شکاف جنسیتی در داده‌‌ها: چرا داده‌های مربوط به زنان کمتر جمع‌آوری می‌شود؟

با وجود پیشرفت‌ها در اهداف برابری جنسیتی در دنیای واقعی، زندگی زنان هنوز در داده‌های دیجیتال به خوبی بازتاب داده نمی‌شود. پیش از این در یادداشت «یادگیری از نابرابری؛ آیا هوش مصنوعی بی‌طرف است؟» به بررسی یکی از الگوهای مرتبط با شکاف داده‌ای پرداختم. حال زمان آن رسیده که یک گام فراتر برویم و مسئله‌ را بنیادین‌تر از و از قاب بزرگ‌تری بررسی کنیم.

در وهله‌ی اول چرا داده‌های مرتبط با زنان کمتر جمع‌آوری و ثبت می‌شوند؟ گویی زنان در اغلب آمارها غایب‌اند. یا همان‌طور که کارولین کریادو-پرز در کتاب «زنان نامرئی» بیان می‌کند، «فناوری، بشریت را منحصراً مردانه تصور می‌کند و همین دیدگاه محدود باعث ایجاد شکاف‌های گسترده‌ای در طراحی و استفاده از فناوری می‌شود».

این دست شکاف‌ها تنها به نتیجه‌گیری دستیارهای هوشمند و الگوریتم‌ها محدود نمی‌شوند. نتایج این شکاف اطلاعاتی به صورت مستقیم در مسائل بنیادینی چون شهرسازی، سلامت، تحصیل و عدالت اجتماعی اثر گذارند. در این یادداشت از سری مقالات زنان و فناوری نوشدارو تلاش می‌کنیم ریشه‌های این غیبت یا کم‌بینی داده‌های مربوط به زنان را بررسی کنیم.

شکافی که عمیق‌تر می‌شود

بخشی از شکاف اطلاعاتی مربوط به زنان، به پوشش ناقص داده‌ها برمی‌گردد و بخشی دیگر به شیوه طراحی نظام‌های آماری. از جنبه‌ی پوشش داده، داده‌های مربوط به زنان در بسیاری از کشورها هنوز به صورت پراکنده و ناقص جمع آوری می‌شوند. برای مثال می‌توان به گزارش چشم‌انداز داده‌های جنسیتی ۲۰۲۴ سازمان ملل (Gender Data Outlook) رجوع کرد. هدف این گزارش، سنجش ظرفیت کشورها در تولید و استفاده از داده‌های جنسیت محور در سیاست‌گذاری‌های کلان است.

خود گزارش نشان می‌دهد که تا سال ۲۰۲۴ فقط ۸۳ کشور در این لیست حضور داشته‌اند. از این لیست نیمی از کشورها در حوزه‌های مختلف نقص داده داشته و تعداد بیشتری در زمینه دسترسی‌پذیر کردن داده‌ها مشکل دارند. یعنی ممکن است کشوری داده تولید کند، اما آن را به‌شکل متن‌باز و باکیفیت منتشر نکند. در این میان، بسیاری از کشورهای خاورمیانه، از جمله ایران نیز در چنین ارزیابی‌هایی غایب‌اند.

واضح است که تولید چنین داده‌هایی به بودجه پایدار، نیروی متخصص و زیرساخت کافی دولتی نیاز دارد. از آن‌جا که موضوعات متمرکز بر زنان فوریت و توجه نهادها را دریافت نمی‌کنند، این حوزه‌ها در کشورها کم‌درآمدتر یا اصلاً سنجیده نمی‌شوند، یا آن‌قدر دیر، پراکنده و نامنظم سنجیده می‌شوند که برای سیاست‌گذاری کلان کافی نیستند. 

