اصل: بازنگری در ساختارهای باینری و سلسله‌مراتبی

فمینیسم داده‌ از ما می‌خواهد که جنسیت باینری و دیگر سیستم‌های شمارش و دسته‌بندی که سلطه و ستم را تداوم می‌بخشند، به چالش بکشیم.

«برای ادامه وارد شوید یا یک حساب کاربری ایجاد کنید». در زمانی که تقریبا هر وب‌سایتی به یک حساب کاربری خاص خود و رمز عبوری که به سرعت فراموش می‌شود، نیاز دارد، این کلمات معمولا آه از نهاد آدم بلند می‌کنند. اما ساخت یک حساب کاربری جدید برای افرادی مانند ماریا مونیر1، دانشجوی بریتانیایی غیرباینری که همراه باراک اوباما، رئیس‌جمهور وقت ایالات‌متحده، در برنامه زنده تلویزیونی حاضر شد، بیشتر از آزار و اذیت محض است2. وب‌سایت‌هایی که به‌عنوان بخشی از پروسه ایجاد حساب کاربری به اطلاعات جنسیت نیاز دارند، تقریبا همیشه فقط امکان یک انتخاب باینری را فراهم می‌کنند: «مذکر یا مونث»3. برای مونیر، این گزینه‌ها ناکافی هستند. این گزینه‌ها همچنین هزینه‌های عاطفی با خود همراه دارند: «هر بار که مجبورم بین «مونث» و «مذکر» انتخاب کنم، احساس ناخوشایندی می‌کنم، زیرا این چیزی است که در گذرنامه‌ام ثبت شده، و ... غیرباینری بودن هنوز از نظر قانونی در بریتانیا به رسمیت شناخته نشده است»4.

ممکن است برای میلیون‌ها انسان غیرباینری در جهان - یعنی افرادی که مذکر «یا» مونث، مرد «یا» زن نیستند - پاسخ به درخواستِ به‌ظاهر ساده «انتخاب جنسیت» دشوار باشد، اگر اصلا بتوان به آن پاسخ داد5. با این‌حال، هنگام ایجاد یک حساب کاربری آنلاین، چه رسد به درخواست گذرنامه، انتخاب بین «مذکر» یا «مونث» و فقط «مذکر» یا «مونث» تقریباً همیشه تنها گزینه موجود است6. همان‌طور که مونیر به صراحت بیان کرد این گزینه‌ها (یا فقدان آن‌ها) پیامدهایی دارند: «اگر از ثبت اطلاعات افراد غیرباینری مثل من در برگه تولد و شناسنامه امتناع کنید، و این اطلاعات در هیچ جای دیگری هم ثبت نشود، چه در هنگام ایجاد حساب‌های بانکی یا ثبت‌نام در فهرست‌های پستی، حق ندارید برگردید و بگویید که تعداد ما به اندازه‌ای نیست که انجام تغییرات را الزامی کند»7.

جونی سیگر8، جغرافی‌دان فمینیست، می‌گوید: «آن چیزی که شمارش می‌شود، اهمیت پیدا می‌کند» و مونیر کسی است که این را می‌فهمد9. آن چیزی که شمارش می‌شود - مانند مرد یا زن بودن - اغلب مبنای سیاست‌گذاری و تخصیص منابع می‌شود. در مقابل، چیزهایی که شمارش نمی‌شوند - مانند غیرباینری بودن - دیده نمی‌شوند (اگرچه دلایل خوبی برای دیده‌نشدن در برخی زمینه‌ها وجود دارد، که به زودی به آن‌ها برمی‌گردیم). تمرکز تحقیقات سیگر بر جنسیت، محیط‌زیست و سیاست است (شکل ۴.۱ را ببینید)، و به گفته او میزان داده‌های جهانیِ جمع‌آوری‌شده در مورد جنسیت بیشتر از هر زمانی به نسبت گذشته است. با این‌حال، تلاش‌های صورت‌گرفته برای جمع‌آوری داده‌‌ها، اغلب هنوز بسیاری از افراد، از جمله افراد غیرباینری، هم‌جنس‌گرایان زن، و زنان مسن را کنار می‌گذارند. حتی از کسانی که شمارش می‌شوند، معمولا سؤالات بسیار خاصی در مورد زندگی‌شان پرسیده می‌شود. سیگر در یک سخنرانی در کتابخانه عمومی بوستون گفت: «به نظر می‌رسد که از زنان کشورهای فقیر روزی شش بار سؤال می‌شود که از چه شیوه پیشگیری بارداری استفاده می‌کنند. اما از آن‌ها در مورد اینکه آیا به امکانات سقط‌جنین دسترسی دارند یا خیر، سؤالی نمی‌شود. از آن‌ها در مورد این‌که چه ورزش‌هایی را دوست دارند انجام دهند، سوالی نمی‌شود»10.همان‌طور که در پایان این فصل به آن خواهیم پرداخت، تبدیل تجربه‌های کیفی به داده می‌تواند قدرت‌بخش و حتی التیام‌بخش باشند. داده‌های کمی اگر با دقت جمع‌آوری شوند، می‌توانند قدرت‌بخش باشند. بسیاری از مسائل نابرابری ساختاری، مشکل مقیاس‌پذیری دارند وتا زمانی که به‌عنوان یک کل دیده نشوند، می‌توانند نمونه‌هایی بی‌اهمیتی به نظر آیند. برای مثال، در سال ۲۰۱۴، هنگامی که شلی کاب11 و لیندا روث ویلیامز12، اساتید سینما شروع به شمارش زنان فعال در صنعت فیلم‌سازی بریتانیا کردند، با یک فیلمنامه‌نویس زن روبرو شدند که پیش از این تصور نمی‌کرد که تعداد فیلمنامه‌نویسان زن در انگلستان چهار برابر تعداد فیلم‌نامه‌نویسان سایر جنسیت‌ها باشد13. آن فیلم‌نامه‌نویس متعجبانه گفت: «من حتی این را نمی‌دانستم، زیرا فیلمنامه‌نویسان هرگز یکدیگر را نمی‌بینند»14.

وضعیت مشابهی در گزارش پروپابلیکا در مورد مرگ‌ومیر مادران در ایالات‌متحده که در فصل ۱ به آن اشاره کردیم رخ داد. تیم تحقیق شروع به شمارش تمام مادرانی کرد که در زمان زایمان یا در اثر عوارض پس از زایمان فوت کرده بودند. آن‌ها با بسیاری از خانواده‌های زنانی که هنگام زایمان فوت کرده بودند مصاحبه کردند، اما مانند فیلمنامه‌نویسی که بالا به آن اشاره شد، تعداد کمی از خانواده‌ها می‌دانستند که این مساله فراتر از دختران، خواهران، شرکای زندگی، و دوستان‌شان است. این فقدان داده، مانند مورد مرگ‌ومیر مادران، یکی دیگر از مشکلات ساختاری است، و دلیلی است بر این‌که جامعه‌شناسان فمینیست، مانند آن اوکلی15، مدت‌هاست از استفاده از روش‌های کمی در کنار روش‌های کیفی حمایت می‌کنند. اوکلی توضیح می‌دهد که بدون تحقیقات کمی، «تشخیص بین تجربیات شخصی و سرکوب جمعی دشوار است»16.

اما قبل از این‌که سرکوب جمعی بتواند توسط تحلیل‌هایی همانند آن‌چه که پروپابلیکا انجام داد شناسایی شود، باید در قدم اول داده‌هایی وجود داشته باشد. این موضوع ما را برمی‌گرداند به ماریا مونیر و اهمیت جمع‌آوری داده‌‌هایی که نشان‌دهنده جمعیتی که قرار است نمایندگی کند. فیسبوک، سال ۲۰۱۴ در این رابطه پیشتاز بود و دسته‌بندی‌ جنسیتی کاربران ثبت‌نام‌شده را از دو دسته به بیش از ۵۰ انتخاب افزایش داد، از «جندرکوئیر» تا «هیچ‌کدام». این حرکتی بود که به شکلی گسترده توسط طیف وسیعی از گروه‌های حامی +LGBTQ تحسین شد17 (شکل ۴.۲الف). یک سال پس از آن، زمانی‌که فیسبوک انتخاب از بین گزینه‌های موجود را به کلی کنار گذاشت و منوی کشویی «جنسیت» را با یک بخش متنی خالی جایگزین کرد، تصمیمی به‌مراتب پیشروتر به‌حساب آمد18 (شکل ۴.۲ب). از آن‌جایی که کاربران فیسبوک می‌توانستند هر کلمه یا عبارتی را برای نشان‌دادن جنسیت خود وارد کنند، دیگر توسط پیش‌فرض‌های تحمیل‌شده و از پیش تعیین‌شده محدود نمی‌شدند19.

اما تحقیقات بیشتر توسط رنا بیونز20، پژوهش‌گر مطالعات اطلاعات، نشان داد که فیسبوک در پشت‌صحنه، جنسیت کاربران را به شکل باینری در نظر می‌گیرد: «مذکر» یا «مونث»21. ظاهرا، این تصمیم برای این گرفته شده بود که فیسبوک بتواند به مشتریان اصلی خود - تبلیغ‌کنندگان - اجازه دهد تا راحت‌تر برای جنسیت‌های گوناگون بازاریابی کنند. به‌عبارت دیگر، حتی اگر بتوانید جنسیتی را انتخاب کنید که به دوستان فیسبوکی خود نشان می‌دهید، همچنان نمی‌توانید جنسیتی را که فیسبوک به مشتریانی که هزینه پرداخت می‌کنند نشان می‌دهد، تغییر دهید (شکل ۴.۳). و این اختلاف به مساله قدرت که از ابتدای این کتاب در مورد آن بحث کردیم برمی‌گردد: این شرکت‌هایی مانند فیسبوک هستند، نه افرادی مانند ماریا مونیر، که قدرت کنترل شرایط جمع‌آوری داده‌ها را در دست دارند. این واقعیت حتی زمانی نیز پابرجاست که افرادی مانند مونیر به‌طور شخصی (و اغلب با دشواری) با محدودیت‌های این سیستم‌های دسته‌بندس روبرو شده‌اند، و دقیقا آن‌ها هستند که بهترین آگاهی را از نحوه بهبود، بازسازی، یا در برخی موارد لغو کامل این سیستم‌ها دارند.

