Competencia de género

El reglamento del TFM establece que el TFM debe elaborar la competencia de género. El reglamento distingue dos aspectos:

Este documento es un complemento para ayudar a los estudiantes a la hora de abordar la competencia de género. Es importante que hables con tu supervisor/tutor para desarrollar adecuadamente esta competencia, ya que puede variar sustancialmente en función del tema que abordes. Se trata de un punto de partida para empezar a trabajar.

Inclusión y diversidad en la escritura

ACM explica estos objetivos de la siguiente manera. La diversidad se consigue cuando las personas que se sientan en la mesa proceden de distintos entornos y experiencias. La diversidad conduce a puntos de vista, razonamientos y enfoques (también denominada "el quién") más amplios. La inclusión se logra cuando el entorno se caracteriza por acoger y abrazar la diversidad ("el cómo"). Ambas cosas son importantes en nuestros escritos y otras formas de comunicación, como carteles y charlas. Así pues, ten en cuenta las siguientes consideraciones a la hora de redactar el informe final de tu trabajo de fin de máster.

Inclusión

En informática, hay que tener cuidado de no utilizar un lenguaje o ejemplos que fomenten la marginación, los estereotipos o la eliminación de cualquier grupo de personas, especialmente los grupos históricamente vulnerables or infrarepresentados (URG). Por supuesto, el trato excluyente o indiferente puede surgir involuntariamente. Hay que estar atento y evitar activamente este tipo de situaciones en los escritos. A continuación, se ofrecen algunos ejemplos:

Ejemplos de escritos excluyentes y no incluyentes que conviene evitar: 

• Suposición implícita: Un ejemplo de restricciones: "Toda persona tiene un padre y una madre". Este ejemplo es excluyente y potencialmente perjudicial para los hogares monoparentales y las personas con progenitores del mismo sexo.
• Terminologia opresiva: Utilizar el término "amo-esclavo" para describir una arquitectura de sistemas de datos distribuidos puede resultar hiriente para personas cuyas familias han sufrido la inhumanidad de la esclavitud. El artículo "Terminology, Power, and Inclusive Language in Internet-Drafts and RFCs" propone términos alternativos a un lenguaje opresivo utilizado a menudo en informática.
• Marginación de los URG: Un ejemplo de dominios de atributo: "El atributo género es masculino o femenino". Este ejemplo es excluyente y potencialmente hiriente para las personas intersexuales, transgénero, de tercer género, de dos espíritus, de género o con otras identidades de género no binarias.
• Falta de accesibilidad: Utilizar únicamente el color para transmitir información en un gráfico cuando existen buenos esquemas alternativos de visualización de datos. Esta estrategia de diseño puede excluir a las personas daltónicas. Por favor, considera (además) el uso de patrones, símbolos y texturas para enfatizar y contrastar elementos visuales en gráficos y figuras, en lugar de utilizar sólo colores. Utiliza una paleta de colores adecuada para daltónicos y diseñada con accesibilidad para personas con discapacidad visual. Evita malas combinaciones de colores, como verde/rojo o azul/morado.
• Estereotipos: Reforzar los estereotipos de género en los nombres o ejemplos de funciones, por ejemplo, utilizar sólo nombres o presentaciones femeninas para una secretaria personal o persona con funciones de asistente.

Diversidad

Si vamos más allá, podemos considerar también aumentar la representación de los URG en los escritos. La diversidad de representación ayudar a crear un entorno y una cultura comunitaria que, en última instancia, podría hacer que nuestro campo fuera más acogedor y atractivo para las personas de URG. Este es un paso pequeño pero crucial que podemos dar para celebrar y mejorar la diversidad de nuestra comunidad. 

Ejemplos de cómo infundir diversidad en la escritura para considerar su adopción: 

• Adoptar diferentes culturas: Los nombres de personas son una forma visible de aumentar la diversidad de representación en la escritura. En lugar de reutilizar nombres manidos en informática como Alice y Bob, consideramos la posibilidad de usar nombres de varias lenguas, culturas y nacionalidades, por ejemplo, Alvarez y Bano. Aproveche los numerosos recursos en línea sobre este tema para obtener ideas, por ejemplo, la página web de Wikipedia Names by culture, donde aparecen nombres de distintas culturas.
• Adoptar las diferencias en las figuras: Las representaciones de personas o de iconos parecidos a personas en las ilustraciones son también una forma excelente de potenciar la diversidad de representación. Considere la posibilidad de representar a personas con diferentes presentaciones de género, colores de piel, estado de capacidad y otros atributos visibles de las personas.
• Adoptar la diversidad de género en los pronombres: Considerar la posibilidad de utilizar conscientemente una variedad de pronombres de género en los ejemplos nombrados, como "él/ella", "ella/ellos/ellas" y "ellos/ellas/ellos". Del mismo modo, considerar la posibilidad de utilizar sustantivos de género neutro cuando se refiera a funciones genéricas, por ejemplo, "presidencia" en lugar de "presidente" o "presidenta", y pronombres de género neutro para dichas funciones.