از سوی دیگر، بسیاری از زنان در داده‌های رسمی نه به‌عنوان افراد مستقل، بلکه در قالب شاخص‌های جانشینی مثل سرپرست خانوار دیده می‌شوند؛ نقشی که در بسیاری از جوامع به پدر، همسر یا مرد خانواده نسبت داده می‌شود. به همین دلیل دارایی، درآمد، دسترسی و نیازهای زنان ممکن است درون یک ظرف بزرگ‌تر به نام خانوار سنجیده شود.

برای مثال، ممکن است یک خانواده از نظر آماری، دارای خانه، ماشین، تلفن یا دسترسی به اینترنت ثبت شود، اما این داده نشان نمی‌دهد که آیا زن آن خانواده واقعاً مالک آن دارایی است یا امکان استفاده مستقل از این امکانات را دارد یا نه. همین الگو در اسناد مالکیت و مشارکت اقتصادی هم دیده می‌شود. خانه‌ها و زمین‌ها معمولاً بر اساس نام مالک سند ثبت می‌شوند، نه براساس کسانی که در آن زندگی‌ می‌کنند.

از آنجا که مالکیت رسمی در بسیاری از جوامع سنتی‌تر بیشتر به نام مردان ثبت می‌شود، سهم واقعی زنان از دارایی و امنیت اقتصادی در داده‌ها دیده نمی‌شود. در آمارهای شغلی نیز تمرکز غالباً بر حقوق‌بگیران، بیمه‌شدگان و یا مشاغل رسمی است؛ این در حالی که بخش بزرگی از کار زنان در قالب کار خانگی، مراقبت از کودک و سالمند، کمک به کسب‌وکارهای خانوادگی، کار غیررسمی یا فعالیت‌های بدون دستمزد انجام می‌شود.

این نوع طراحی آماری باعث می‌شود زنان حتی زمانی که در اقتصاد خانواده مشارکت می‌کنند، کمتر به‌عنوان فعال اقتصادی شناخته شوند. به همین دلیل، شکاف اطلاعاتی جنسیتی فقط بازتاب نابرابری نیست؛ خودش نیز نابرابری را بازتولید می‌کند. وقتی کار بی‌مزد زنان در آمار ثبت نشود، در سیاست‌های اقتصادی هم در نظر گرفته نخواهد شد. وقتی مالکیت زنان به‌درستی ثبت نشود، امنیت اقتصادی آنان در برنامه‌ریزی‌ها نادیده می‌ماند. و وقتی خشونت، دسترسی دیجیتال یا سلامت زنان به درستی سنجیده نشود، سیاست‌گذاری دولتی نیز بر پایه تصویری ناقص از واقعیت انجام می‌شود.

کم‌بینی داده در بهداشت و درمان قربانی‌ می‌گیرد

برای سالیان سال در حوزه‌های بهداشت و درمان، مردان به‌عنوان نمونه پیش‌فرض «انسان» در نظر گرفته می‌شدند. بدن مردانه معیار اصلی پژوهش، تشخیص، تست و درمان بوده و نتایج مطالعاتی که روی مردان انجام شده‌اند، به بدن زنان نیز تعمیم داده شده‌ است. این محدود کردن پژوهش‌های پزشکی به یک جنسیت، خود یکی از ریشه‌های اصلی شکاف داده‌ای در سلامت زنان است.

نمونه‌ای از این شکاف را می‌توان در پژوهش‌های قلب و عروق دید. در یک پژوهش در انجمن قلب آمریکا روی ۷۴۰ نفر طی سال‌های ۲۰۱۰ تا ۲۰۱۷، زنان فقط ۳۸ درصد از کل شرکت‌کنندگان را تشکیل می‌دادند. در پژوهش‌های مربوط به سندرم حاد کرونری (ACS) این شکاف حتی شدیدتر بود و سهم زنان به ۲۶٫۹ درصد می‌رسید. این در حالیست که بیماری‌های قلب و عروق همچنان یکی از مهم‌ترین علل مرگ زنان در جهان است.