فمینیست‌ها زمان زیادی را صرف اندیشیدن به مورد سیستم‌های دسته‌بندی کرده‌اند، زیرا معیاری که براساس آن مردم به دسته‌های زن و مرد تقسیم می‌شوند دقیقا همان است: یک سیستم دسته‌بندی22. و با وجود این‌که جنسیت باینری یکی از گسترده‌ترین سیستم‌های دسته‌بندی در جهانِ امروز است، اما از نظر ساختگی‌بودن چیزی کمتر از پلتفرم تبلیغاتی فیسبوک یا مثلا پل گلدن‌گیت23 نیست. پل گلدن‌گیت یک ساختار فیزیکی است، پلتفرم تبلیغات فیسبوک یک ساختار مجازی است، و جنسیت باینری یک ساختار مفهومی است. اما همه این ساختارها توسط آدم‌ها ایجاد شده‌اند: آدم‌هایی که در یک مکان و زمان خاص زندگی می‌کنند و همانند ما تحت تأثیر دنیای اطراف‌شان هستند24.

بسیاری از محققان فمینیست قرن بیستم تلاش کردند تا با درنظر گرفتن جنسیت25 به‌عنوان چیزی جدا از جنس26 (هویت جنسی)، به ساختار اجتماعی جنسیت بپردازند. اما این تمایز به طور فزاینده‌ای در حال از بین‌رفتن است. همان‌طور که معلوم شده است، جنس و جنسیت هر دو ساختارهای اجتماعی هستند. هویت جنسی که حتی گاهی امروزه به‌عنوان مفهومی زیست‌شناختی در نظر گرفته می‌شود، دارای تاریخ فرهنگی متمایزی است. این می‌تواند به مکان (اروپا) و زمان (روشنگری) بازگردانده شود که نظریه‌های جدیدی درباره دموکراسی و آن‌چه که فیلسوفان آن را «حقوق طبیعی» نامیدند، شروع به ظهور کرد. قبل از آن، «سلسله‌مراتبی» از هویت‌های جنسی وجود داشت که مردان در بالا و زنان در پایین بودند. (ارسطو، متشکریم!27) اما دقیقا یک تمایز دوگانه بین این دو (یا چند) هویت جنسی وجود نداشت. در واقع، به گفته توماس لاکور28، مورخ جنس و جنسیت، اکثر مردم معتقد بودند که زنان فقط نسخه‌ای ناقص از مردانی هستند که به جای آن‌که آلت تناسلی‌شان بیرون از بدن‌شان باشد در داخل بدن‌شان قرار دارد - و واقعا! - فکر می‌کردند این آلت تناسلی می‌تواند زمانی بیرون بزند29.

برای این‌که ایده هویت جنسی باینری قوت پیدا کند، لازم بود تا چهره‌هایی مانند توماس جفرسون30 اعلام کنند که همه مردان برابر آفریده شده‌اند، و باید کشورهایی مانند ایالات‌متحده بر این اساس بنا شوند. با این اتفاق، رهبران سیاسی درباره آن‌چه دقیقا اعلام کرده بودند نگران شدند: اصل برابری در مورد چه کسانی اعمال می‌شود؟ همه سیستم‌های گوناگون دسته‌بندی افراد، ریشه در آن دوران دارند - نه تنها [دسته‌بندی بر اساس] هویت جنسی، بلکه مهم‌تر از آن، بر اساس نژاد31. قبل از قرن هجدهم، جوامع غربی، نژاد را مفهومی مرتبط با وابستگی‌های مذهبی، منشأ جغرافیایی، یا ترکیبی از هر دو می‌دانستند. نژاد تا زمان ظهور تجارت برده در اقیانوس اطلس، در قرن هفدهم، ارتباط بسیار کمی با رنگ پوست داشت32. و حتی در آن زمان، نژاد هنوز مفهومی مبهم بود. در اواسط قرن هجدهم و با ظهور نژادپرستیِ علمی، تعریف نژاد در جوامع غربی به‌عنوان سیاه و سفید آغاز شد.

برای نمونه، کارل لینه33 و سیستم دسته‌بندی انقلابی، که از ساخت آن اعتباری به دست آورد، را در نظر بگیرید34. سیستم دسته‌بندی باینری لینه، سیستمی است که دانشمندان همچنان برای دسته‌بندی انسان‌ها و سایر موجودات زنده از آن استفاده می‌کنند. اما همان‌طور که مشخص است، سیستم لینه فقط شامل دسته «هوموساپینس‌ها» نمی‌شود. همان‌طور که مورخان می‌گویند و جای تعجب نیست، این سیستم همچنین به غلط پنج زیرمجموعه از انسان‌ها که بر اساس نژاد از هم جدا شده‌اند را شامل می‌شود. (در صورتی که هنوز بخواهید از علم او حمایت کنید، توجه داشته باشید که یکی از این پنج مجموعه برای انسان‌های افسانه‌ای در نظر گرفته شده که در زندگی واقعی وجود ندارند). اما سیستم دسته‌بندی لینه حتی بدترین مورد نبود. در طول قرن هجدهم، سیستم‌های دسته‌بندی نژادپرستانه همراه شبه‌علومی مانند آناتومی مقایسه‌ای و ریخت‌شناسی ظاهری35 به‌شکل روزافزونی شروع به ظهور کردند. این‌ها به مردان سفید نخبه امکان می‌دادند تا برای رفتار متفاوت با رنگین‌پوستان، زنان، افراد ناتوان جسمی و ذهنی، و همجنس‌گرایان، در میان گروه‌های دیگر، پایه‌ای به‌ظاهر عملی ارائه کنند. اگرچه این رشته‌ها مدت‌هاست که بی‌اعتبار شده‌اند، اما آثار آن‌ها همچنان دیده می‌شود، برای مثال، در مواردی مانند پیامدهای سلامت مادران که پیشتر در مورد آن صحبت کردیم، یا پیشنهاد نرخ‌های متفاوت بیمه خودرو به رانندگان سیاه و سفید که در تحقیقات پروپابلیکا و «گزارش مشتریان»36 شرح داده شد37. علاوه بر این، با گسترش روزافزون شیوه‌های یادگیری‌ماشین در حوزه‌های جدید زندگی بشر، تبعیض‌نژادی علمی در حال بازگشت است. بلز آگوئرا وآرکاس38، مارگارت میچل39 و الکساندر تودوروف40، سه محقق برجسته هوش‌مصنوعی،‌ با اشاره به یکی از شیوه‌های یادگیری‌ماشین که از تصاویر چهره‌ها برای دسته‌بندی مجرمان استفاده می‌کند و با برملاکردن عمل‌کرد آن، اعلام کردند که تبعیض‌نژادی علمی «وارد عصر جدیدی شده است»41.

یک راه‌حل ساده می‌تواند این باشد که بگویید: «خیلی خب، دیگر چیزی یا کسی را دسته‌بندی نکنیم!» اما مشکل این است که داده‌ها باید به نحوی دسته‌بندی شوند تا بتوانند مورد استفاده قرار گیرند. در واقع، زمانی که اطلاعات به داده تبدیل می‌شوند، به‌نحوی قبلا دسته‌بندی شده‌اند. به هر حال، داده‌ها اطلاعاتی هستند که «قابل کنترل، مدیریت و پردازش» هستند، اصطلاحی که از علوم کامپیوتر گرفته شده است. همانطور که لورن در مقاله‌ای که با همکاری میریام پوسنر42، پژوهش‌گر مطالعات اطلاعات، نوشته: «آن‌چه داده را از سایر اشکال اطلاعات متمایز می‌کند این است که می‌تواند توسط کامپیوتر یا عملیات‌هایی مشابه کامپیوتر پردازش شود»43. و برای ممکن‌کردن این عملیات‌ها، که از شمارش تا مرتب‌سازی و از مدل‌سازی تا تصویرسازی را شامل می‌شود، داده‌ها باید به‌نوعی دسته‌بندی شوند - اگر چه نه همیشه در دسته‌های مفهومی مانند جنسیت، حداقل در دسته‌های محاسباتی مانند «‌Boolean» (نوعی داده با تنها دو مقدار، مانند درست یا غلط)، «اعداد صحیح» (نوعی عدد بدون اعشار، مانند ۲۳۷ یا -۱)، یا «رشته» (توالی از حروف یا کلمات، مانند «این»).

همان‌طور که جفری بوکر44 و سوزان لی استار45، نظریه‌پردازان اطلاعات، در کتاب تأثیرگذار خود، «مرتب‌سازی چیزها»46، توضیح داده‌اند، سیستم‌های دسته‌بندی برای هر زیرساخت کاری ضروری هستند47. این نه تنها برای زیرساخت‌های محاسباتی و مفهومی، بلکه برای زیرساخت‌های فیزیکی مانند سیستم پرداخت در فروشگاه مواد غذایی نیز صادق است. تصور کنید وقتی یک خریدار در صف پرداخت سریع، پشت سر کسی قرار بگیرد که ۱۵ بسته دارد، چقدر عصبانی می‌شود. یا نزدیک‌تر به زندگی روزمره، به سیستمی فکر کنید که برای مرتب کردن لباس‌های‌تان برای شستشو استفاده می‌کنید (یا باید استفاده کنید). مساله این نیست که ما باید این سیستم‌های دسته‌بندی را بی‌دلیل رد کنیم، یا حتی اگر می‌خواستیم می‌توانستیم. (ما تقریبا مطمئن هستیم که هیچ‌کسی نمی‌خواهد همه جوراب‌هایش صورتی شود). نکته این است که وقتی سیستمی مستقر شد، به‌عنوان «وضعیت طبیعی امور» پذیرفته می‌شود. این بدان معناست که ما نمی‌پرسیم که سیستم‌های دسته‌بندی ما چگونه ساخته شده‌اند، چه ارزش‌ها یا قضاوت‌هایی ممکن است در آن‌ها نهادینه شده باشند، یا چرا در وهله اول به ذهن رسیده‌اند. در واقع ما اغلب فراموش می‌کنیم که این سوالات را بپرسیم تا این‌که که سیستم‌های ما موضوع اختلاف شوند یا کاملا فروبپاشند - و این نکته دیگری است که بوکر و استار به آن اشاره کرده‌اند.

