dl038: data feminism

Was ist data feminism und was hat das mit Macht zu tun? Diese Folge heißt "data feminism", was gleichzeitig der Titel des Buches ist, über das wir reden werden. "Data Feminism" wurde von Catherine D'Ignazio und Lauren F. Klein geschrieben. Laut den Autorinnen ist Data Science eine Form von Macht mit der sowohl Gutes, als auch Schlechtes getan werden kann. Und wie das mit der von den Autorinnen präsentierten Perspektive des intersektionellen Feminismus zusammenhängt, werden wir uns näher ansehen. Dafür haben wir uns 3 Kapitel des Buches genauer angesehen und werden darüber reden, welche Beobachtungen, Beispiele und Anmerkungen wir dabei vorfinden.

Links und Quellen

• datenleben
  • www.datenleben.de
  • Social Media: Mastodon @datenleben@podcasts.social und Twitter @datenleben
    Youtube: @datenleben
• Erwähnte datenleben-Folgen
  • dl004: racial profiling
  • dl025: luftdaten
  • dl037: citizen science und die gartenvögel
  • dl032: wie wird autismus erforscht?
• Catherin D'Ignazio und Lauren F. Klein: Data Feminism

Schlagworte zur Folge

Data Science, Data Feminism, Daten, Feminismus, intersektioneller Feminismus, Messverfahren, Datenanalyse, Datenauswertung, Datenvisualisierung

Intro (00:00:00)

Thema des Podcasts (00:00:18)

Helena: Willkommen zur 38. Folge beim Datenleben Podcast, dem Podcast über Data Science. Wir sind Helena

Janine: und Janine

Helena: und möchten euch die Welt der Daten näher bringen. Was für Daten umgeben uns? Wie gehen wir mit diesen Daten um und was können wir aus ihnen lernen? Wer schon immer mehr darüber wissen wollte, ist hier richtig, denn diesen Fragen gehen wir nach.

Thema der Folge (00:00:38)

Janine: Die Überschrift dieser Folge heißt Data Feminism. Gleichzeitig ist es nämlich der Titel des Buches auch, über das wir gleich reden werden. Das ist ein Buch, das 2020 bei the MIT Press veröffentlicht wurde und wurde von Catherine D'Ignazio und Lauren Klein geschrieben und zwar in einem relativ öffentlichen Prozess mit einer großen Feedback-Schleife über das Internet und es kann nämlich auch kostenlos im Internet noch gelesen werden. Es kann auch als Buch tatsächlich erworben werden, aber eben auch im Internet im Volltext gelesen werden. Also, Data Feminism. Wir hätten dieser Folge auch den Titel Machtstrukturen in Data Science geben können, denn darum wird es vor allem thematisch gehen, aber das Buch heißt so und deswegen haben wir die Folge auch so genannt. Es war den Autorinnen ein Anliegen aufzuzeigen, dass Data Science eine Form von Macht ist und zwar eine, mit der sowohl Gutes getan werden kann, indem zum Beispiel durch Daten etwa Ungleichgewichte aufgedeckt werden oder vielleicht auch sogar behoben werden dann in der Folge, wie im Gesundheitssystem, oder eben auch Schlechtes getan werden kann, wenn diese Macht zum Beispiel für Diskriminierung oder Überwachung eingesetzt wird. Über so ein Thema hatten wir ja schon gesprochen in unserer vierten Folge, damals vor fast drei Jahren, als es um das Thema Racial Profiling ging. Die beiden Autorinnen betrachten Data Science und Data Ethics laut Klappentext aus der Perspektive des intersektionellen Feminismus, das Stichwort wird hier auch eine Rolle spielen, dazu kommen wir noch und wir haben uns eben einzelne Kapitel dieses Buches vorgenommen, um herauszufinden, was da drin steckt, was diesen Data Feminism ausmacht und welche Beobachtungen da getätigt werden und ob da vielleicht auch, ja, sogar Lösungsvorschläge daraus hervorgehen und dergleichen.