حذف یا کم‌نمایی داده‌های مرتبط با سلامت زنان پیامدهای مستقیم بر تشخیص، درمان، کیفیت زندگی و حتی بقای انسان‌ می‌گذارد. وقتی بدن مرد به عنوان معیار پیش‌فرض پزشکی در نظر گرفته می‌شود، تجربه زیستی زنان و علائم خاص آن‌ها ممکن است از سوی کادر درمان غیرمعمول، مبهم، کم‌اهمیت و یا غیرمرتبط تلقی شود. برای مثال در بیماری‌های قلبی، زنان همیشه علائم کلاسیک و شناخته‌شده‌ای را که در کتاب‌های پزشکی بر اساس تجربه مردان برجسته شده‌اند، نشان نمی‌دهند. در نتیجه خستگی، تهوع، تنگی نفس یا ناراحتی‌های غیرمعمول که در زن‌ها دیده می‌شود، ممکن است دیرتر جدی گرفته شود.

نمونه دیگر ضعف داده در سلامت زنان را می‌توان در سندرم تخمدان پلی‌کیستیک دید. اختلالی که در ماه مِی سال ۲۰۲۶ با نام جدید سندرم تخمدانی متابولیک چندغده‌ای یا PMOS معرفی شد تا نشان دهد مسئله فقط به کیست محدود نیست، بلکه با متابولیسم، هورمون‌ها، سلامت قلب، باروری و کیفیت زندگی زنان هم ارتباط دارد. این سندرم هنوز درمان قطعی ندارد و عموم درمان‌های فعلی تنها بر کنترل علائم متمرکزند. همین موضوع نشان می‌دهد زمانی که بدن زنان برای موضوع اصلی پژوهش نباشد، حتی بیماری‌های شایع نیز ممکن است سال‌ها با تشخیص دیرهنگام و درمان ناقص پزشکی همراه بمانند.

در مورد مشابه دیگری، پژوهش‌های بالینی زنان باردار و شیرده مطرح است. این کارآزمایی‌ها اغلب به دلایلی چون نگرانی‌های اخلاقی، پیچیدگی‌های هورمونی و یا ریسک‌های حقوقی از پژوهش‌ها حذف می‌شوند. اما حذف آن‌ها تنها موجب می‌شود که اطلاعات کافی درباره اثر داروها، دوز مناسب و همچنین عوارض جانبی برای بدن زنان وجود نداشته باشد. نتیجه این که زنان پس از ورود داروها به بازار، در معرض درمان‌هایی قرار می‌گیرند که به اندازه‌ی کافی آزموده نشده‌اند.

اما عوارض همین‌جا متوقف نمی‌شوند، چرا که نتایج این پژوهش‌های مرد-محور به عنوان خوراک ابزارهای هوش مصنوعی نیز مصرف می‌شود. بسیاری از سیستم‌های فنی با داده‌هایی آموزش می‌بینند که نماینده‌ی همه‌ی گروه‌های انسانی نیستند. اگر داده‌های آموزشی بیشتر از مردان سفیدپوست یا گروه‌های برخوردار جمع‌آوری شده باشد، سیستم‌ها نیز عملکرد خود را بر اساس همان گروه‌ها بهینه می‌کنند. در نتیجه، ابزارهای تشخیص پزشکی مبتنی بر هوش مصنوعی و مدل‌های زبانی، سلامت اقلیت‌هایی مثل زنان را به حاشیه می‌رانند.

بازیگران نامرئی اقتصاد

شاید یکی از مهم‌ترین شکاف‌های داده‌ای مربوط به مشارکت اقتصادی و کار باشد. در اغلب داده‌ها، به کارهای مراقبتی و خانه‌داریِ بدون دستمزد پرداخته نمی‌شود. گزارش سازمان بین‌المللی کار از ۶۴ کشور نشان می‌دهد که روزانه ۱۶.۴ میلیارد ساعت صرف کارهای مراقبتی بدون دستمزد می‌شود؛ یعنی رقمی معادل هشت ساعت کار روزانه ۲ میلیارد نفر، اما بدون دریافت مزد!

