Indarra hartzen ari dira «datuek gidatutako jendartea» eta «datuek gidatutako ekonomia» kontzeptuak (data-driven society/economy): datuak bilduz eta aztertuz, mota guztietako erakundeetan, erabakiak hartzen direlako. Baina erabiltzen diren datuek errealitatea islatzen dute? Jasotzen diren datuek genero ikuspegia txertatua dute? Datu horiekin erantzun nahi ditugun galderak diseinatzerakoan genero estereotipoak eragina izan dezaketen faktore kontsideratzen dira? Emakumea* ikusgarria da datuetan? Subjektu gisa, bere presentzia adierazgarria da? Eta ikusezina bada, nola hartzen dira erabakiak? Erabaki horiek genero berdintasuna sustatu edo ezberdintasunetan sakontzen dute?

Hori da Caroline Criado-Perez kazetari, ekintzaile feminista eta idazle britainiarraren "Invisible Women, Exposing data bias in a world designed for men" liburuaren abiapuntua. Genero datuen arrakala zer den ulertzeko adibide batekin hasten da: Suediako Karlskoga hiriko elur-garbiketako plangintza. Ustez, genero ikuspegitik neutrala: autoen errepideak garbitzen ziren lehenengo, gero garraio publikoarenak, bidegorriak eta oinezkoen bideak azken kasuan. Iduri du ez duela loturarik generoarekin. Baina datuek erakusten zuten elur egunetan istripu gehiago zeudela bidegorri eta espaloietan, autoen artean baino: errazagoa baita autoan hiru zentimetroko elurretan ibiltzea, bizikletaz, oinez, haurra eramateko karroarekin edo gurpildun aulki batekin baino. Eta kostu ekonomikoa berdina izango zelakoan, garbiketaren ordena aldatu zuten, autoen errepideak azkenerako utziz. Eta bidean, merkeagoa zela ere konturatu ziren, bidegorri eta oinezkoen bideetako istripuak gutxitu baitziren. Baina genero ikuspuntutik erabakia neutrala izan al zen? Ez. Politika feminista zen. Nazioartean erreferentziatzat hartu zen eta hala islatu zen hedabideetan.

Eta galdera da: aurrez indarrean zegoen elur-garbiketa plangintzak emakumeak baztertzea zuen helburu? Ez, noski. Gizonezkoei onura eskaintzea bilatzen zuen? Ez, ziur aski. Eta zergatik zegoen indarrean gizonezkoei bizitza erraztu eta emakumezkoei zailtzen zien plangintza bat Karlskogako udalerrian?

Mugikortasun patroietan oinarrituta, emakumeek gizonezkoek baino aukera gehiago dituzte oinez ibili eta garraio publikoa hartzeko. Gizonezkoek, aldiz, gidatzeko. MUGI txartelaren erabilera datuak eman ziren duela gutxi: hiru bidaiaritik bi emakumezkoak dira (eta hala ziren duela hiru urte ere). Baina aztertzen da nondik nora bidaiatzen duten eta zenbait bidaia egiten dituzten egunean? MUGI sistemaren baitan euren bidaiatzeko moduagatik ekonomikoki kaltetuak dira emakumeak? Oraindik zaintza lanak emakumeen gain daudela salatu zen M8an: bizitza emakumeok sostengatzen dugula. Zein neurritan lotzen dira mugikortasun patroiak zaintza ardurekin? Biltzen al dira nahikoa datu hori ezagutzeko? Eta genero datuak egoki bildu eta aztertzen ez badira, ditugun mugikortasun politikak genero aldetik neutralak al dira? Ez, noski. Eta hortaz emakumea kaltetu dezakete, Karlskogan bezala.

Genero datuen arrakala, kasu askotan, ez da datu bilketa/azterketa desegoki baten emaitza: genero ikuspegian dagoen arrakalagatik izan daiteke. Hori da, Criado-Perezen iritziz, Karlskogan gertatu zena: elur-garbiketarako plangintza diseinatzen zuen taldea gizonez soilik osatuta zegoela (garraioari lotutako sailak erabat maskulinizatuak egoten dira, maila politiko zein teknikoan). Eta, kontzientzia hartzeke, gizonezkoen beharrak estandar edo unibertsal gisa onar ditzakete. Eta hortaz, erabakiguneetan emakumeen presentzia adierazgarria ez izateak ere, genero datuen arrakala dakar. Aztertuta dago, liburuko beste atal batean agertzen den bezala, emakumeen presentziak politika feminista eta inklusiboak garatzeko aukerak drastikoki handitzen dituela.

Karlskogatik harago, genero datuen arrakala erakusteko adibide andana ematen ditu: akademiaren meritokraziaren ondorioak, lanpostuetarako hautaketa eta sustapen prozesuetan ematen diren kasuak edota industria teknologikoan ematen den emakume falta. Azken horri lotuta aipatzen ditu, besteak beste, errealitate birtualeko jokoetan agerikoa den emakumearen aurkako bortizkeria eta itzulpen automatikoko sistemek euren egin dituzten genero estereotipoak ("Elhuyar" aldizkarian landu zen gaia, eta pasa den astean sarean indarra hartu zuen). Berdin gertatzen da lan-poltsetako lehen filtroa robotek egiten duten kasuetan, automatikoki emakumea lanpostu askotatik kanpo geratzen delarik: algoritmoa datu-base estereotipatuekin entrenatu delako. Eta, hortaz, euren kabuz ikasten duten makinek (machine learning) genero estereotipoak magnifikatu eta anplifikatu egiten dituzte: genero datuen arrakala handitzen dute.

Jabetzen ez bagara ere, genero datuen arrakalak gure egunerokotasuna eta hartzen diren erabakiak baldintzatzen ditu. Hortaz, genero ikuspegia kontuan izango duten politikak diseinatu nahi badira, lehen urratsa genero datuen arrakala desagerraraztea da: datuak biltzea eta datuak biltzeko galderak eta metodoak genero ikuspegia txertatuta diseinatzea. Eta datu bilketarik egin edo ez, erabakiak hartzeko guneetan emakumeen presentzia bermatzea. Eta, noski, ebidentzietan oinarritutako politikak sortzea, genero datu eta ikuspegi horietan oinarrituta. "2030 Agenda"-ko hamazazpi Garapen Jasangarrirako Helburuetatik, bosgarrena da genero berdintasunari zuzenki lotutakoa. Baina generoa zehar-lerroa da eta genero ikuspegia ikuskatzeko ezarri diren 54 adierazleetatik datuen %21 baino ez daude eguneratuak (mundu mailan: https://labur.eus/21). Genero datuak falta dira.

"2030 Agenda" gauzatzeko ezinbesteko lanabes kontsideratzen dira datuak, ebidentzietan oinarritutako politikak sortzeko behar-beharrezkoak direlako: genero datuen arrakala ere desagerrarazi beharko da, hortaz, genero berdintasunean aurrera egiteko.