Warum ist das Thema wichtig? (00:02:37)

Helena: Ja, und warum beschäftigen wir uns mit Data Feminism? Nun, unser Motto als Podcast ist, "Kenne dein Messverfahren" und wenn wir irgendwie Daten haben, ist halt immer auch die Frage, wo kommen die her und warum wurden die erhoben und bei der Frage, warum wurden Daten erhoben überhaupt, spielen ja schon Machtverhältnisse eine Rolle, weil wer entscheidet, dass Daten überhaupt erhoben werden und wie die ausgewertet werden? In diesem Buch geht es genau darum und deswegen dachten wir, ist das ein wichtiges Thema, mit dem wir uns einmal auseinandersetzen wollten.

Einspieler: Kenne dein Messverfahren (00:03:13)

Janine: Kenne dein Messverfahren. Warum sagen wir das eigentlich ständig? Ich versuche mal, es so zu erklären, auch wenn es anfangs etwas dramatisch klingt: Das Leben steckt voller Entscheidungen. Wenn ich vor einer Menükarte im Restaurant stehe, werde ich eine Entscheidung treffen müssen, was davon ich essen möchte. Ich streiche gedanklich alle Gerichte mit Lebensmitteln raus, die ich erfahrungsgemäß nicht mag. Es bleibt also eine kleine Auswahl über. Schließlich wähle ich das, was ich mir zuhause selbst nicht kochen würde, weil es mir selbst zu aufwendig wäre. Was mir zu einer Entscheidung geholfen hat, waren Kontextinformationen, wie zum Beispiel, was ich mag, was ich selber nicht machen würde und genauso müssen sich Wissenschaftler*innen, die Daten erheben oder auswerten möchten, entscheiden, Data Scientists zum Beispiel. Nicht jedes Messverfahren eignet sich für alle Untersuchungen. Wie auf einer Menükarte steht die Vielfalt an Messverfahren vor ihnen. Damit sie entscheiden können, welche Messverfahren geeignet sind, müssen sie sie kennen. Nur wenn sie Vor- und Nachteile von Messverfahren kennen, können sie auch entscheiden, welches im konkreten Fall das Richtige ist. Dabei spielt der Kontext einer Messung die größte Rolle. Es gilt nicht nur zu wissen, was messe ich, sondern auch, wie lange oder wie viel muss ich messen, um genug Datenpunkte zu sammeln. Aber fast noch wichtiger ist die Frage, wofür messe ich das, was möchte ich damit aussagen und passt mein Messverfahren überhaupt dazu? Möchte ich vielleicht meine Messergebnisse mit denen anderer Wissenschaftler*innen vergleichen können? Worauf muss ich dann achten, damit so ein Vergleich hergestellt werden kann? Welches Messverfahren wurde hier von anderen benutzt? Und schließlich sind auch wir Menschen ein Kontext. Das heißt, dass auch alle Wissenschaftler*innen ihre eigenen Erfahrungen mitbringen, Annahmen und Erwartungen haben. Oft sind schon zahlreiche Gedanken in eine Untersuchung geflossen, ehe überhaupt gemessen wird. Wie kann damit umgegangen werden? Wird davon etwas vielleicht auch das Messergebnis beeinflussen? Menschen sind nämlich denkende und fühlende Wesen mit individuellen Standpunkten und Perspektiven, die sich nicht einfach abschalten lassen, wenn sie anfangen zu forschen. All das sind Faktoren, Kontexte, Einflüsse, die am Ende zur Auswahl eines Messverfahrens führen. Je besser Wissenschaftler*innen ihr Messverfahren und die begleitenden Kontexte kennen, desto besser kann all das bei einer Messung und der Auswertung der Ergebnisse überhaupt berücksichtigt werden. Deswegen: Kenne dein Messverfahren!