اگر این کارها با حداقل دستمزد محاسبه شوند، ارزش آن‌ها حدود ۹ درصد تولید ناخالص داخلی جهان و معادل تقریباً ۱۱ تریلیون دلار آمریکا (بر اساس برابری قدرت خرید سال ۲۰۱۱) خواهد بود. این یعنی زنان در سطح جهان ۷۶.۲ درصد از کل ساعات کار مراقبتی بدون دستمزد را انجام می‌دهند؛ چیزی بیش از سه برابر سهم مردان.

اما مسئله به ارزش‌گذاری کار محدود نمی‌شود. در سال ۲۰۲۳، سازمان بین‌المللی کار بر اساس داده‌های ۱۲۵ کشور برآورد کرد که ۷۰۸ میلیون زن به دلیل مسئولیت‌های مراقبتی بدون دستمزد، از مشارکت اقتصادی فعال باز مانده‌اند؛ این رقم برای مردان حدوداً ۴۰ میلیون‌ نفر بود. همچنین در میان زنان ۲۵ تا ۵۴ ساله‌ای که از بازار کار بازمانده بودند، دو سوم آن‌ها مراقبت از فرزند و خانه‌داری را دلیل اصلی خود برای خروج از بازار کار اعلام کرده بودند.

این سهم در شمال آفریقا با ۶۳ درصد و در کشورهای عربی با ۵۹ درصد بالاترین مقدار را دارد؛ لازم به ذکر است که این رقم در اروپا و آسیای مرکزی حدود ۲۱ درصد است. حذف آماری زنان از داده‌ها موجب نادیده گرفته شدن این زن‌ها در تصمیم‌گیری‌های کلان خواهد شد. دغدغه و نیاز این افراد نادیده گرفته می‌شود و در درازمدت آن‌ها را به زنانی نامرئی در جامعه بدل خواهد کرد. 

دسترسی نابرابر به فناوری تبعیض را تشدید می‌کند

در جهان امروز بخش بزرگی از داده‌ها از مسیرهای دیجیتال استخراج می‌شوند. انسان امروز به واسطه‌ی اینترنت و گوشی‌های هوشمند تعامل‌های مالی، آموزشی و کاری خود را بر بستر دیجیتال شکل می‌دهد. بنابراین کسی که کمتر آنلاین است، کمتر هم در داده‌های جدید دیده می‌شود. این مسئله در حوزه‌ی داده‌های زنان اهمیت زیادی دارد، چرا که دسترسی زنان به فناوری محدودتر است. مالکیت گوشی‌های هوشمند، دسترسی به اینترنت، امنیت آنلاین و آزادی عمل اجتماعی برای حضور در فضاهای دیجیتال عموماً برای زنان کمتر است.

در همین راستا گزارش GSMA در سال ۲۰۲۵ از کشورهای کم‌درآمد و با درآمد متوسط، نشان می‌دهد که زنان به صورت میانگین ۱۴ درصد کمتر از مردان از اینترنت موبایل استفاده می‌کنند. این شکاف در جنوب آسیا با ۳۲ درصد و در آفریقای جنوبی با ۲۹ درصد، به بیشترین مقدار می‌رسد. اتحادیه بین‌المللی مخابرات نیز گزارش می‌دهد که در سال ۲۰۲۴ فقط ۲۹ درصد زنان در کشورهای کمتر توسعه‌یافته از اینترنت استفاده می‌کردند، در حالی که این رقم برای مردان ۴۱ درصد بود. در همین گزارش ذکر شده که در کشورهای کم‌درآمد تنها ۲۱ درصد زنان آنلاین بودند؛ در حالی‌ که این رقم در کشورهای توسعه یافته و پردرآمد حدود ۹۳ درصد بود.

