Presso il Massachusetts Institute of Technology (MIT) si trova il primo Data + Feminism Lab, composto da un team di docenti e ricercatori che, attraverso dati e metodi computazionali, lavorano per combattere le discriminazioni di genere.

TAKEAWAY

• Il data feminism è un approccio che rivoluziona la scienza dei dati, guardando ai numeri con più attenzione rispetto alle donne e alle discriminazioni di genere.
• Presso il MIT è nato il primo studio sul tema, pubblicato da Catherine D’Ignazio, la quale, all’interno del Massachusetts Institute of Technology, dirige il primo Data + Feminism Lab.
• In Italia è stato l’Istat il precursore del tema, superando la “cecità di genere” che ha caratterizzato la storia della tecnologia fino agli anni ’80.

---

Data science e femminismo possono coesistere: nel mondo accademico si fa strada l’idea di un approccio inclusivo ai numeri e alle statistiche, applicabile in vari ambiti. 

Tale approccio è il “data feminism”, un nuovo modo di intendere la data science, ambito di studi che, coniugando discipline diverse, tra cui statistica e metodi scientifici, punta a estrarre valore dai dati.

Tra le pioniere del data feminism, Catherine D’Ignazio, Assistant Professor of Urban Science and Planning presso il Massachusetts Institute of Technology (MIT), dove dirige uno dei primi Data + Feminism Lab, composto da un team di docenti e ricercatori che, attraverso dati e metodi computazionali, lavorano per combattere le discriminazioni di genere.

Nel 2019 è uscito un volume intitolato proprio “Data Feminism”, scritto dalla professoressa D’Ignazio e dalla collega Lauren F. Klein, in cui le autrici definiscono il data feminism come “un nuovo modo di pensare alla data science e alla data ethics, plasmato dalle idee del femminismo intersezionale”.

Una definizione che si basa sul concetto di “intersezionalità” che, a sua volta, rimanda alla sovrapposizione di diverse identità sociali e alle relative possibili discriminazioni, oppressioni, o dominazioni.

Volendo fare un parallelo con la geometria, dove l’intersezione è il punto in cui due rette si intersecano, l’aggettivo “intersezionale”, riferito al femminismo, esprime un pensiero preciso, ossia che le donne in situazioni socio-economiche privilegiate, per professione o estrazione economica, non siano sufficientemente rappresentative dell’intero sesso.

Partendo da questo concetto le studiose del MIT vogliono smontare tanti sistemi di classificazione gerarchici, spesso fondati su premesse errate, iniziando dall’atavico dualismo tra uomini e donne.

In particolare, nel loro studio, le autrici avvertono, nel campo dell’intelligenza artificiale, l’assordante presenza del maschio bianco, definito “techno-heroic” e denunciano la crescente tendenza della politica a raccogliere dati su qualunque cosa, dal movimento del traffico alle espressioni facciali.

Le ricerche della professoressa D’Ignazio sull’intersezione tra tecnologia, design e giustizia sociale sono state pubblicate anche sul Journal of Community Informatics e hanno come focus ricorrente quella che lei stessa definisce “feminist technology”. 

Data science e femminismo: il bisogno di un approccio femminista ai dati

In Italia, l’incontro tra femminismo e data science avviene già nel 1985, quando l’Istat presenta uno dei primi studi al mondo sul tema, incentrato, in particolare, sul lavoro domestico delle donne. Tra gli autori della pubblicazione Linda Laura Sabbadini, oggi direttrice centrale nell’area delle statistiche sociali e demografiche.

Attraverso il lavoro di personalità come la sua è avvenuto, negli anni successivi, un rinnovamento delle statistiche di genere superando finalmente l’approccio “gender blind” (“cecità di genere”) che aveva caratterizzato la scienza e la tecnologia a livello globale fino alla fine degli anni ’80.

“Chi sviluppa gli algoritmi di intelligenza artificiale – ha spiegato Linda Sabbadini alla Conferenza Mondiale “Science for Peace and Healh”, organizzata di recente dalla Fondazione Veronesi – sono tecnici, ingegneri, scienziati, caratterizzati demograficamente e in netta maggioranza uomini. Nella tecnologia affluiscono così i loro valori e modi di vedere le cose, intrinsecamente legati al proprio essere. Le distorsioni vengono dagli uomini non dalle macchine. Bisogna mettere in atto delle misure, fare in modo che non tutti quelli che lavorano ai dati siano uomini e per questo nelle aziende serve diversity, una rappresentanza di tutte le differenze. Gli staff devono essere assortiti, in modo da essere garanzia di qualità”.

La data science vede una raccolta di informazioni fatta soprattutto da uomini, che si basano a loro volta su dati condizionati da stereotipi. Questo porta ad algoritmi contenenti “bias”, ovvero deviazioni e distorsioni dovute, tra le altre cose, anche a un forte “digital divide” dal momento che, tra i soggetti che usano meno le tecnologie, ci sono proprio le donne.

Il femminismo come approccio inclusivo alla data science

Un altro stereotipo è quello che vede la donna incarnare l’aiuto, l’assistenza, l’accoglienza e, non a caso, Siri e Alexa hanno voci femminili, rappresentando così una donna che risponde ai comandi dell’utente, fa notare la direttrice centrale dell’Istat che si riferisce al Rapporto Unesco pubblicato nel 2019 “I’d blush if I could: closing gender divides in digital skills through education”.

In tale pubblicazione si fa riferimento ai più famosi dispositivi IoT attualmente esistenti: Alexa di Amazon (che deriva dal nome dell’antica biblioteca di Alessandria), Cortana di Microsoft (dal nome di un’intelligenza sintetica che in un videogioco si proietta come una donna sensuale), Siri di Apple (che significa “bella donna che ti porta alla vittoria” in norreno, lingua dei paesi scandinavi), e Google Home che, nonostante il nome neutro, ha comunque una voce femminile.

E se i colossi informatici fanno presente che sono gli utenti a preferire una voce femminile, l’Unesco nota in questa scelta la tendenza ad associare l’impostazione e la cadenza femminili al concetto di assistenza, così come allo stesso modo si pensa a un tono maschile per esprimere autorevolezza.

Per evitare discriminazioni, è fondamentale una diversità di prospettive, d’altronde nessun modello o algoritmo è il risultato di una persona che lavora da sola. Guardare alle istanze del femminismo intersezionale può servire, invece, a ricordare che, alla base della data science, ci sono le persone, la cui esistenza si nasconde sempre più spesso dietro ai numeri e alle tecnologie.