Was sind die Prinzipien von Datenfeminismus? (00:05:58)

Helena: Ja, das Buch Data Feminism startet damit, dass es erst einmal sieben Prinzipien von Datenfeminismus aufstellt, die dann jeweils in einzelnen Kapiteln abgehandelt werden und von diesen sieben Prinzipien werden wir auch drei genauer vorstellen. Und zwar ist das erste der Prinzipien Analysiere Machtverhältnisse, darüber werden wir gleich noch reden. Dann das zweite ist, fordere diese Machtverhältnisse heraus. Im dritten Prinzip geht es darum, oder es heißt, stärke Emotionen, auch darüber werden wir gleich noch mal reden. Das vierte Prinzip ist, überdenke binäre Kategorien und Hierarchien. Damit ist gemeint, dass Datenfeminismus hinterfragt, warum man bestimmte Kategorien überhaupt wählt und ob dann sowas wie Geschlechterbinarität überhaupt noch eine sinnvolle Einteilung ist. Und generell geht es darum, was man warum wie zählt. Das fünfte Prinzip ist, bedenke Pluralität, auch darüber werden wir gleich noch näher eingehen. Das sechste Prinzip ist, bedenke den Kontext, weil Daten sind nie einfach nur neutral oder objektiv, denn der Kontext ihrer Erhebung basiert immer auf ungleichen sozialen Kontexten und die müssen berücksichtigt werden. Im Grunde ist Prinzip 6 auch nicht so viel anders als kenne dein Messverfahren. Das siebte und letzte Prinzip ist, mach deine Arbeit sichtbar, insbesondere als nicht-weiße männliche Person in Data Science, sprich über deine Arbeit und ja, zeige, dass auch wir zum Beispiel Teil der Data Science Community sind und Dinge analysieren, damit nicht immer nur die weiße, männliche Perspektive das Bild von Data Science dominiert.

Janine: Ich muss dabei sehr an diese drei Worte denken, why representation matters, also warum Repräsentation wichtig ist. Nämlich, ja, Sichtbarkeit ermutigt Menschen, auch Dinge zu tun, die in eine ähnliche oder gleiche Richtung gehen oder sich für etwas einzusetzen oder einen Lebensweg einzuschlagen. Darum wird es gleich auch kurz in der Einleitung nochmal gehen, wie ich inzwischen herausgefunden habe, nachdem ich die auch gelesen habe. Deswegen vertiefen wir kurz gleich, mach deine Arbeit sichtbar auch nochmal. Ja, aber was ich mich gefragt habe, wenn ich mir so diese Prinzipien angucke, sind da ja bis auf ein paar, wo so tatsächlich Sachen vorkommen wie Geschlechterbinarität und so, was erstmal wie ein absolutes feministisches Thema wirkt, klingt das insgesamt aber einfach nur nach sehr guten Punkten, die jetzt auch nicht unbedingt unter diesem Schlagwort Feminismus laufen müssten. Und vieles hat ja, meine ich so, auch aus meinem eigenen Erfahrungsschatz mitbekommen zu haben, was Feminismus im Namen hat, muss sich immer erstmal der Frage stellen, was ist denn das Feministische daran oder warum muss es Feminismus sein? Was ist denn für dich jetzt zum Beispiel an diesen Prinzipien des Datenfeminismus, die du gerade vorgelesen hast, das spezifisch Feministische, warum es Datenfeminismus ist?