Responsabilidad

Por último, se debe evaluar las técnicas basadas en datos desde una perspectiva técnica, especialmente cuando se toman decisiones sobre personas. Se debe considerar la posibilidad de debatir explícitamente si pueden provocar un impacto dispar en distintos grupos, especialmente los URG. Se debe considerar la posibilidad de examinar las implicaciones éticas y sociales. Por ejemplo, ver el articulo What are important ethical implications of using facial recognition technology in health care? (¿Cuáles son las implicaciones éticas importantes del uso de la tecnología de reconocimiento facial en la atención sanitaria?) en el que se analiza el posible impacto dispar del reconocimiento facial en la atención sanitaria y las estrategias para evitar o reducir el daño. El artículo del Blog SIGMOD Data, responsibly también ofrece una visión global de varias dimensiones y enfoques para las ideas de gestión responsable de datos. Esperamos que nuestra comunidad pueda ayudar a impregnar esta cultura de responsabilidad y concienciación sobre las consecuencias negativas no deseadas potencialmente dañinas de nuestro trabajo dentro del panorama informático más amplio.

Desde una perspectiva técnica, esto significa que en tu TFM debes garantizar la equidad de los datos. La equidad de datos implica analizar los sesgos implícitos (tanto de datos como algorítmicos) para mejorar la imparcialidad. Incorporar y considerar estos aspectos como ciudadanos de primera clase en tus proyectos de ciencia de datos se conoce como ciencia de datos responsable. Sin embargo, la ciencia de datos responsable va más allá de estos conceptos, y también implica considerar la transparencia de los datos y algoritmos (también conocida como interpretabilidad / explicabilidad), el cumplimiento legal (por ejemplo, como el GDPR), la privacidad y la protección de datos.

Los siguientes artículos de referencia profundizan en estos conceptos. Te recomendamos encarecidamente que los leas antes de redactar tu informe final del TFM. Además, comenta estos términos con tu supervisor/tutor, ya que lo más probable es que haya artículos relevantes estrechamente relacionados con el tema de tu TFM que puedan ayudarte a considerar mejor los aspectos técnicos que hay detrás de la ciencia de datos responsable.

• Armanda Lewis, Julia Stoyanovich: Teaching Responsible Data Science: Charting New Pedagogical Territory. Int. J. Artif. Intell. Educ. 32(3): 783-807 (2022)
• Julia Stoyanovich, Serge Abiteboul, Bill Howe, H. V. Jagadish, Sebastian Schelter: Responsible data management. Commun. ACM 65(6): 64-74 (2022)
• H. V. Jagadish, Julia Stoyanovich, Bill Howe: The Many Facets of Data Equity. ACM J. Data Inf. Qual. 14(4): 27:1-27:21 (2022)
• Meike Zehlike, Ke Yang, Julia Stoyanovich: Fairness in Ranking, Part I: Score-Based Ranking. ACM Comput. Surv. 55(6): 118:1-118:36 (2023)
• Meike Zehlike, Ke Yang, Julia Stoyanovich: Fairness in Ranking, Part II: Learning-to-Rank and Recommender Systems. ACM Comput. Surv. 55(6): 117:1-117:41 (2023)

Agradecimientos y lecturas complementarias

Estas instrucciones se basan en los consejos y sugerencias proporcionados por la EDBT conference, que se elaboran a partir de las siguientes fuentes:  

• ACM Diversity and Inclusion
• ACM SIGMOD Blog articulo "Data, Responsibly"
• AMA Journal of Ethics articulo "What Are Important Ethical Implications of Using Facial Recognition Technology in Health Care?"
• Articulo "Inclusive CS Examples"
• Articulo "Terminology, Power and Oppressive Language"
• Materiales útiles de UCSD CSE Diversity, Equity, and Inclusion Committee
• NeurIPS Diversity and Inclusion statement
• Wikipedia listing of names across cultures
• European Institute for Gender Equality