بوکر و استار برای نمونه به مناظره‌های عمومی دهه ۱۹۹۰ در مورد شیوه‌های دسته‌بندی نژادها در سرشماری فدرال ایالات‌متحده اشاره کردند. مساله این بود که آیا مردم باید امکان انتخاب چند نژاد را در فرم سرشماری داشته باشند یا نه. افراد چندنژادی و خانواده‌های‌شان برخی از حامیان اصلی این گزینه بودند که آن را راهی برای شناخت هویت‌های چندگانه‌شان می‌دانستند، به‌جای این‌که مجبور باشند تا خود را در یک قالب منفرد و ناکافی جای دهند. در مقابل، «کنگره مشترک سیاهان»48 و همچنین برخی از گروه‌های حقوق مدنی سیاهان و لاتین‌تبارها این گزینه را رد کردند، زیرا آن را امکان بالقوه‌ای برای کاهش نقش نمایندگی خود می‌دیدند49. در نهایت، در سرشماری سال ۲۰۰۰ به مردم اجازه داده شد تا چندین نژاد را انتخاب کنند و میلیون‌ها نفر از این امکان استفاده کردند. اما بحث‌های پیرامون آن دسته‌بندی تک‌نوعی نشان داد که چگونه دسته‌بندی می‌تواند به سرعت و با طیفی از عواقب شخصی و سیاسی پیچیده شود50.

سیستم‌های دسته‌بندی همچنین پیامدهای مادی قابل توجهی دارند که سرشماری ایالات‌متحده نمونه دیگری از آن است. از نتایج سرشماری برای مشخص‌کردن مناطق رای‌دهی، اتخاذ تصمیم‌های سیاسی، و تخصیص میلیاردها دلار به منابع فدرال استفاده می‌شود. پیشنهاد اخیر جمهوری‌خواهان برای طرح سوال درباره وضعیت شهروندی در سرشماری ۲۰۲۰ نشان‌دهنده تلاشی برای استفاده از این قدرت برای دست‌یابی به اهداف سیاسی خاص بود. از آن‌جایی که مهاجران غیرقانونی از خطراتی مانند اخراج آگاه هستند، که با شمارش آن‌ها همراه است، احتمال کمتری دارد که پرسشنامه سرشماری را تکمیل کنند. اما از آن‌جا که نمایندگی سیاسی و تخصیص بودجه فدرال بر اساس تعداد و گستردگی مناطق جغرافیایی افراد شمارش‌شده در سرشماری صورت می‌گیرد، عدم ثبت دقیق تعداد مهاجران غیرقانونی (و مهاجران قانونی که اغلب با آن‌ها زندگی می‌کنند) منجربه قدرت‌رای کمتر و منابع کمتری می‌شود که به آن گروه‌ها تعلق می‌گیرد. این مثال واضحی از «پارادوکس افشاسازی»51 است: یک دوگانگی مضاعف که افرادی را که از شمارش‌شدن به‌طور قابل‌توجهی سود می‌برند، در معرض بیشترین خطر از همان عمل شمارش (یا دسته‌بندی) قرار می‌دهد.

در هر یک از این موارد، همان‌طور که در هر موردی که دقیقا در یک قالب نمی‌گنجد (یا نمی‌خواهد در آن قالب جا بیفتد) رخ می‌دهد، مهم است که بپرسید آیا دسته‌بندی‌ها ناکارآمد هستند یا خود سیستمِ دسته‌بندی نامناسب است - و این یک حرکت مهم فمینیستی است. در پشت بسیاری از سیستم‌های دسته‌بندی، دودودیی‌های کاذب و سلسله‌مراتب‌های ضمنی نهفته است، مانند تفاوت‌های مصنوعی بین زن و مرد، عقل و احساس، طبیعت و فرهنگ، و بدن و جهان. دهه‌ها تفکر فمینیستی به ما آموخته است که بپرسیم چرا این تمایزات به وجود آمده است، چه ارزش‌های اجتماعی، فرهنگی یا سیاسی را بازنمایی می‌کنند، چه سلسله‌مراتب‌های پنهان (یا نه چندان پنهان) را در خود دارند، و مهمتر از همه، این‌که آیا آن‌ها باید وجود داشته باشند یا خیر؟

زیرسوال‌بردن سیستم‌های دسته‌بندی

بیایید زمانی را صرف آشنایی با فردی حقیقی کنیم که شروع به سوال از سیستم‌های دسته‌بندی اطراف خود کرد: مایکل هیکس52، یک کودک هشت‌ساله از نیوجرسی و عضو گروه پیش‌آهنگان خردسال. چرا مایکی، که بیشتر به این نام شناخته می‌شد، تا این اندازه نگران دسته‌بندی بود؟ مایکی با فردی که در لیست تروریست‌های تحت‌نظر دولت فدرال ایالات‌متحده قرار داشت، هم‌نام بود. در نتیجه، مایکی به‌عنوان یک تروریست بالقوه دسته‌بندی شده بود و هر بار که به سفری می‌رفت تحت بالاترین نظارت‌های امنیتی فرودگاه قرار می‌گرفت. مادر او با تاسف به لیزت آلوارز53، خبرنگار «نیویورک‌تایمز»، که این موضوع را در سال ۲۰۱۰ پوشش می‌داد، گفت:‌ «یک تروریست می‌تواند جلیقه خود را منفجر کند و او را نگیرند. اما کودک هشت ساله من نمی‌تواند بدون این‌که سروصدا شود از بخش امنیت بگذرد»54.

البته، از برخی جهات، مایکی خوش‌شانس بود. او سفید است و بنابراین با خطرات تمایز نژادی روبرو نمی‌شد - برخلافِ، برای مثال، بسیاری از زنان سیاه که به دلیل موهای‌شان، توسط بخش امنیتی فرودگاه تفتیش بدنی ویژه‌ می‌شوند55. علاوه بر این، نام مایکی آنگلو-اروپایی به نظر می‌رسد، بنابراین لازم نبود در مورد تمایلات مذهبی یا قومی نگران باشد - برخلافِ، برای مثال، افرادی به نام محمد که به دلیل نام اسلامی خود، به نسبتِ بیشتری توسط پلیس توقیف می‌شوند56. اما با این‌حال، مایکیِ پیش‌آهنگ خردسال کمک کرد تا بعضی از ناتوانی‌های گروه‌بندی‌هایی که بدنه سیستم دسته‌بندی تروریستی امنیت فرودگاه را می‌سازند، افشا شوند. ترکیب نام و نام‌خانوادگی به تنهایی کافی نیست تا یک نفر به‌عنوان تروریست دسته‌بندی شود.

یا، شخص دیگری را با سابقه تجربیات بد (به معنای واقعی کلمه) از بخش امنیت فرودگاه در نظر بگیرید. ساشا کوستانزا-چاک57 مانند ماریا مونیر فردی غیرباینتری است. او استاد طراحی در MIT است و تجربه زیادی در مورد زندگی با سیستم‌های دسته‌بندی ظالمانه و بررسی آن‌ها دارد. در مقاله‌ای در سال ۲۰۱۸، «عدالت طراحی، هوش‌مصنوعی، و خروج از ماتریس سلطه»58، او مثالی دقیق در مورد این‌که چرا عدالت طراحی در رابطه با داده‌ها مورد نیاز است، ارائه کرد59. این مقاله توضیح می‌دهد که سیستم به‌ظاهر ساده‌ای که اپراتورهای دستگاه‌های اسکن امنیتی فرودگاهی با امواج میلیمتری از آن‌ها استفاده می‌کنند، در واقع بسیار پیچیده و همچنین ناکارآمد است.

