De laatste jaren is er groeiende aandacht voor de genderdatakloof, zowel in de academische wereld als op politiek niveau. Wat is dat precies? Hoe is deze kloof ontstaan? Wat zijn de gevolgen hiervan op verschillende domeinen van de samenleving? En wat is juist het verschil tussen deze ‘gender data gap’ en ‘gender data bias’?
De genderdatakloof verwijst naar een historisch gegroeide, maar aanhoudende leemte in onze kennis ten gevolge van een zogenaamde gender bias. Voor deze laatste term bestaat tot op heden nog geen courante Nederlandse vertaling, maar het gaat over het systematisch bevooroordelen van een specifieke groep, in de praktijk vaak mannen, op basis van gender. Daaraan liggen voornamelijk onbewuste, impliciete processen ten grondslag. Bias betekent zoveel als een vooringenomenheid, een vertekening van de realiteit, een systematische denkfout die de ene groep bevoordeelt en de andere mogelijk schaadt. In de context van de genderdatakloof gaat het veelal over de afwezigheid of regelrechte uitsluiting van vrouwen, non-binaire, trans en genderdiverse personen in onderzoek, en de impact daarvan op beleid, structuren, producten, diensten en maatschappelijke normen. Het gaat dus over gebrek aan data over genderverschillen.
Data, zo schrijft de Britse journalist en auteur Caroline Criado Perez die zich voor haar boek Invisible Women (2019) in het onderwerp verdiepte, is gewoon een ander woord voor informatie en informatie heeft verschilllende bronnen. Zo is statistiek een vorm van informatie, maar menselijke ervaringen zijn dat eveneens. (Lees meer over haar onderzoek naar de genderdatakloof in deze RoSa leest). In de brede zin gaat de genderdatakloof dus niet alleen over het gebrek aan aandacht voor genderdiversiteit in wetenschappelijk onderzoek, maar bijvoorbeeld ook over het gebrek aan genderdiversiteit in een panelgesprek, in de politiek, in een raad van bestuur, in het topmanagement van een bedrijf of organisatie, kortom in invloedrijke of machthebbende functies. Een bijna lachwekkend, maar ook pijnlijk voorbeeld: in 2014 bracht Apple met veel toeters en bellen een gezondheidstracker-app uit die beloofde ‘opmerkelijk uitgebreid en alomvattend’ te zijn. Wat de mannelijke makers van de app echter niet bedacht hadden, maar vrouwelijke gebruikers en recensenten in een mum van tijd opmerkten en bekritiseerden, was dat de app geen functionaliteit had om je menstruatiecyclus bij te houden. Dit voorval toont aan dat een product meer kans heeft om effectief ‘alomvattend’ te zijn wanneer een diverse groep mensen betrokken wordt in ontwikkelingsprocessen en testfases. Onderzoek bevestigt deze bevinding: diverse teams, zeker bovenaan de top, vormen de sleutel voor betere producten, betere diensten en beter beleid. Interne diversiteit levert namelijk waardevolle informatie op over de diverse ervaringen en noden van de bevolking, en kan hier dan ook beter op inspelen.
De genderdatakloof ontstaat onder meer doordat men er - nog altijd en maar al te vaak - van uitgaat dat de perspectieven, ervaringen en noden van mannen (kunnen) gelden voor iedereen. Die aanname noemt men ook wel male bias.
De perspectieven, ervaringen en noden van vrouwen worden omwille van diverse redenen vaak over het hoofd gezien: dit kan (onbewust en onbedoeld) gebeuren omdat er simpelweg geen vrouw bevraagd wordt of aan tafel zit die kan wijzen op een gender- of seksespecifieke behoefte waar mannen niet mee geconfronteerd worden, maar evengoed omdat men er bijvoorbeeld in medische proeven vanuit gaat dat de hormonale schommelingen die de menstruatiecyclus teweegbrengt in vrouwelijke lichamen de resultaten van een studie beïnvloeden. Die schommelingen vormen nochtans een biologische realiteit voor ongeveer de helft van de bevolking. Wanneer medische proeven vrouwen om deze reden uitsluiten - omdat het de resultaten kan ‘vertekenen’ - zijn de resultaten van de studie zelf in feite vertekend: ze representeren enkel de effecten op mannen, maar worden voorts wel vaak veralgemeend. Dit resulteert vaak in geneesmiddelen of medische behandelingen die enkel op mannelijke lichamen getest zijn, en mogelijk andere, kwalijke, of zelfs gevaarlijke, effecten kunnen hebben op vrouwelijke lichamen.
Nog een probleem dat bijdraagt aan de genderdatakloof is het feit dat wanneer de respondenten in pakweg een sociologische studie wél divers en dus representatief zijn voor de volledige samenleving, de data vaak niet gedifferentieerd worden op basis van biologisch geslacht of genderidentiteit. Als er dan al data verzameld worden van een diverse groep, worden de resultaten of antwoorden niet zodanig gesplitst opdat sekse- of genderverschillen geïdentificeerd kunnen worden. Dat geldt bovendien ook voor andere identiteitskenmerken. Wanneer datasets niet worden gedifferentieerd op basis van identiteitskenmerken, zullen onderzoekers bijvoorbeeld niet kunnen vaststellen of vrouwen mogelijk andere tot ronduit tegengestelde noden hebben dan mannen op het vlak van openbaar vervoer. Zonder aandacht voor mogelijke gender- en sekseverschillen in onderzoek, wordt in het beste geval (dat wil zeggen: met een evenwichtige poule participanten) een gemiddelde voorgesteld als een one-size-fits-all oplossing. Op die manier kan beleid, maar ook een product of dienst al eens tekortschieten want in feite worden zo de noden van geen enkele doelgroep volledig beantwoord.
De genderdatakloof ontstaat dus omwille van diverse redenen, en is tegelijkertijd oorzaak en gevolg van male bias, namelijk de aanname dat mannen de volledige bevolking (kunnen) vertegenwoordigen en hun perspectieven, ervaringen, kenmerken en behoeften als universeel worden beschouwd.