我是谁，你是谁，我们是谁？一项关于人机交互中性别和地理的科学计量分析

文献标题

Who am I, and who are you, and who are we? A Scientometric Analysis of Gender and Geography in HCI

文献信息

• 主题领域: 人机交互 (Human-Computer Interaction, HCI) 中的性别与地理多样性科研计量分析
• 关键词: 性别, 地理, 多样性, 科研公平, 会议作者, HCI, 学术生产力, COVID-19

研究背景与问题

• 发现的问题或挑战:

  • HCI 会议的作者和参与者的性别与地理多样性存在不均衡，尤其是在性别和地区之间的交叉点表现尤为明显。
  • 女性研究人员在会议中的代表性显著低于男性，特别是在高声望会议（如 CHI）中。
  • 地理位置（会议所在地和作者所在国家）对学术参与产生重要影响，偏好于北美和欧洲的研究人员，而来自中南美洲、非洲和中东的参与率极低。
  • HCI 社区中对不同多样性维度（如性别、中性别、地理位置）的研究侧重外部用户，但社区内部的多样性问题被广泛忽视。

• 重要性:

  • 性别和地理多样性在学术社区中的重要性被广泛认可：研究表明，多样化团队可以提高创新质量。
  • 会议发表和参与是衡量个人学术质量的重要标准，而这些机会的分布不公可能会导致对部分群体的系统性不公平。
  • 缺乏地理和性别的全面代表性可能会限制 HCI 的全球适用性和对用户群体的普遍影响力。

• 研究动机与相关工作:

  • 现有文献中已探讨 HCI 对用户群体中多样性因素的影响，但对社区内部作者和参与者的多样性关注较少。
  • 目前缺乏系统性的科学计量分析来量化 HCI 会议的地理和性别代表性。

解决方案

• 方法或解决方案:

  • 使用科学计量学方法，对 HCI 六个主要会议（CHI、DIS、UbiComp、CSCW、OzCHI 和 NordiCHI）2015-2021 年的作者数据进行历史和比较分析。
  • 从性别和地理两个维度分析会议作者的分布，包括作者性别、工作地点（国家/地区）和会议举办地点的关系。
  • 研究线上会议（疫情期间 2020-2021）对性别和地理参与的影响，与线下面对面会议数据进行比较。

• 创新之处:

  • 首次将性别和地理的交叉问题系统纳入 HCI 会议的科学计量分析。
  • 系统性地分析了国际和地区会议对不同地理区域研究者参与的影响，包括中性别及非二元作者的参与情况。
  • 提出若干实验性解决方法（例如地区性会议费调节、配额制度、透明化报告）以解决性别与地理背景的不平等。

• 实施步骤与关键技术:

  1. 数据收集与清洗:
     • 从 ACM 数字图书馆获取会议数据，涵盖作者国家、性别和所属机构。
     • 使用手动验证和自动化工具（如 “SexMachine” 算法）识别性别信息。
  2. 数据处理与分析:
     • 对首作者和协作者的性别分布进行统计分析。
     • 考察会议举办地点对作者地域分布的影响。
  3. 特别问题分析:
     • 研究 COVID-19 疫情对线上/线下会议平等问题的影响。
     • 探讨不同文化背景和地区（如澳大利亚、北欧、亚洲）的参与模式。
  4. 统计验证:
     • 采用对数线性测试(log-linear test)和卡方检验评估因素之间的交互作用。

研究成果

• 具体成果:

  1. 性别代表性:
     • 女性作者的参与比例在低声望会议（DIS、CSCW）中较高，高声望会议（CHI、UbiComp）中较低。
     • 女性在本地区组织的会议中的参与率更高，但当会议远离其工作地区（如在亚洲举办）时，比例下降明显。
  2. 地理代表性:
     • 北美和北欧研究人员在国际会议中的参与超过其人口比例。
     • 亚洲、中南美洲、非洲和中东的研究人员显著缺乏参与机会。
     • 会议转为线上后，亚洲和澳大利亚研究人员的参与显著增加，特别是在 CHI 会议中。
  3. 中性别与非二元:
     • 显式标明为中性别或非二元的作者比例极低（7位明确标明的作者）。
     • 2021 年观察到新增的非二元作者比例，但仍显著低于预期。

• 与现有研究的比较:

  • 本研究验证了其他文献中对 HCI 社区性别不平等的初步观察，同时提供了量化数据支持。
  • 比较分析发现，部分会议（如 CSCW 和 DIS）在性别多样性上表现更优，而 UbiComp 等会议问题最为严重。

• 局限性与未来方向:

  1. 局限性:
     • 部分地区（如非洲、中东）的数据样本过少，难以全面分析其影响。
     • 性别之外的其他身份（如种族、性取向）的多样性未得到探讨。
     • 自动化算法在亚洲姓名性别识别上的表现尚未完全可靠。
  2. 未来方向:
     • 扩大数据规模，包括长期跟踪非洲、中南美洲等欠发达地区的学术参与。
     • 增加对种族、性取向及其他背景身份多样性的探索。
     • 研究性别与职场资历、学术合作网络之间的交互。
     • 针对中性别和非二元作者的深入调查，包括社交和文化阻碍因素。

参考文献

本文提供了丰富的参考文献资源，涵盖多样性研究、HCI 社区结构性分析和新冠疫情对学术参与影响的相关研究。