تعداد کمی از افراد سیس‌جندر از این واقعیت آگاه هستند که قبل از ورود به دستگاه اسکن، مامور بخش امنیت فرودگاه که دستگاه را اداره می‌کند بدن شما را سر تا پا برانداز می‌کند و تصمیم می‌گیرد که آیا مرد یا زن هستید، و سپس با فشار دکمه‌ای جنسیت متناظر روی رابط لمسی دستگاه اسکن را انتخاب می‌کند. این تصمیم انسانی، پروفایل الگوریتم متناسب با بدن افراد مذکر یا مونث را بارگذاری می‌کند که اندازه‌گیری‌های بدن شما با آن مقایسه می‌شود. اگر اندازه‌های بدن شما از میانگین آماری بدن آن جنسیت فاصله داشته باشد - چه به دلیل پنهان‌کردن یک اسلحه کشنده، چه به دلیل قرار نگرفتن مناسب بدن شما در هیچ یک از دو دسته‌ای که سیستم فراهم کرده، یا به دلیل انتخاب اشتباه مامور بخش امنیت فرودگاه - شما یک «هشدار خطر» می‌سازید. سپس، شما در اقدامی که دین اسپید60، نظریه‌پرداز حقوقی، آن را «خشونت اداری»61 می‌نامد، در معرض همان تفتیش بدنی قرار می‌گیرید که یک تروریست بالقوه تفتیش می‌شود62. در این‌جا مساله این نیست که ماشین‌های اسکن بر اساس تعدادِ ناکافیِ دسته‌بندی کار می‌کنند، مانند مورد مایکی پیشاهنگِ خردسال، یا آن‌طور که مادر مایکی می‌گوید، از دسته‌بندی اشتباه استفاده می‌کنند. مساله این است که دستگاه‌های اسکن بخش امنیت فرودگاه نباید برای دسته‌بندی مسافران هوایی از ابتدا به جنسیت متکی باشند. (و همین‌طور که در این مسیر پیش می‌رویم، چگونه می‌توان آینده‌ای را بدون یک نهاد دولتی تصور کنیم، که به‌طور نظام‌مند، زنان سیاه، ترنس‌ها، و پیشاهنگ‌ها را متمایز نکند؟)

بنابراین وقتی می‌گوییم آن‌چه شمارش می‌شود اهمیت دارد، به افرادی مانند ساشا کوستانزا-چاک یا مایکی هیکس یا ماریا مونیر فکر می‌کنیم. زیرا سیستم‌های دسته‌بندی معیوب - مانند سیستمی که مبنای الگوریتم تشخیص خطر دستگاه اسکن فرودگاه است، یا آن چیزی که تعیین می‌کند کدام نام‌ها در فهرست‌های نظارت تروریستی قرار گیرند، یا به سادگی (به سادگی!) جنسیت باینری، نه تنها به خودی‌خود مشکلات مهمی هستند، بلکه نشان‌دهنده علائم یک وضعیت جهان‌شمول‌تر از نابرابری هستند. ماتریس سلطه، که در فصل ۱ معرفی کردیم، توضیح می‌دهد که چگونگی نژاد، جنسیت، و طبقه (در میان موارد دیگر) با هم تلاقی پیدا می‌کنند تا فرصت‌ها را برای برخی افراد، زیاد و برای برخی دیگر محدود کنند63. تحت ماتریس سلطه، بدن‌های استاندارد به راحتی از میان دستگاه‌های اسکن، مرزها و دستشویی‌ها عبور می‌کنند. این سیستم‌ها توسط افرادی مانند آن‌ها، برای افرادی مانند آن‌ها طراحی شده‌اند، با این هدف که - گاهی اوقات به صراحت - افراد متفاوت با آن‌ها را حذف کنند64.

همان‌طور که این مثال‌ها نشان می‌دهند، نیروهایی که از طریق ماتریس سلطه عمل می‌کنند، پنهان و پراکنده هستند و همه‌جا ظاهر می‌شوند - حتی در جیب شلوارها. تحقیقات روزنامه‌نگاری اخیر در مورد اندازه جیب‌های هشتاد شلوار جین مردانه و زنانه، چیزی را که زنان (و مردان و افراد غیرباینری که شلوار جین زنانه می‌پوشند) سال‌ها گفته‌اند، تایید کرده است: این‌که جیب شلوار آن‌ها به اندازه کافی بزرگ نیست65 (شکل ۴.۴). به‌طور مشخص، جیب شلوار جین طراحی شده برای زنان ۴۸ درصد کوتاه‌تر و ۶/۵ درصد باریک‌تر از جیب شلوار جین طراحی شده برای مردان است. این اندازه مهم است! بر اساس همین مطالعه، تنها ۴۰ درصد از جیب‌های جلوی شلوار جین زنانه برای گوشی‌های هوشمند جای دارند و کمتر از نیمی از آن‌ها «می‌توانند کیف‌هایی را که «به‌طور خاص» برای قرار دادن در جیب‌های جلویی طراحی شده‌اند، جا دهند». بدین‌ترتیب بازار پررونقی برای کیف‌های دستی زنانه (برای نگهداری کیف‌پول جیب جلوی فوق‌الذکر) و برای جایگزینی صفحه نمایش گوشی‌های هوشمند (برای زمانی که تلفن شما از جیب خیلی کوچک شما می‌افتد و ترک می‌خورد) به وجود آمده است.

تقریبا با اطمینان می‌توان گفت که طراحان شلوار جین زنانه در فکر این نیستند که: «بیایید با کوچک‌کردن جیب‌ زنان آن‌ها را آزار دهیم». آن‌ها احتمالا فقط به این فکر می‌کنند که چه چیزی زیبا به نظر می‌رسد. اما این‌که چه چیزی زیبا به نظر می‌رسد نیز تاریخچه‌ای دارد. تا پیش از قرن هفدهم، «جیب‌ها» کیسه‌های بیرونی روی رشته‌هایی بودند که می‌توانستند در بالا یا پایین لباس‌های دیگر بسته شوند. اما از آغاز سده ۱۶۰۰، لباس‌های مردانه شروع به استفاده از جیب‌های داخلی کردند. در همین حال، لباس‌های زنانه، پیوسته جذب‌تر و بدن‌نماتر شدند. در اواخر قرن هجدهم، دیگر جایی برای جیب زنان نماند و این منجربه ظهور مد جدیدی شد به نام کیف‌دستی توری، یا چیزی که به‌عنوان کیف‌پول زنانه شناخته می‌شود. این کیف‌‌دستی‌های کوچک از پارچه ساخته شده‌ بودند و طبق تاریخچه مفید جیب‌های موزه «ویکتوریا و آلبرت»66 که به صورت آنلاین ارائه شده است، ظرفیت زیادی نداشتند67. با این‌حال، همان‌طور که مسئولین موزه اشاره می‌کنند، در دوره‌ای که اکثر مردم قفسه‌ها و کمدهای خود را به اشتراک می‌گذاشتند، این کیف‌های دستی یکی از معدود جاهایی بود که زنان می‌توانستند چیزهایی که می‌خواستند برای خود نگه دارند را آن‌جا بگذارند. به زمان حال بازگردیم، و هم‌چنان زنان (و افرادی که مد زنانه می‌پوشند) باید وسایل خود را خارج از لباس خود و در معرض دید عموم قرار دهند. آن‌ها همچنین امکان زنان برای استفاده هم‌زمان از هر دو دست را محدود می‌کنند. این (تقریبا) آزاری جزئی است، اما یکی از مواردی است که «مردسالاری» به شکلی ناخواسته و نامرئی خود را بازتولید می‌کند. مردسالاری اصطلاحی است که توصیف‌کننده ترکیبی از چارچوب‌های قانونی، ساختارهای اجتماعی، و ارزش‌های فرهنگی است که تسلط مردانه بر جامعه را تداوم می‌دهد. در این مورد، این شلوارها هستند - شاید حتی همینی که الان به تن دارید - که نیروی سرکوب‌گر مردسالاری را ایجاد و تحکیم می‌کنند.

همان‌طور که مشخص است، علاوه بر جیب شلوارها، یکی دیگر از عواملی که مردسالاری را تقویت می‌کند، نگرش‌های ما نسبت به خود جنسیت است. ما گفتیم که «جنسیت یک ساختار اجتماعی است»، اما این عبارت واقعا به چه معناست؟ جودیت باتلر68، نظریه‌پرداز کوئیر، مدت‌هاست که بر این مساله تاکید می‌کند که جنسیت با تکرار اعمال و با مجموعه‌ای از دسته‌بندی‌ها مرتبط است: مانند پوشیدن شلوار جین با جیب‌های کوچک (یا اصلا بدون جیب)، یا شرکت در فعالیت‌هایی برای جنسیتی مشابه، مانند تربیت فرزند، یا - مهم‌تر از همه برای باتلر - داشتن تمایل جنسی متمایل به جنس مخالف69. این «اقدامات عملی»، آن‌طور که او آن‌ها را تعبیر می‌کند، آن‌قدر تکرار شده‌اند که به‌عنوان واقعیت تلقی می‌شوند، همان چیزی که دسته‌بندی‌های جنسیتی که امروز داریم را تعریف می‌کنند. ایده باتلر درباره جنسیت به‌عنوان امری رفتارگرایانه، از دیدگاه ذات‌گرایانه فاصله می‌گیرد؛ دیدگاهی که معتقد است معیارهای ذاتی یا «اساسی» وجود دارند که یک فرد را، برای مثال، زن یا مرد می‌سازند. با این‌حال، او یادآور می‌شود که این رفتارها حتی اگر اعمال و فعالیت‌هایی که جنسیت را تعیین می‌کنند ذاتی نباشند، همچنان به تقویت دسته‌بندی‌های جنسیتی کمک می‌کنند.

جنسیت قطعا پیچیده است. این چیزی است که اکثر محققان معاصر جنسیت تا حد زیادی با آن موافق هستند. مفاهیم جنسیت در زمینه‌های بهداشتی و بالینی نیز در حال تکامل هستند. برای مثال، انجمن پزشکی آمریکا70 اکنون جنسیت را به‌عنوان یک «طیف» در نظر گرفته و نه یک معیار باینری، و از سال ۲۰۱۸ بیانیه‌ای قاطع صادر کرده که «هویت جنسی و جنسیت، پیچیده‌تر از آن‌چه هستند که قبلا تصور می‌شدند»71. اما مهم است به یاد داشته باشیم که همیشه تنوع‌های هویتی و جنسیتی بیشتری از آن‌چه که جوامع انگلو-غربی به آن اذعان داشته‌اند یا به آن اهمیت داده‌اند، وجود داشته است. این در طیف وسیعی از اصطلاحات محلی و بومی مشهود است، مانند «کوثی»72، «هجره»73، و «دهرانی»74، که اکنون برای توصیف جنسیت افراد غیرباینری در سراسر آسیای جنوبی استفاده می‌شود. این را در عبارت‌های کلی‌تری نیز مشاهده می‌کنیم، مانند «دو-روحی»75 که برای توصیف افرادی در برخی از جوامع بومی شمال آمریکا استفاده می‌شود، و موارد دیگر76. ناگفته نماند که برخی از افراد، جنسیتی سیال دارند، به این معنی که هویت جنسیتی آن‌ها ممکن است روز به روز، سال به سال، یا موقعیت به موقعیت تغییر کند. و با این‌حال - حداقل در ایالات‌متحده - داده‌های جنسیتی تقریبا همیشه در دسته‌های باینری «مذکر» و «مونث» جمع‌آوری می‌شوند و با نوعی تقسیم‌بندی باینری نمایش داده می‌شوند77. یک تحقیق در دانشگاه استنفورد در سال ۲۰۱۸ نشان داد که این مطلب حتی وقتی هفت نقطه انتخاب در طیف جنسیتی وجود داشته باشد هم درست است. در این تحقیق، بیش از دو سوم از افراد نظر خود را در میانه قرار دادند78.

