Erhvervsmæssig kønsbias udbredt i onlinebilleder, undersøgelse finder

Rutgers-forskere siger, at kønsbias og stereotyper svarende til visse erhverv er fremherskende på digitale og sociale medieplatforme.

Studiet, offentliggjort i Tidsskrift for Foreningen for Informationsvidenskab og Teknologi , finder ud af, at onlinebilleder af mænd og kvinder i fire erhverv – bibliotekar, amme, Computer programmør, og civilingeniør - har en tendens til at repræsentere og forstærke eksisterende kønsstereotyper.

I undersøgelsen, Rutgers-forskere analyserede søgeresultater for billeder af mennesker i hver af de fire erhverv på fire digitale medieplatforme:Twitter, NYTimes.com, Wikipedia, og Shutterstock. De sammenlignede også søgeresultaterne med kønsrepræsentationen af ​​hvert erhverv ifølge U.S. Bureau of Labor Statistics.

Resultaterne viste, at kønsstereotyper og skævheder var fremherskende. Kvinder var overrepræsenteret som bibliotekarer og sygeplejersker og underrepræsenteret som computerprogrammører og civilingeniører, især når indsamling og kurering af indhold i vid udstrækning er automatiseret af en algoritme, som på Twitter.

Imidlertid, på platforme, hvor enkeltpersoner kan generere og kuratere indhold mere direkte, såsom NYTimes.com og Shutterstock, stereotyper var mere tilbøjelige til at blive udfordret. Søgeresultater af NYTimes.com, for eksempel, produceret billeder af civilingeniører, der er kvinder, og sygeplejersker, der er mænd, oftere end man ville forvente i betragtning af deres repræsentation i Labor Statistics.

"Mere direkte indholdskuration vil hjælpe med at modvirke kønsstereotyper, " sagde Vivek Singh, en adjunkt i biblioteks- og informationsvidenskab på Rutgers' School of Communication and Information.

Mens kvinder generelt har en tendens til at være underrepræsenteret i mandsdominerede erhverv på digitale medieplatforme, Singh bemærkede nogle fremskridt hen imod ligestilling i den kønsbestemte præsentation af billeder fra 2018 til 2019. For eksempel, flere kvinder blev vist på billeder for mandsdominerede erhverv på Twitter i 2019 end i 2018.

"Kønsbias begrænser folks evne til at vælge karrierer, der passer dem, og hindrer fair praksis, lønlighed og lighed, " sagde medforfatter Mary Chayko, en sociolog og tværfaglig undervisningsprofessor på Skolen for Kommunikation og Information. "Det er vigtigt at forstå udbredelsen og mønstrene for bias og stereotyper i onlinebilleder, og kan hjælpe os med at udfordre, og forhåbentlig en dag pause, disse stereotyper."

Forskerne sagde, at undersøgelsen kunne hjælpe med at forhindre skævheder i at blive designet til digitale medieplatforme, algoritmer, og kunstig intelligens-software. Og mens mennesker faktisk konstruerer algoritmer, undersøgelsens resultater kan hjælpe indholdsskabere og platformsdesignere med at identificere, om algoritme-tung eller mennesketung kuration kan være bedre egnet til en opgave.

Undersøgelsen var medforfatter af Raj Inamdar, en forskningsmedarbejder ved Rutgers' Behavioral Informatics Lab og Diana Floegel, en ph.d.-studerende ved Rutgers' School of Communication and Information.