从批判种族理论视角探索数据素养的方法

文献标题

探索通过批判种族理论视角实现数据素养的方法 (Exploring Approaches to Data Literacy Through a Critical Race Theory Perspective)

文献信息

• 主题领域: 数据素养、种族批判理论、人机交互(HCI)
• 关键词: 数据素养、批判种族理论(CRT)、人机交互(HCI)、工作环境、种族问题、社区、教育培训、数据实践、数据公平、社会结构

研究背景与问题

发现的问题或挑战

• 数据科学领域存在显著的种族、性别和阶层的不平等问题，尤其针对代表性不足的少数群体。
• 数据素养教育常局限于传统方法，忽略了数据背后社会文化背景的影响及种族问题。
• 工作环境中的数据使用存在一种“非批判性”，职场通常不鼓励对数据的质疑和批判。

重要性

• 数据科学和技术工作中排斥性的文化导致了代表性不足群体的边缘化，这不仅影响个人职业发展，也制约了数据分析与技术发展的公平性。
• 通过批判种族理论的视角审视数据实践能够帮助解决社会不公，尤其在种族问题与数据公平交织的场景下。

研究动机与相关工作

• 作者将批判种族理论(CRT)引入数据素养研究，旨在挑战传统数据工作中嵌入的种族不公并提出新的设计和教育导向。
• 现有研究强调了CRT在帮助理解算法的公平性和社会数据中的种族分类问题上的重要性。
• 项目背景：研究建立在DataWorks培训计划基础上，这是一个为代表性不足的群体提供基础数据科学技能的工作培训计划，目标是在真实工作环境中促进参与数据工作。

解决方案

方法或解决方案

• 作者设计了一系列数据素养工作坊，鼓励数据工人选择个人相关议题（如枪支暴力、心理健康、社区变迁等），进行数据收集、处理和表达。
• 以批判种族理论(CRT)为研究分析的框架，用于审视工作坊中的活动、假设和实践。

创新之处

• 将批判种族理论明确应用于数据素养设计与分析视角。
• 结合数据素养的机械与社会技术视角，提出批判性数据素养的教育方法。
• 跨学科视角：整合人机交互、学习科学、CRT和社会实践。

实施步骤与关键技术

1. 问题选择与界定: 数据工人选择关心的社会议题。
2. 数据寻找与收集: 搜索与议题相关的数据。引导意识到数据来源的质量与背景。
3. 数据处理与分析: 数据工人学习使用工具（如Excel）创建图表等数据表达方式。
4. 数据分享与表达: 数据工人进行演示汇报，阐述所选议题和数据分析结果。

研究成果

具体成果

• 主题分析: 确定了三个主要主题：
  • 认知代理性(epistemic agency)、批判数据素养及工作环境的冲突。
  • 数据工作中与种族问题的交织以及种族主义的常态化。
  • 个体经验同时具备社区性和交叉性。
• 对工作环境的见解: 工作场景中的权力关系和种族与性别的影响显著，决定了工人是否表现出批判性。
• 工作坊有效性: 数据工人对个人议题的高度参与性促进了个人学习和技能提升。

与现有解决方案的比较

• 传统数据科学教育往往忽视社会背景和个人经验，本研究的贡献在于，通过CRT引入了一种更加敏感与公平的设计方法。
• 相较于基于技术的专业数据培训，工作坊关注社会问题并赋予参与者选择议题的自主权。

实验或评估结果

• 工人在任务中呈现的数据缺乏背景批判和来源质疑，是工作环境及缺乏相关支持的表现。
• 演示显示工人的关键技能提升，但未能完全转化已学技能于个人项目，这反映出职场与批判教育的分离。

局限性与未来方向

• 局限性: 样本数据有限（仅涉及4名数据工人），且数据素养定义可能受到西方主流观点的限制。
• 未来方向:
  • 扩展样本规模并执行更多关于CRT和数据工作的深入分析。
  • 在工作场所引入支持批判性思维的结构性设计。
  • 探索如何将个人经验与职业技能更有效地相结合。

总结与设计建议

• 建议1: 批判性地参与工作环境设计，挑战传统的不批判性劳动实践。
• 建议2: 提供支持，帮助初学者理解数据技术的社会背景及影响。
• 建议3: 在数据素养设计中明确包含种族问题，并意识到种族主义潜伏的危害。
• 建议4: 鼓励将个人兴趣和专业实践结合，同时促进技能的转移和批判性反思。

通过对数据与社会问题的深入分析，本研究呈现了如何通过批判视角促进数据公平和社会正义，并表明改变计算机领域文化及其核心价值观刻不容缓。