Regeringer, der arbejder med én hånd bundet, når det kommer til data om udsatte grupper

Et nyt debatoplæg udgivet i Politikvidenskab af to Leiden-forskere hævder, at regeringer arbejder med én hånd bundet, når det kommer til data om udsatte grupper. Kernen i denne artikel er ideen om, at selvom mængden af ​​data er steget i de senere år, kvaliteten af ​​dataene i kombination med potentielle kendte eller ukendte datahuller begrænser regeringens mulighed for at skabe inkluderende politikker. Kort fortalt, at have mange data betyder ikke nødvendigvis, at dataene er repræsentative og pålidelige, eller at regeringer er i stand til at bruge dem.

Det primære datagab beskriver et scenarie, hvor regeringer er klar over, at data mangler, men der er begrænsede muligheder for at udfylde dette hul på grund af manglen på passende data. Papiret giver eksempler på dette ved at vise, at output fra maskinlæring og andre analyser af kunstig intelligens er begrænset til nøjagtigheden af ​​tilgængelige data, som kan have virkelige virkninger i beslutningstagning og levering af offentlig service.

Det sekundære datagab fremhæver et hul, hvor data er tilgængelige i forskellige formater, såsom data på sociale medier. Giest og Samuels peger på problemer med datakvalitet og befolkningsrepræsentativitet ved hjælp af disse datasæt, forværre potentielle skævheder.

Endelig, skjulte datahuller opstår, når datasæt, der bruges til politikudformning, indeholder forkerte fremstillinger, partiskhed eller manglende data, uden at regeringerne er klar over det. Dette er især relevant i forbindelse med maskinlæringsoutput og analyser af kunstig intelligens. I betragtning af at udsatte grupper, etniske minoriteter og ældre mennesker, tendens til at producere færre data og vise sig at være sværere at få adgang til, de er især påvirket af ubevidsthed om datahuller i politikudformningen.

Baseret på dette, papiret fremhæver det faktum, at der er en fare for, at big data-arkitekturer potentielt reproducerer eksisterende fordomme, givet karakteren af ​​hullerne og regeringens bevidsthedsniveau over for dem. Dette indebærer, at for at fremme inklusiv politikudformning, regeringer er nødt til at forstå eksisterende huller i dataene samt hvad de skjuler og hvorfor for at finde løsninger til at tilføje yderligere viden gennem innovative og traditionelle måder at indsamle data på.