Helena: Ja, also Feminismus hinterfragt per se erst einmal Machtverhältnisse. Und es geht nicht darum, dass nur noch Frauen Data Science machen sollen, sondern ja darum, dass im Moment der größte Teil eben weiß-männlich dominiert ist und ich meine, das wird auch in nächster Zeit nicht ausgeglichen sein, aber es geht darum, dass die anderen Perspektiven vorkommen müssen und Feminismus ist eben, oder das Feministische hieran ist, dass ja diese anderen Perspektiven sichtbar gemacht werden sollen, denn sonst würden viele Aspekte an Daten und an Begebenheiten einfach verloren gehen. Und konkreter geht es ja auch um intersektionellen Feminismus, auch wenn das jetzt im Titel nicht vorkommt, aber im Text kommt das an sehr vielen Stellen vor und intersektionell heißt hierbei, dass es nicht nur um Diskriminierung aufgrund des Geschlechtes geht, sondern auch darum, dass wenn man verschiedene Diskriminierungsformen sich anguckt, dass die sich auch noch auf eine besondere Art und Weise aufwirken können, wenn man jetzt mehrere davon hat. Zum Beispiel, das wird, wenn wir über Kapitel 1 kommen, noch Thema sein, das Beispiel Serena Williams, sie ist eine Schwarze Frau, sie erfährt in dem Beispiel, das wir gleich bringen werden, eine Form von Diskriminierung, die betrifft nur Schwarze Frauen. Das heißt, wenn man sich jetzt nur Schwarze Männer angucken würde, würde das kein Thema sein. Wenn man sich nur weiße Frauen angucken würde, würde man diese Diskriminierung auch nicht finden. Und intersektionell heißt hier einfach, bedenke, dass mehrere Kategorien von Diskriminierung noch mal ganz neue Formen von Diskriminierung hervorbringen können und das muss auch mit berücksichtigt werden.

Janine: Ja, das sind auf jeden Fall auch schon viele Punkte, die du genannt hast, die ich so auch in der Einleitung gefunden habe. Ich persönlich habe selber auch oft ein Problem mit dem Begriff Feminismus, weil er sich eben immer einer großen Kritik ausgesetzt fühlt, glaube ich, weil ich habe das Gefühl, dieser Begriff regt immer sofort Emotionen bei Menschen hervor, weswegen sie versuchen irgendwie das einzuordnen und dagegen zu steuern und diese Skepsis existiert auch in mir noch. Ich versuche mit der umzugehen und eben auch, indem ich solche Fragen stelle, weil ja, sowas habe ich eben nicht selten gehört, dass Menschen sagen, muss es denn Feminismus sein, kann man nicht einfach so das Richtige machen, das für alle gut ist? Und offenbar war ich da oder bin ich mit so einer Erfahrung auch nicht allein, denn das ist auch ein Thema für die Autorinnen ganz offensichtlich. Ich habe danach nämlich gefunden, dass die Einleitung heißt, why data science needs feminism? Also fast, als würden sie auf so eine schweigend im Raum hängende Frage bereits geantwortet haben, als sie das Buch geschrieben haben, und sie beginnen deswegen die Einleitung mit einer Geschichte von Christine Mann Darden, einer Schwarzen Frau, die 1967 bei der NASA als Datenanalystin anfing. Und ja, es wird sehr ausführlich beschrieben, was damals so passiert ist, nämlich sie war, wie auch viele andere, vor allem, glaube ich, auch Schwarze Frauen, wenn ich das richtig