به نظر می‌رسد که از دید طراحان نظرسنجی، و به طور کلی‌تر از دید دانشمندان داده، پاسخ واضحی برای گزارش استنفورد وجود دارد: داده‌های جنسیتی را در دسته‌بندی‌هایی فرای باینری جمع‌آوری کنید و از تفکیک داده‌ها اطمینان حاصل کنید، یعنی داده‌ها را در زمان تحلیل، با توجه به جنسیت‌ها مقایسه کنید. یکی از جایگزین‌های اخیر برای دسته‌بندی باینری که توسط بهداشت عمومی انگلستان79 با همکاری سازمان‌های +LGBTQ در بریتانیا ایجاد شده، در شکل ۴.۵ نشان داده شده است. این پرسشنامه دو موردی برای استفاده در نظارت ملی روزانه بر اچ‌آی‌وی در انگلستان و ولز طراحی شده است تا جنسیت خودشناخته شده و وضعیت سیس یا ترنس‌بودن را در زمینه بهداشت عمومی تعیین کند. طراحان سه جنسیتِ نام‌گذاری‌شده، یک دسته چهارم، و گزینه‌ای برای عدم افشای هویت جنسیتی پیشنهاد کرده‌اند. در یک سوال جداگانه، آن‌ها جنسیت در بدو تولد را پرسیده‌اند، و مجددا گزینه‌ای برای افشانکردن در نظر گرفته‌اند. طرح نظرسنجی از عبارات حساس و اصطلاحات دربرگیرنده استفاده کرده است تا امکان شمارش جمعیت ترنس و جندرکوئر را فراهم کند. این سوالات برای استفاده گسترده در سایر پرونده‌های ملی سلامت و سیستم‌های جمع‌آوری داده در بریتانیا در نظر گرفته شده است.

آیا تمام سیستم‌های جمع‌آوری داده‌های جنسیتی باید در آینده از این مدل استفاده کنند؟ لزوما نه، و دلیل آن این است: در دنیایی که در آن همیشه کمی‌سازی به نمایان‌شدن دقیق منجر شود، و نمایان‌شدن دقیق‌ همیشه به تغییرات مثبت منجر شود، شمارش هویت‌های جنسیتی خارج از دسته‌بندی باینری کاملا منطقی است. اما نمایان‌شدن شدن به معنای دیده‌شدن نیز می‌باشد و دیده‌شدن برای ماتریس سلطه - که دائما قوانین، اعمال و هنجارهای فرهنگی را برای نظارت بر جنسیت باینری می‌سازد - خطرات قابل‌توجهی را برای سلامت و ایمنی گروه‌های اقلیت‌شده همراه دارد. برای مثال، تحت دولت فعلی ایالات‌متحده، افراد تراجنسیتی از خدمت در ارتش منع شده‌اند و پس از شناسایی، از دسترسی به اشکال خاصی از مراقبت‌های بهداشتی محروم می‌شوند80. این نشان‌دهنده برخی از خطراتِ در نظرگرفتن جنسیت به‌عنوان چیزی غیر از مرد یا زن است - خطراتی که می‌تواند در بسیاری از زمینه‌ها رخ دهد، بسته به این‌که چه داده‌هایی جمع‌آوری می‌شوند، توسط چه کسی جمع می‌شوند، و این‌که آیا آن‌ها شخصا قابل شناسایی هستند (یا به راحتی از حالت ناشناس خارج می‌شوند). همچنین مهم است بدانیم که افراد ترنس و غیرباینری ممکن است حتی در مجموعه‌داده‌های بزرگ، فقط به این دلیل که تعداد آن‌ها نسبت به جمعیتِ غالب، کمتر است،‌ به راحتی شناسایی شوند. این مساله خطرات بیشتری را برای افرادی که ترجیح می‌دهند هویت جنسیتی خود را اعلام نکنند، به وجود می‌آورد: بسته به محل زندگی آن‌ها، به شکل توجه ناخواسته، تبعیض، خشونت، یا حتی زندان.

به‌عنوان دانشمند داده، در میان این آسیب‌های احتمالی چه باید بکنیم؟ بسته به شرایط و نهادی که داده‌ها را جمع‌آوری می‌کنند، اخلاقی‌ترین تصمیم می‌تواند متفاوت باشد. این تصمیم ممکن است این باشد که از جمع‌آوری داده‌ها در مورد این‌که آیا فردی سیس یا ترنس است خودداری شود، یا تمام داده‌های جنسیتی اختیاری شود، یا اصلا داده‌های جنسیتی جمع‌آوری نشود، یا حتی به دسته‌‌بندی‌های جنسیتی باینری پایبند بود. الیور هایمسون81، پژوهش‌گر محاسبات‌اجتماعی، می‌گوید که «در اکثر تحقیقات غیرپزشکی، اغلب نیازی به دانستن جنسیت تعیین‌شده در بدو تولد شرکت‌کنندگان نیست»82. هیث فاگ دیویس83 موافق است: کتاب او، «فراتر از ترنس»84، مطرح می‌کند که ما نیاز نداریم تا افراد را بر اساس هویت جنسی آن‌ها در گذرنامه‌ها و مدارک‌شناسایی، برای دست‌شویی یا ورزش و موارد دیگر، دسته‌بندی کنیم85. در مقابل، جی. ناتان ماتیاس86، سارا سالاویتز87 و اتان زاکرمن88 تصمیم گرفتند که برای برنامه خود FollowBias، داده‌های جنسیتی را به صورت باینری نگه دارند، اما جنسیت را از روی نام افراد تشخیص می‌دهند تا از عمومی کردن هویت جنسیتی افراد برخلاف میل آن‌ها جلوگیری کنند89.

پیچیدگی اخلاقی در مورد شمارش جنسیت، زمان شمارش جنسیت، و نحوه شمارش جنسیت، پیچیدگی اعمال دسته‌بندی را در پس‌زمینه سلطه ساختاری روشن می‌کند. زیرا وقتی صحبت از جمع‌آوری داده‌ها و دسته‌هایی است که به آن‌ها ساختار می‌دهند، عدم توازن قدرت بالا و پایین، کنار هم و در همه جا وجود دارد. به دلیل این عدم توازن‌ها، دانشمندان داده باید با آگاهی از زمینه محیطی (که در فصل ۶ بیشتر به آن پرداخته شده است) و تحلیل قدرت در محیط مجموعه (که در فصل ۱ بیشتر بحث شده است) به کار ادامه دهند تا مشخص کنند که منافع چه کسانی با شمارش‌شدن تامین می‌شود و چه کسانی در معرض خطر آسیب قرار می‌گیرند.

بازنگری در ساختارهای باینری در تصویرسازی داده

نقد فمینیستی از شمارش و سیستم‌های دسته‌بندی باینری که اغلب این کارها را شکل می‌دهند، محدود به جنسیت نیست. برای نمونه، همان‌طور که بریتنی کوپر90 و مارگارت ری91، محققین فمینیست توضیح می‌دهند، یک منطق باینری در مورد نژاد نیز در فکر ما رخنه کرده است. با استناد به ایده‌هایی درباره تقاطع‌یافتگی، آن‌ها فراخوانی برای «هک کردن» دوگانه سیاه/سفید داده‌اند که از یک‌سو، به فاش کردن تبعیض‌نژادی تجربه‌شده توسط سیاهان در ایالات‌متحده کمک می‌کند، و از سوی دیگر، سایر اشکال تبعیض‌نژادی تجربه‌شده توسط بومیان، لاتین‌تبارها، آمریکای‌های آسیایی و گروه‌های دیگر را از بین می‌برد. آن‌ها به صراحت می‌گویند: «گفتمان‌های نژادی باینری، مبارزات ما برای دست‌یابی به عدالت را از بین می‌برند»92. با به چالش‌کشیدن تفکر باینری که تجربیات برخی گروه‌ها را از بین می‌برد و تجربیات گروه‌های دیگر را برجسته می‌سازد، می‌توانیم به سمت رویکردهای داده‌ای عادلانه‌تر و دادگرانه‌تر و در نتیجه به سمت آینده‌ای عادلانه‌تر و دادگرانه‌تر پیش رویم.

با این‌حال، گاهی اوقات، هدفِ نقد تفکر باینری می‌تواند توسط واقعیت‌های میدانی محدود شود. برای مثال، طراحان تصویرسازی، معمولا کنترلی روی شیوه جمع‌آوری داده‌هایی که برای تصویرسازی درخواست می‌شوند، ندارند. داده‌های باینری که باید «هک» کنند، اغلب به آن‌ها داده می‌شود. این چه شکلی می‌تواند باشد؟ در این رابطه می‌توانیم به خبرنگاران میزِ سبْکِ زندگی روزنامه «تلگراف»93، که یک روزنامه بریتانیایی است، اشاره کنیم. خبرنگاران این روزنامه در مارس ۲۰۱۸ در حال بررسی چگونگی گرامی‌داشت روز جهانی زن بودند که با یک شکاف جنسیتی قابل‌توجه از نظر تحصیلی، سیاسی، تجاری، و فرهنگی در بریتانیا مواجه شدند94. به‌عنوان روزنامه‌نگار، آن‌ها با منابع متعددی از داده‌ها کار می‌کردند که توسط نهادهای دیگر جمع شده بود که همگی داده‌های باینری بودند. اما آن‌ها می‌خواستند که مطمئن باشند که به تقویت هیچ‌گونه کلیشه جنسیتی دامن نمی‌زنند. آن‌ها توجه خاصی به رنگ داشتند. یک رویکرد منطقی برای طراحی، استفاده از قراردادهای فرهنگی برای قابل‌فهم بودن اثر است، مانند استفاده از رنگ صورتی برای زنان و آبی برای مردان، اما رویکرد فمینیستی از انتخاب رنگ برای هک کردن همان قراردادها استفاده می‌کند (شکل ۴.۶).