زمانی که زنان کمتر به اینترنت و فناوری متصل باشند، ردپای دیجیتال کمتری هم از خود به جا می‌گذارند؛ همان ردپاهایی که امروز خوراک آموزش مدل‌های هوش مصنوعی شده‌اند. این نابرابری در ورودی اطلاعات مستقیم وارد داده‌ها می‌شود. اگر داده‌های یک پلتفرم استخدام آنلاین بیشتر از مردان جمع‌آوری شده باشد، الگوریتم‌های استخدام نیز بیشتر الگوی مسیر شغلی مردان را می‌آموزند. اگر داده‌های مالی دیجیتال بیشتر از مردان در دسترس باشد، مدل‌های اعتبارسنجی وام و اعتبار، زنان را کم‌سابقه‌تر یا پرریسک‌تر برمی‌شمارند. اگر زنان در شبکه‌های اجتماعی کمتر حضور داشته باشند، مدل‌ها هم نیازها، زبان، بدن، رفتار و سایر جزئیات مربوط به زنان را کمتر یاد گرفته و تبعیض را به صورت نمایی بازتولید می‌کنند.

امنیت آنلاین هم بخشی از مسئله‌ی دسترسی زنان به فناوری است. زنان به دلایلی چون آزار، مزاحمت و حتی فشار اجتماعی و خانواده حضور دیجیتال خود را محدود می‌کنند؛ بنابراین در داده‌های پلتفرمی هم کمتر دیده می‌شوند. در همین رابطه رویترز در گزارشی راجع به زنان کارآفرین در کشورهای کم‌درآمد و متوسط می‌نویسد که ۵۷ درصد از زنانِ کارآفرینِ بررسی‌شده، آزار آنلاین را تجربه کرده بودند که موجب شده ۴۱ درصد به صورت عمدی حضور دیجیتال خود را محدود کنند.

این یعنی بخشی از نامرئی‌شدن زنان در داده‌های دیجیتال، نه از نبود توانایی، بلکه بابت فقدان امنیت دیجیتال اتفاق می‌افتد. این شکاف دیجیتال یک چرخه‌ی معیوب می‌سازد.

چرخه‌ای معیوب

غیبت زنان از داده‌ها یعنی بخش بزرگی از واقعیت جامعه دیده نمی‌شود. وقتی تجربه زنان در حوزه‌هایی مانند سلامت، کار، اقتصاد، فناوری، آموزش و امنیت به‌درستی ثبت و تحلیل نشود، سیاست‌های کلان نیز بر پایه تصویری ناقص از جامعه ساخته می‌شوند؛ تصویری که در آن نیازهای واقعی زنان کم‌رنگ یا نامرئی است. 

این شکاف فقط یک مشکل آماری نیست؛ چرخه‌ای معیوب است که مستقیماً بر کیفیت زندگی زنان اثر می‌گذارد. وقتی کار بی‌مزد زنان اندازه‌گیری نشود، در سیاست‌های اقتصادی هم جدی گرفته نمی‌شود. وقتی داده‌های پزشکی زنان ناقص باشد، تشخیص و درمان نیز ممکن است دیرتر یا نادقیق‌تر انجام شود. وقتی تجربه زنان از خشونت یا تبعیض ثبت نشود، حمایت‌های قانونی نیز ناکافی خواهند بود.

برای شکستن این چرخه، باید زنان و گروه‌های اقلیت از ابتدا در طراحی داده‌ها به عنوان بخشی از بدنه‌ی جامعه دیده شوند. جمع‌آوری داده‌های دقیق‌ و متمرکز بر تفاوت‌های جنسیتی، نژادی، سنی و اجتماعی فقط به نفع زنان نیست؛ به معنای تصمیم‌گیری عادلانه‌تر و فراگیرتر برای کل جامعه‌ای است که همین حالا هم دچار تبعیض‌‌های خودساخته است.