gesehen habe, lange Zeit namenlos, was ihre Arbeit anging. Und zwar waren Frauen wie sie nämlich maßgeblich am Erfolg des US-amerikanischen Raumfahrtprogramms beteiligt, und sie wurden teils auch von allen Mitarbeitern und auch von sich selbst Computer genannt. Sie hatten quasi keine Namen, sie waren einfach die Frauen, die mit Mathematik Datenanalysen betrieben haben, und zwar von Daten, deren Ursprung sie teils gar nicht kannten. Sie waren aber für Berechnungen notwendig und haben diese gemacht, und deswegen konnte alles irgendwann am Ende mit Apollo 11 dann doch funktionieren. Sie waren aber lange Zeit gar nicht bekannt, und deswegen haben die Autorinnen Darden als Beispiel herangezogen, weil sie auch nicht nur zur Forschung mit Data Science beigetragen hat damals in den 60ern, sondern sich auch für Frauen eingesetzt hat, die wie sie eben unter den Tisch gekehrt wurden, gefallen wurden, unter den Teppich gekehrt wurden. So durch ihre Namenlosigkeit. Und zwar definieren unsere beiden Autorinnen den Feminismus als Glauben in die politische, soziale und ökonomische Gleichbehandlung der Geschlechter. Damit zitieren sie, wie sie selbst sagen, das Merriam-Webster-Wörterbuch, und das ist, warum sie sich offenbar für den Titel und Begriff Data Feminism dann auch entschieden haben, weil für sie zum Feminismus auch der Aktivismus dazugehört, und um den Glauben an diese Gleichstellung, die darin anklingt, überhaupt in die Realität umsetzen zu können. So. Also zusammengefasst ist für sie Data Feminism eine Herangehensweise, eine Art, über Daten und alles, was daraus folgt, nachzudenken, die durch die hier genannten Traditionen des Feminismus an sich geprägt ist. Ja, an dieser Stelle wird dann auch das Stichwort intersektionaler Feminismus eingebracht. Das hat Helena ja gerade schon ein bisschen ausgeführt. Also, ja, dass eben neben so Kategorien, sage ich jetzt, wie Mann und Frau, Geschlechtsidentität, auch Sexualität, Alter, Religion, Geografie, Klasse und Race wichtige Faktoren sind in Sachen Gleichstellung und Gleichbehandlung. Und deswegen sagen die Autorinnen auch, dass Feminismus allgemein relevant für alle Menschen ist, weil auf alle Menschen, die eine oder andere und meist mehrere Kategorien gleichzeitig zutreffen. Und ja, deswegen fassen sie ihren Standpunkt so zusammen, dass es bei intersektionellem Feminismus um ungleich verteilte Macht geht, und in unserer jetzigen Welt, wo Daten auch eine Form von Macht sind, braucht es eben auch die Betrachtung dieser Datenmacht aus der feministisch geprägten Perspektive. So könnte man zusammenfassen, wie die Autorinnen hier Data Feminism definieren. Und ja, ich für meinen Teil kann der Argumentation soweit ganz gut folgen. Es gibt also eine Denktradition des Feminismus, die dafür aufgewendet wird, eine Gleichbehandlung oder auch eine Gleichstellung und überhaupt das Aufzeigen dieser Ungleichheiten zu benutzen, und zwar im Kontext Data Science. Das meint hier Data Feminism, genau. Und ich denke, das kann dieses Buch sogar ganz gut, wie wir hoffentlich gleich sehen werden, wenn sich Menschen nicht von diesem Begriff Feminismus abschrecken lassen.