هرچه باشد، صورتی و آبی، شکلی از سلسله‌مراتب است و هدف اعضای تیم «تلگراف» کاهش نابرابری بود، نه تقویت آن. بنابراین آن‌ها از منبع متفاوتی برای کار خود الهام‌ گرفتند: از کمپین رای برای زنان، در اوایل قرن بیستم انگلستان، که در آن از رنگ بنفش برای نشان‌دادن آزادی و کرامت استفاده می‌شد و از رنگ سبز برای نشان‌دادن امید. وقتی به این فکر کردند که کدام رنگ را به کدام جنسیت تخصیص دهند، آن‌ها یک اصل طراحی ادراکی را راهنمای خود قرار دادند، چیزی که فریزر لینس95، مدیر روزنامه‌نگاری گرافیکی «تلگراف»، به لیزا شارلوت روست96، طراح تصویرساز، گفت: «بنفش در مقابل رنگ سفید تضاد بسیار بیشتری دارد و در نتیجه توجه بیشتری را در کنار سبز به خود جلب می‌کند، نه خیلی بیشتر اما به اندازه‌ای که کفه ترازو را به سمت خود سنگین کند. در بسیاری از تصویرها، تعداد مردان بیشتر از زنان است، بنابراین [استفاده از رنگ بنفش] یک روش نسبتا ساده برای بازگرداندن توجه به زنان بود»97. در این‌جا، یک ساختار سلسله‌مراتبی - سلسله‌مراتبی که در آن رنگ‌ها با چشم درک می‌شوند - استفاده شده است تا سلسله‌مراتب دیگری را به چالش بکشد: سلسله‌مراتب جنسیت. وقتی این روش ساده در عمل استفاده شد، نتیجه آن ارتباطی واضح، بدون تقویت کلیشه‌ها بود.

اما روزنامه‌نگاران «تلگراف» برای بازنگری در رویکردهای باینری می‌توانستند یک قدم فراتر بروند. آن‌ها این فرصت را داشتند تا با بازکردن مساله به مردم بگویند که جنسیت، امری باینری نیست - با طرح آن در متن داستان، یا با زیرنویس‌کردن آن در تصویر، یا با نشان‌دادن تصویری که در آن هیچ داده‌ای برای افراد غیرباینری وجود نداشته باشد. همکاران آن‌ها در «گاردین»، اخیرا از این استراتژی در مقاله تعاملی خود «آیا کنگره جدید، شما را نمایندگی می‌کند؟»، که درباره انتخابات میان‌دوره‌ای ۲۰۱۸ ایالات‌متحده بود، استفاده کردند98. این مقاله سه دسته را ارائه می‌کرد: سیس‌مذکر، سیس‌مونث، و ترانس + غیرباینری. وقتی روی «ترنس + غیرباینری» کلیک می‌کنید، همانند شکل ۴.۷، نقشه تعاملی همه مناطق را به رنگ خاکستری نشان می‌دهد، به این علت که «هیچ‌کسی در کنگره مانند شما نیست». نبودنِ داده به اندازه خود داده‌ معنادار است99.

این مثال‌ها، جنسیت را به‌عنوان بُعدی از تحلیل نشان دادند، اما چگونه می‌توانیم خود جنسیت را به‌شکل بصری نمایش دهیم؟ این یکی از بزرگ‌ترین چالش‌های تصویرسازی پیچیدگی‌هاست، و آماندا مونتانز100، طراح «Scientific American» این چالش را پذیرفت (شکل ۴.۸). او مسئول تهیه یک اینفوگرافیک برای مقاله‌ای در مورد تکامل جنسیت و هویت جنسی بود - دسته‌بندی‌‌ای که او، مانند اکثر مردم، آن‌ها را متمایز از یکدیگر اما مرتبط به هم می‌دانست101. همان‌طور که در یک پست بلاگ در صفحه «Scientific American» توضیح داد، او ابتدا یک طیف ساده یا شاید دو طیف را در نظر گرفت: یکی برای جنسیت و دیگری برای هویت جنسی102. اما او به سرعت، تاییدی بر آن‌چه تاکنون در این فصل به آن پرداخته‌ایم، پیدا کرد: این‌که در واقعیت چیزهای اندکی در زندگی را می‌توان به [دسته‌های] باینری تقلیل داد، و پافشاری بر دسته‌بندی باینری داده‌های جمع‌آوری‌شده - با توجه به جنسیت، هویت جنسی، رابطه آن‌ها، یا هر چیز دیگری - نمی‌تواند ارزش آن‌چه (یا کسی) که در میان و خارج از آن وجود دارد را به تمامیت بیان کند.

ما نشان دادیم که جنسیت بیش از دو دسته است، اما این‌که هویت جنسی نیز بیش از دو دسته است کمتر پذیرفته شده است. همان‌طور که آن فائوستو-استرلینگ103، زیست‌شناس فمینیست، تأیید می‌کند «هیچ معیار بیولوژیکی واحدی وجود ندارد که هر انسان را به‌طور قطعی در یکی از دو دسته مذکر یا مونث قرار دهد»104. افراد اینترسکس، که تقریباً ۱/۷ درصد جمعیت را تشکیل می‌دهند، ممکن است تخمدان‌ و آلت تناسلی مردانه یا «بافت پارچین»105 داشته باشند که در آن برخی از سلول‌های فرد دارای کروموزوم XX و برخی دارای XY هستند106. همچنین پذیرش این مطلب در حال افزایش است که هویت جنسی، مانند جنسیت و گاهی همراه با جنسیت، چند لایه‌ای است و به‌مرور در طول زندگی فرد آشکار می‌شود.

برای شروع به نمایش این پیچیدگی، مونتانیز مجبور بود بسیاری از داده‌ها و تحقیقات را که او و دستیار پژوهشی‌اش پیدا کرده بودند رد کند، چه به دلیل دسته‌بندی‌های ناقص و چه به دلیل شیوه‌های جمع‌آوری نادرست. او تصمیم گرفت بر روی هویت جنسی تمرکز کند و پس از یک فرآیند طراحی گسترده که همراه مشاوره با کارشناسان حوزه بود، مونتانز و شرکت طراحی Pitch Interactive که در نهایی‌کردن نمودار کمک کرد، به نتیجه رسیدند. «فراتر از XX و XY»، نمودار پیچیده‌ای است که از یک طیف رنگی برای نشان‌دادن طیف هویت‌های جنسی استفاده می‌کند. در این نمودار، محور عمودی تغییرات در طول زمان را نشان می‌دهد و فلش‌ها به سمت بخش‌های متنی، اطلاعات اضافی را ارائه می‌کنند. این طرح یک چالش بصری زیبا در برابر این ایده علمی نادرست نمایش می‌دهد که فقط دو هویت جنسی وجود دارد و مفاهیم جنسیت و هویت جنسی کاملا از هم متمایز هستند. تصویرسازی اغلب به‌عنوان راهی برای کاهش پیچیدگی در نظر گرفته می‌شود، اما در این‌جا برعکس عمل کرده است - سوق‌دادن ایده‌های ساده و سرکوب‌گرانه به سمت ایده‌های پیچیده‌تر، باجزئیات بیشتر و عادلانه‌تر.

رد کردن داده‌ها، بازیابی داده‌ها

تصویر گرافیکی مونتانز اهمیت چیزی که شمارش شده است را نشان می‌داد. به عبارت دیگر، او آن‌چه را که دانشمندان و نظریه‌پردازان به‌عنوان حقیقت درباره طبیعتِ تفاوت هویت جنسی می‌دانستند، درک‌پذیرتر و عمومی‌تر ساخت. اما شمارش و در معرض‌دید عموم قرار دادن به خودی‌خود لزوما یک امر خیر بی‌نقص نیست. پیشتر، ما پارادوکسِ در معرضِ دید قرار گرفتن را مطرح کردیم، جایی که افراد به‌واسطه دیدن‌شدن توسط سیستم آسیب می‌بینند. اما از آن‌جایی که طراحان سیستم از گروه‌های مسلط هستند که آسیب‌های ناشی از شمارش‌ه‌شدن یا دیده‌شدن بدون‌رضایت را تجربه نکرده‌اند - مجددا خطر امتیاز- به‌ندرت این نیازها را پیش‌بینی می‌کنند یا آن‌ها را در فرآیند طراحی به حساب می‌آورند. به همین دلیل است که سوال در مورد شمارش باید با سوال‌هایی در مورد رضایت و همچنین ایمنی شخصی، کرامت فرهنگی، و زمینه تاریخی همراه باشد.

یک بار دیگر فیسبوک به اثبات این نکته کمک کرد. الیور هایمسون و آنا لورن هافمن107، محققین مطالعات اطلاعات، اثرات خط‌مشی «نام واقعی» شرکت را مورد مطالعه قرار دادند. بر اساس این خط‌مشی، پلتفرم تشخیص می‌دهد که آیا نام هر کاربر ثبت‌شده «واقعی» و معتبر است یا «جعلی»108. (اکنون با صدای معلمی خود می‌گوییم: آیا کسی متوجه مشکل تفکر باینری در اینجا می‌شود؟) هایمسون و هافمن به این مساله اشاره کردند که افراد ترنس و کوئیر ممکن است تصمیم بگیرند چندین هویت آنلاین قابل‌تغییر و متناسب با شرایط داشته باشند و استفاده از آن‌ها احتمالا برای محافظت از خود ضروری باشد. به‌عنوان مثالی دیگر، آسیب‌دیدگان سوء‌استفاده ممکن است نیاز داشته باشند که برای محافظت از خود اقداماتی انجام دهند تا با جستجو قابل پیداشدن نباشند، حتی با این‌که هنوز می‌خواهند با عزیزان خود در ارتباط باشند.

