manera cuidadosa, rigurosa y basada en la comunidad.59

Un ejemplo del mundo real de esta práctica intencional es el Atlas Mundial de la Justicia Ambiental [Global Atlas of Environmental Justice (EJ Atlas)], un proyecto de investigación a gran escala y archivo abierto (figura 5.8) dirigido por la académica Leah Temper y el académico Joan Martinez-Alier.60 Iniciado en 2012 por un equipo de investigación de la Universitat Autónoma de Barcelona, ​​en España, el EJ Atlas representa una colección sistemática de conflictos ecológicos globales. Se creó, en parte, como respuesta a las afirmaciones de que la comunidad académica de la justicia ambiental estaban prestando demasiada atención a los estudios de casos locales obviando establecer conexiones globales. En su mayor parte, los conflictos ecológicos globales que recopila el EJ Atlas son casos directamente salidos de la matriz de la dominación, de personas ricas que sobreutilizan los recursos naturales y desplazan el riesgo y la degradación ambiental a las personas más pobres, que a menudo también son marginadas debido a su género, origen, racialización o geografía. Por ejemplo, uno de los casos en el EJ Atlas analiza los esfuerzos de Berta Cáceres y el pueblo originario Lenca para oponerse a la construcción de una represa y una central hidroeléctrica en Honduras.61 Cáceres ganó premios internacionales por su organización comunitaria y fue trágicamente asesinada por empleados de la empresa que construía la represa. (Los asesinos fueron posteriormente condenados en un tribunal de justicia hondureño.62). En el EJ Atlas, el apartado sobre los esfuerzos de organización de Cáceres incluye abundantes enlaces, fotos y datos geográficos sobre la represa, así como información sobre dónde se clasifica el incidente dentro de la tipología de conflicto construida por Atlas.

El EJ Atlas demuestra que la escala no es incompatible con la valoración de los conocimientos locales y las relaciones con los actores locales. Temper y sus colegas pudieron basarse en relaciones del pasado con organizaciones asociadas para armar su archivo, demostrando cómo el tiempo invertido en construir relaciones al comienzo de un proyecto, o de una carrera, continúa generando beneficios para todas las partes involucradas.63 Al momento de esta escritura, el EJ Atlas incluye cerca de tres mil casos de conflictos ecológicos de todo el mundo. Quienes colaboran en el proyecto han creado submapas del atlas para países como Colombia, Italia y Turquía. Los grupos de activistas han utilizado el atlas para llamar la atención de la prensa y de las personas tomadores de decisiones en política pública (policymaker) sobre conflictos ambientales pasados ​​por alto, como por ejemplo, el caso de la construcción de una estación de esquí en medio de un parque natural en Kazajstán, que ha perturbado los sistemas hidrológicos.64 El atlas también ha permitido la investigación empírica comparativa, como la realizada por la economista Begüm Özkaynak y varios colegas.65 Su trabajo emplea el análisis de redes sociales para estudiar las relaciones entre las corporaciones mineras, sus financistas y los grupos ambientalistas, desafiando esa práctica para comprender la geografía de las partes involucradas y sus conexiones entre sí.66

Enfáticamente, la escala no es incompatible con el imperativo feminista de valorar los saberes múltiples y locales. Investigaciones como la de Özkaynak y la de sus colegas no serían posibles sin un archivo a gran escala como el EJ Atlas. Un proceso pluralista, participativo e iterativo como el EJ Atlas tomará más tiempo para volverse escalable en comparación al enfoque extractivo de cantidad a toda costa de los macrodatos convencionales. Pero, en última instancia, los datos, las relaciones y la capacidad de la comunidad, serán de mayor calidad.

Abrazar el pluralismo

El quinto principio del feminismo de datos es abrazar el pluralismo en todo el proceso de trabajo con datos, desde la recopilación hasta el análisis, la comunicación y la toma de decisiones. Como describimos en este capítulo, el trabajo de datos conlleva un alto riesgo de promulgar lo que Gayatri Spivak ha denominado violencia epistémica, particularmente cuando las personas que realizan el trabajo son forasteros en el conjunto de datos, cuando están uno o más pasos alejados del contexto local de los datos y cuando se ven a sí mismos (o son vistos por la sociedad) como unicornios, estrellas de rock y magos.

Abrazar el pluralismo es una estrategia feminista para mitigar este riesgo. Permite tiempo y espacio para que una variedad de participantes contribuyan con su conocimiento a un proyecto de datos y lo hagan en todas las etapas de ese proyecto. A diferencia de un modelo inespecífico de “datos para hacer el bien”, abrazar el pluralismo ofrece una manera de trabajar hacia un modelo de datos para la coliberación. Esto significa transferir conocimiento de las personas expertas a las comunidades y cultivar explícitamente la solidaridad comunitaria en el trabajo de datos, como vemos en el caso del Proyecto de Mapeo Antidesalojo. Además, incorporar el pluralismo no es incompatible con la “grandeza” o la escala; el EJ Atlas muestra cómo se pueden utilizar procesos pluralistas para ensamblar un archivo global y apoyar el trabajo empírico al servicio de la justicia. Un solo mago científico de datos nunca vencerá solo a la matriz de dominación, sin importar cuán poderosos puedan ser sus hechizos. Pero un proceso participativo bien diseñado, basado en datos, que se enfoque en los puntos de vista de las personas más marginadas, que empodere a quienes participan del proyecto y que construya nuevas relaciones que crucen las fronteras de las diferencias sociales - bueno, esto podría merecer una oportunidad -.