Cinq choses à prendre en compte lorsque vous pensez au biais de données (DDN3-V05)

Transcription : Cinq choses à prendre en compte lorsque vous pensez au biais de données

[Le titre « Cinq choses à prendre en compte lorsque vous pensez au biais de données » et une image de trois personnes examinant un tableau apparaissent]

[Le titre et l'image s'effacent pour laisser apparaître à l'écran la Dre Rachel Zellars, professeure adjointe, Département de justice sociale et d'études communautaires, Université Saint Mary's]

Comment savoir si les fonctionnaires utilisent les bonnes données à leur disposition? Je veux être le plus pragmatique possible. Deux de mes professeurs, Zoe Marks – permettez-moi de les nommer – et Teddy Svoronos sont de très brillants chercheurs à Harvard et ils m'ont enseigné à commencer par cinq principes d'organisation dès le départ, chaque fois que l'on recueille ou utilise des données.

Je vais donc les passer en revue. Premièrement, connaissez votre population et, précisément, comment s'observe l'équité, quelles sont les sensibilités du groupe et comment vous étudiez ensuite le groupe dans son contexte.

C'est le premier principe. Deuxièmement, examinez la distribution de vos données. C'est quelque chose que j'enseigne très concrètement chaque été à un groupe d'adolescents dans mon programme de la Freedom School. Que cache la moyenne dans votre ensemble de données? Lorsque j'enseigne l'inégalité du revenu à des jeunes, je n'enseigne pas le revenu moyen au cours d'une période. Je travaille habituellement sur des périodes de 40 ans, mais j'enseigne plutôt le quintile, car ce n'est que par ces quintiles que vous pouvez constater l'extrême inégalité des revenus lorsqu'elle est représentée graphiquement en Amérique du Nord. N'est-ce pas?

Donc au Canada et aux États-Unis. Et cela trouve vraiment un écho, bien sûr, avec ce que nous ressentons intuitivement. Les riches s'enrichissent, les pauvres s'appauvrissent. Donc, il faut vraiment faire la distinction entre la façon dont vous tracez le graphique, ou quelle attention portez-vous à la moyenne? Puis, qu'est-ce que cela cache-t-il? Dans le cas de l'inégalité des revenus, beaucoup.

Troisièmement, l'approche intersectionnelle. Adoptez toujours une approche intersectionnelle. L'inégalité interagit avec de multiples catégories d'identité, et l'une de nos tendances partiales, en tant que chercheurs et pour les gens en général, est d'aplatir ou de simplifier les groupes marginalisés de personnes tout en accordant une nuance très détaillée à la blanchité, au statu quo.

Les femmes noires, par exemple, vivent avec une multiplicité d'identités. Nous avons donc besoin de données désagrégées dans la fonction publique sur les femmes noires, les femmes noires handicapées, les femmes noires francophones, les femmes noires queers et, oui, les femmes noires handicapées francophones queers dans la fonction publique. Nous avons besoin de tels ensembles de données. Et je ferai ici simplement la promo des données qualitatives également. Très utiles.

Quatrièmement. Quelle est la lacune dans les données? Où sont les données manquantes? Celui-là peut me faire pleurer. Alors, laissez-moi prendre d'abord une profonde inspiration. J'ai passé les derniers mois à fouiller des études antérieures de la Commission royale dans la fonction publique. Au début des années 1980, un livre intitulé All the Women Are White and All the Blacks Are Men, But Some of Us Are Brave contenait l'un des premiers recueils d'œuvres féministes noires aux États-Unis. Historiquement, les personnes les plus marginalisées ont été les moins étudiées, voire pas du tout. Et donc, dans la fonction publique, nous disposons d'énormes ensembles considérablement désagrégés sur ceux qui sont considérés comme universels. Ainsi, le titre toutes les femmes sont blanches et tous les hommes sont noirs. Donc, lorsque nous prêtons attention aux lacunes dans les données, nous devons être très attentifs à quelques éléments. D'abord, quels biais introduisons-nous dans le sujet dès le départ? Je vais parler des biais dans quelques instants. Ensuite, quelles sont la disponibilité et la qualité avec un Q majuscule des données actuellement existantes? La qualité.

Puis, comment traitons-nous les lacunes, les absences, les silences présents dans les ensembles de données?

Sources primaires et archives. Il s'agit d'une question tellement vaste, et je vais simplement mentionner les chercheurs qui m'ont le plus appris à interpréter ces silences, ces absences et ces lacunes. Michel-Rolph Trouillot, le travail de Saidiya Hartman, Thavolia Glymph et notre brillante historienne ici au Canada, Charmaine Nelson. Et c'est vraiment Thavolia Glymph qui m'a mieux appris que quiconque que ce dont nous ne tenons pas compte comme chercheurs, ce que nous affectons de ne pas voir, révèle beaucoup plus que ce à quoi nous accordons réellement notre attention.

Puis, je dirai une dernière chose là-dessus. Deux autres points. Ensuite, pour ce qui est de la collecte de données fiables, soyez responsables devant les collectivités que vous étudiez.

C'est très important. Je terminerai en disant de définir soigneusement l'équité et le succès à l'aide des données.

J'aime tellement cette citation de Zoe Marks : « l'égalité à l'intérieur ne revient pas à dire l'équité à l'extérieur ». Comment définissons-nous le succès? Utilisons-nous carrément le statu quo ou la blanchité comme norme et, en tant que chercheurs rassemblant des données et cherchant à savoir comment les utiliser, prêtons-nous attention à la fois aux disproportions et à l'importance et à la signification de ces disproportions? Ce sont donc cinq principes d'organisation qui, je l'espère, seront utiles. Merci.

[Les cinq principes d'organisation apparaissent simultanément à l'écran :

1. Connaissez votre population.
2. Examinez la distribution de vos données.
3. Approche intersectionnelle.
4. Quelle est la lacune dans les données?
5. Définissez l'équité et le succès soigneusement.]