با توجه به ماهیت زمینه‌ای این عوامل، فیسبوک خط‌مشی «نام واقعی» خود را به صورت الگوریتمی اعمال می‌کند - با نشانه‌گذاری نام‌‌هایی که تعداد کلمات آن‌ها «زیاد» یا حروف بزرگ غیرمعمول دارند. هایمسون و هافمن نشان دادند که الگوریتم‌های فیسبوک به‌طور نامتناسبی نام‌های بومی آمریکایی را برای نقض این خط‌مشی نشانه‌گذاری می‌کنند، زیرا این نام‌ها اغلب از نظر ساختار و شکل با نام‌های انگلو-غربی متفاوت هستند (موقعیت طراحان سیستم‌ در نسبت با موضوع، به‌عنوان پیش‌فرض در نظر گرفته می‌شود؛ یک بار دیگر خطر امتیاز). علاوه بر این، کاربران همچنین می‌توانند سایر کاربران را به دلیل نداشتن نام واقعی گزارش کنند، برای مثال یک نفر می‌تواند به‌شکل نظام‌مند و به قصد حذف، صدها پروفایل دراگ‌کوئین‌ها را هدف قرار دهد. فیسبوک ادعا می‌کند که خط‌مشی نام واقعی برای ایجاد امنیت وجود دارد، اما هایمسون و هافمن به روشنی نشان دادند که این سیاست به‌طور فعال ایمنی برخی از به حاشیه‌رفته‌ترین کاربران این پلتفرم را به خطر می‌اندازد. همان‌طور که پیشتر پیشنهاد کردیم، گاهی اوقات اخلاقی‌ترین کار این است که به افراد کمک کنیم که مبهم، پنهان و نامرئی بمانند109. مثال فیسبوک اهمیت اساسی کسب رضایت برای شمارش‌شدن و قادرساختن افراد برای امتناع از شمارش‌شدن و دسته‌بندی را در پرتو وجود آسیب‌های احتمالی نشان می‌دهد.

شمارش و دسته‌بندی، مخصوصا از آن‌جا که به گروه‌های اقلیت‌شده مربوط می‌شود، همیشه باید بین زیان‌ها و منافع تعادل ایجاد کند. وقتی داده‌هایی در مورد افراد واقعی و زندگی آن‌ها جمع‌آوری می‌شود، همیشه خطراتی از در معرض دید قرارگرفتن تا مورد خشونت واقع‌شدن وجود دارد. اما زمانی که این نکات به‌طور دقیق در نظر گرفته شوند و رضایت حاصل شود، شمارش‌شدن می‌تواند در افزایش دیده‌شدنِ ارزشمند و مطلوب سهیم باشد. پروژه کنوانسیون‌های رنگین‌پوستان110 (CCP) که توسط تیمی از دانشجویان و اساتید دانشگاه دِلاوِیر111 انجام شده است، نشان می‌دهد که چگونه می‌توان این تعادل موجود را به‌شکل عقلانی و با نگاه به گذشته مدیریت کرد112. از جمله اهداف این پروژه، ایجاد مجموعه‌ای از صورت‌جلسات قابل خواندن توسط ماشین از کنوانسیون‌های رنگین‌پوستان قرن نوزدهم است: رویدادهایی که در آن سیاهان آمریکایی، پناهنده و آزاد، گرد هم آمدند تا در مورد چگونگی دستیابی به عدالت حقوقی، اجتماعی، اقتصادی، و آموزشی، بحث و برنامه‌ریزی کنند. این صورت‌جلسه‌ها ارزشمند هستند، زیرا به‌طور معمول در داستان‌های جنبش لغو برده‌داری در ایالات‌متحده در قرن نوزدهم به حساب نمی‌آیند. داستان‌های موجود معمولا به اقدامات فعالان سفید لغو برده‌داری اولویت می‌دهند، چرا که داستان‌های آن‌ها به صورت چاپی ثبت شده است. اما کنوانسیون‌های رنگین‌پوستان کمک کردند تا نقش حیاتی کار فعالین سیاه‌ در لغو برده‌داری و دستیابی به رهایی ثبت شود.

ساخت این مجموعه، امکان شمارش‌شدن این کنش‌گران مهم را فراهم کرد و باعث شد که سخنان آن‌ها (همان‌طور که در صورت‌جلسه ثبت شده است) تحلیل و به‌عنوان سند تاریخی در نظر گرفته شود. اما فرایند تبدیل این صورت‌جلسات به داده، به شدت یادآور خشونت اولیه‌ای است که با تجارت برده همراه بوده است، زمانی‌که جان انسان‌ها - در واقع همان اجداد این کنش‌گران - به اعداد و نام‌ها تقلیل یافته بودند. با توجه به این تنش آشتی‌ناپذیر، CCP از کسانی که این مجموعه را دانلود می‌کنند می‌خواهد به مجموعه‌ای از اصول متعهد باشند، از جمله این‌که «به شکلی از داده‌ها استفاده کنند که به سیاهانی که تاریخچه سازمانی گروهی آن‌ها در این مجموعه جمع‌آوری شده، جنبه انسانی دهند و آن‌ها را به رسمیت بشناسند»، و «زمینه محیطی و روایت شرایط افرادی که به‌عنوان «داده» ظاهر شده‌اند را در نظر گیرند و در صورت امکان از آن‌ها نام ببرند»113.

چالش دومی که CCP به شکلی مثال‌زدنی آن را دنبال کرد به محتوای خود مجموعه‌داده مربوط می‌شود. از آن‌جا که این مجموعه‌داده از صورت‌جلسات رسمی کنوانسیون‌ها تهیه شده بود، فقط شرکت‌کنندگان «رسمی» در کنوانسیون‌ها و بحث‌های آن‌ها را ثبت کرده بود. این شرکت‌کنندگان تقریبا همگی مرد بودند. برای رفع این اختلاف، تیم CCP از شرکای آموزشی خود خواست که قبل از معرفی دانش‌آموزان به پروژه، یادداشت تفاهم (MoU) را امضا کنند. این تفاهم‌نامه از همه مربیان می‌خواست که یک زنِ دست‌اندرکار در کنوانسیون‌ها را در کنار هر نماینده مردی که نام برده می‌شد، معرفی کند، مانند همسر، دختر، خواهر، یا یکی از اعضای کلیسا114 (شکل ۴.۹). بدین ترتیب، از این بازیابی، CCP مجموعه‌‌داده دومی از نام‌های زنان ساخت - کسانی که در غیر این صورت شمارش نمی‌شدند و در نتیجه کارشان ناشناخته می‌ماند. آن‌ها از جمع‌آوری داده‌ها استفاده کردند تا این مشارکت‌ها را بشمارند و اهمیت ان‌ها را نشان دهند.

شمارش به‌عنوان عملی التیام‌بخش، شمارش به‌عنوان پاسخ‌گویی

در قرن نوزدهم، مانند امروز، بسیاری از نابرابری‌های موجود در مجموعه‌داده‌ها به ناهمسانی‌های بزرگ‌تر و عمیق‌تر قدرت برمی‌گشت. این ناهمسانی‌ها اغلب به‌صورت مستقیم در دینامیک قدرت بین افرادی که شمارش را انجام می‌دهند و کسانی که شمارش می‌شوند نمایان می‌شوند. اما زمانی‌که یک اجتماع خودش شمارش مربوط به خود را انجام دهد، جمع‌آوری داده‌‌ها نه تنها می‌تواند توانمندساز باشد بلکه می‌تواند التیام‌بخش باشد. یک نمونه از این، برگرفته از تجربه شخصی یکی از نویسندگان این کتاب است. سال ۲۰۱۴، کاترین دانشجو بود و هم‌زمان از دختر خردسالش نگهداری می‌کرد، و همچنین تلاش می‌کرد تا در فضاهای نامناسبی مانند اتاق‌ سرور و دستشویی برای دخترش از خودش شیر بدوشد. او و شش نفر از دانشجویان که از این شرایط خسته شده بودند تصمیم گرفتند تا برای طرح ایده‌ها و داستان‌هایی که به بهبود فناوری دوشیدن شیر مادر کمک می‌کنند، فراخوان بدهند115. این داستان‌ها منجربه انتشار یک مقاله تحقیقاتی در مورد طراحی دوشیدن شیر پستان و ایجاد یک هکتون به نام «پمپ شیردهی که آزار نمی‌دهد»116 شد (شکل ۴.۱۰): انجمنی برای به اشتراک‌گذاری داستان‌ها، هک کردن پمپ‌ها، و مهندسی مجدد اکوسیستم پس از زایمان117.

اگرچه فضاهای نوآوری مدت‌ها بود که هکتون‌هایی در زمینه فناوری سلامت برگزار می‌کردند، رویداد سال ۲۰۱۴ یکی از اولین رویدادها در رابطه با تولد و شیردهی بود. به این ترتیب، شرکت‌کنندگان این امکان را به دست آوردند تا داستان‌های خود را در فضایی به اشتراک بگذارند که (برای دوره‌ای) از انگ‌های پیرامون شیردهی به‌دور بود. این داستان‌ها به تجربیات و الگوهای مشترکی اشاره داشتند که در روح رویدادهای افزایش آگاهیِ «شخصی، سیاسی است» وجود داشت. شرکت‌کنندگان، این داستان‌ها را به‌عنوان داده‌هایی برای مطالبه بیشتر از سازندگان پمپ شیردهی، از محل‌های کار، و از جامعه در نظر گرفتند - و در واقع از آن‌ها استفاده هم کردند - تا خودسرزنش‌گری که اغلب زنان در نتیجه مشکلات مربوط به تولد و شیردهی تجربه می‌کردند را به یک اقدام سیاسی جمعی تبدیل کنند118.

اما اقدام توسط چه کسی و برای چه کسی؟ پس از رویداد سال ۲۰۱۴، ما (منظور برگزارکنندگان) موفقیت‌ها و محدودیت‌های آن را بررسی کردیم - به‌ویژه فقدان رویکرد تقاطعی آن را119. همان‌طور که در فصل ۱ به آن اشاره شد، در ایالات‌متحده، سلامت مادر با نابرابری‌های نژادی و طبقاتی قابل‌توجهی همراه است. دوره اول هکتون، این نابرابری‌ها را در نظر نگرفت و بر نیازهای برخی از مادران صاحب‌امتیاز متمرکز بود و طرح‌هایی را تولید کرد که به تجارب آن‌ها ارجحیت می‌داد. تصمیم گرفتیم دوباره امتحان کنیم. در سال‌های ۲۰۱۷ و ۲۰۱۸، ما رویداد را به یک پروژه تحقیقاتی مشارکتی، یک اجلاس سیاست‌گذاری، و یک برنامه‌نوآوری اجتماعی و همچنین یک هکتون تبدیل کردیم. در همه این موارد، ما عمدا بر نیازها و مشارکت والدین رنگین‌پوست، والدین کم‌درآمد، و والدین +LGBTQ تمرکز کردیم. وقتی به دوره دوم هکتون رسیدیم، نتیجه بیش از یک سال ایجاد رابطه و کار هویتی از سوی برگزارکنندگان با شرکای انجمن همراه ما بود.

اطمینان حاصل‌کردن از اینکه هکتون سال ۲۰۱۸ به‌طور کامل از مشارکت این خانواده ها استقبال می‌کند، نیازمند اشکال متعددی از پاسخگویی‌ها بود. با هدایت جن رابرتز120، سازمان‌دهنده اصلی برای عدالت و دربرگیرندگی، یک بیانیه در مورد ارزش‌ها نوشتیم و یک هیئت مشورتی با هدایت‌کنندگانی در زمینه تغذیه با شیر مادر، برابری و سلامت مادر تشکیل دادیم. ما همچنین مجموعه‌ای از معیارها تهیه کردیم تا ترکیب جمعیتی رویداد را شکل دهیم121. این معیارها به‌گونه‌ای طراحی شدند تا تنوع نژادی، جنسیتی، هویت جنسی، جغرافیایی، و رشته را در نظر بگیرند و به جوانان و تازه‌واردان اولویت بیشتری دهند. در فرم درخواست، شرکت‌کنندگان تشویق شدند تا جنسیت و نژاد خود را معرفی، مکان خود را مشخص، و گزینه‌هایی را از فهرست دسته‌های رشته‌های تخصصی از پیش تعریف‌شده (مانند «والد» یا «طراح/هنرمند») انتخاب کنند. ما همچنین از آن‌ها دعوت کردیم که در مورد این‌که چرا می‌خواهند شرکت کنند بنویسند، و اگر مایل بودند، اطلاعات مربوط به هویت جنسی یا وضعیت مالی‌شان را اعلام کنند. سپس این اطلاعات را در این فرآیند در نظر گرفتیم.

آیا این دسته‌بندی‌ها تقلیل‌دهنده بودند؟ البته که بودند. هیچ شخصی نمی‌تواند تمام مشخصات خود را در یک فرم بنویسد، فارغ از این‌که چه تعداد فضای متنی خالی در آن وجود داشته باشد. آیا این فرم تلاقی هویت‌های واقعی هر فرد و چگونگی تاثیر این هویت‌ها بر وجود آن شخص را بازنمایی می‌کند؟ پاسخ به این سوال نیز جای تعجب ندارد: البته که این‌طور نبود. اما روند جمع‌آوری این داده‌های جمعیتی - که کاملا داوطلبانه و از درون خود اجتماع انجام شد - منجربه رویدادی شد که در واقع توسط دانش و تجربه گروه‌هایی هدایت می‌شد که ائتلاف ما امیدوار بود آن‌ها در مرکز قرار گیرند122.

زمانی که شروع به تهیه پیش‌نویس این کتاب کرده بودیم، کاترین این تجربه را با لورن به اشتراک گذاشت و تصمیم گرفتیم که از فرایند مشابهی استفاده کنیم تا به ما در پاسخ‌گو بودن در برابر ارزش‌هایی که می‌خواستیم «فمینیسم داده» داشته باشد و همچنین معیارهایی که برای انتخاب پروژه‌ها و متون مشخصی انتخاب می‌کردیم، کمک کند. ما اعداد و درصدهای مشخصی را که فکر می‌کردیم در حفظ ارزش‌ها موثر خواهند بود، تعیین کردیم، و همچنین دسته‌بندی‌هایی از جمع‌آوری داده‌ها را به‌منظور بررسی برآورده‌شدن شاخص‌ها، مشخص کردیم. (این‌ها در ضمیمه قابل مشاهده هستند، بخش ارزش‌ها و معیارهای ما برای پاسخگو نگه‌داشتن خود.) در دو مرحله از فرایند - مرحله اول زمانی که پیش‌نویس نسخه اولیه را به صورت آنلاین قرار دادیم، و مرحله دوم پس از ارسال نسخه اولیه برای ویراستاری - ایزابل کارتر123، یکی از دستیاران پژوهش ما، پروژه‌ها و مراجع استفاده شده در کتاب را بررسی کرد. (آن‌ها روش‌های تحقیق خود را با جزئیات بیشتری در «بررسی فمینیسم داده‌» که در ضمیمه دیگری آمده، شرح داده‌اند.) مانند هکتون، این شاخص‌ها تنها روشی نبودند که ما برای پاسخ‌گو نگه‌داشتن خود به کار بردیم. ما همچنین با بسیاری از سازندگان پروژه‌هایی که به آن‌ها اشاره کردیم، مصاحبه کردیم، نقل‌قول‌ها و تصاویری که از کارشان نشان داده بودیم را با آن‌ها بررسی کردیم، و پیش‌نویس کتاب را به‌صورت آنلاین برای بازبینی منتشر کردیم.

آیا روش شمارش ما بی‌نقص بود؟ البته که نه. ما مطمئن هستیم که اشتباه داشته‌ایم. این یکی از دلایلی است که تصمیم گرفتیم حتی با این‌که داده‌ها را به صورت تجمعی انتشار دادیم، داده‌های تفکیک‌شده را خصوصی نگه داریم. در مورد ایده شمارش افراد و پروژه‌ها در وهله اول چطور؟ آیا نباید آن را به‌عنوان راهی برای کاهش پیچیدگی‌هایی که تاکنون در این کتاب علیه آن بحث کرده‌ایم، در نظر گرفت؟ همان‌طور که این فصل نشان داد، شمارش همیشه پیچیده است. اما اگر شمارش با اندیشه، متناسب با اهداف مشخص، و با در نظر گرفتن مسائل مربوط به حریم خصوصی و آسیب‌های احتمالی که همیشه باید در نظر گرفته شود، انجام شود می‌تواند برای حمایت از پاسخ‌گویی، به‌عنوان یک روش‌ در میان روش‌های دیگر برای یک هدف بزرگ‌تر، مورد استفاده قرار گیرد.

بازنگری در ساختارهای باینری و سلسله‌مراتبی

شمارش و دسته‌بندی می‌تواند بخش‌های قدرتمندی از فرآیند ایجاد دانش باشند. اما آن‌ها به خودی‌خود ابزار قدرت هستند. از لحاظ تاریخی، شمارش و دسته‌بندی، برای تسلط، ایجاد نظم‌، و حذف استفاده می‌شده است. اینجاست که چهارمین اصل فمینیسم داده، «بازنگری در ساختارهای باینری و سلسله‌مراتبی» وارد می‌شود. جنسیت باینری یک مثال کلیدی است از نحوه ساخت سیستم‌های دسته‌بندی توسط فرهنگ‌ها و جوامع که بازنمای ارزش‌ها و تعصبات آن‌ها می‌باشد. موارد دستگاه‌های اسکن بخش امنیت فرودگاه‌ها، پروفایل کاربران فیسبوک، و شلوارهای ساده قدیمی به ما نشان می‌دهند که چگونه جنسیت و هویت جنسی باینری - همراه با درک علمی نادرست از جنسیت و هویت جنسی - در سیستم‌های فنی (و همچنین شلوار جین) کدگذاری شده‌اند! این سیستم‌ها به نوبه خود، ایده‌های اشتباه و مضر را بازنشر می‌کنند.

یک رویکرد فمینیستی تقاطعی برای شمارش، بر این مساله تاکید دارد که ما فرضیات و باورهای موجود در پشت زیرساخت دسته‌بندی‌های خود را بررسی و در صورت لزوم آن‌ها را بازنگری کنیم، و همچنین دائما به این مساله توجه کنیم که چه کسی شمارش را انجام می‌دهد و منافع چه کسی تامین می‌شود. شمارش و اندازه‌گیری لزوما همیشه ابزار سلطه نیستند. ما همچنین می‌توانیم از آن‌ها برای پاسخ‌گو نگه‌داشتن قدرت استفاده کنیم، تاریخچه‌های نادیده گرفته‌شده را بازطراحی کنیم و به ساخت اتحاد و همبستگی بپردازیم. وقتی در اجتماعات خود با ملاحظه و دقت شمارش را انجام می‌دهیم، می‌توانیم در جهت ایجاد تعادل مجدد در توزیع نابرابر قدرت تلاش کنیم.