Helena: Ja.

Was steht in Kapitel 1 zu Machtverhältnissen? (00:16:04)

Helena: Gut, steigen wir mal ein in Kapitel 1. Da geht es um Machtverhältnisse. Und wie du gerade auch schon gesagt hast, Datenfeminismus basiert eben auch darauf zu schauen, wie Macht sich heutzutage verteilt und auswirkt, und das geschieht oder das wird hier gemacht über Wer-Fragen, also wer macht Data Science, wessen Prioritäten werden überhaupt zu Produkten, wer wird dabei übersehen und wer profitiert. Ein Modell, mit dem Machtstrukturen dargestellt werden, ist die sogenannte Herrschaftsmatrix oder Matrix of Domination von Patricia Hill Collins, und die teilt sich dann eben in vier Bereiche auf. Dabei gibt es einmal den strukturellen Bereich, ja, der strukturelle Bereich organisiert die Unterdrückung durch Gesetze und Regeln, also wenn Gesetze und Regeln schon per se diskriminierend sind, kommt das hier her, und dass Gesetze und Regeln diskriminierend sind, liegt jetzt nicht einfach nur daran, dass da explizit eine Diskriminierung drinsteht, sondern die ist da oft auch implizit mit drin, dadurch, dass zum Beispiel etwas verboten ist oder man benachteiligt wird, wenn man bestimmte Dinge tut, und die Leute, die diese Dinge tun würden oder diese Eigenschaften haben, sind typischerweise Leute einer bestimmten Gruppe, die eben eh schon diskriminiert wird. Gut, dann gibt es noch den ausführenden Bereich, das ist der Bereich, in dem die Unterdrückung umgesetzt wird, also zum Beispiel durch Umsetzung der Regeln und Gesetze, das kann zum Beispiel die Polizei sein, aber auch Behörden, dann gibt es den Hegemonie-Bereich, das ist der Bereich, ja, bei dem Formen von Diskriminierung durch Medien und Kultur weitergetragen werden, also in dem zum Beispiel bestimmte Frisuren als schmutzig dargestellt werden, die dann wiederum aber zum Beispiel nur eine bestimmte Bevölkerungsgruppe trägt, das Thema hatten wir ja in unserer Folge über computergenerierte Bilder auch, dass auch hier diese Form der Diskriminierung weitergetragen wird. Und der vierte und letzte Bereich ist dann der zwischenmenschliche Bereich, also die individuelle Erfahrung der Unterdrückung der Personen, die unterdrückt werden durch, ja, Mitmenschen. Um diese Machtstrukturen darzustellen, gibt es mehrere Beispiele in dem Buch, und es startet mit dem Beispiel der Lungenembolie, die Serena Williams bei der Geburt ihres Kindes erlitt. Was da das Problem ist, ist, zum einen betrifft es hauptsächlich Schwarze Frauen, also deutlich häufiger als weiße Frauen, das führt dann wiederum zu einer deutlich höheren Geburtensterblichkeit bei Schwarzen Frauen, das ist genau das, was ich vorhin mit dem Beispiel über Intersektionalität meinte, dass hier insbesondere Schwarze Frauen benachteiligt werden, und inwiefern werden sie jetzt durch diese Herrschaftsmatrix benachteiligt? Nun, diese Lungenembolien werden bisher oder wurden bis zu diesem Zeitpunkt nicht systematisch erhoben, das heißt, man wusste jetzt aus der Statistik, dass Schwarze Frauen deutlich häufiger sterben bei Geburten in den USA, aber jetzt konkret irgendwie Lösungsvorschläge machen konnten und wo die Behandlungsfehler potenziell herkommen könnten oder was man tun könnte, war nicht möglich, weil, ja, im strukturellen Bereich der Unterdrückung es keine Regeln gab, die vorsahen, dass man diese Todesursachen überhaupt erfasst, und dann kann natürlich auch niemand was dagegen machen, wenn man immer nur denkt, ja, das ist ein tragischer Einzelfall. Das ganze Thema kochte erst dadurch hoch, dass Serena Williams als internationaler Tennisstar ein gewisses Following auf Social Media hatte, und als sie dann von diesen Erfahrungen berichtet hatte, dass sie fast an dieser Lungenembolie gestorben ist, haben sich noch ganz viele andere Schwarze Frauen gemeldet unter ihrem Post und sich danach zusammengetan, um eben zu fordern, dass das mehr untersucht wird und dass da auch Maßnahmen, präventive Maßnahmen ergriffen werden sollen. Ja, mittlerweile wird es dann auch gezählt, aber bisher hat das noch nicht wirklich dazu geführt, dass dann wirklich Maßnahmen ergriffen wurden, weil dadurch, dass es noch nicht so lange gezählt wird, wird die Datenqualität als noch zu niedrig angesehen, was dann ja auch wieder eine Form von Unterdrückung ist, die sich dann fortsetzt auf die Leute, die das dann ausführen sollen. Ja gut, wir zählen das jetzt, aber ist halt noch nichts wert, weil es müssen halt noch ganz viele weitere Schwarze Frauen sterben, bevor genug Daten gesammelt werden. Das liegt eben an den Machtverhältnissen, die dazu geführt haben, dass diese Daten erst überhaupt nicht erhoben wurden und dann wer entscheidet, was dann damit gemacht wird mit diesen Daten.

Janine: So, und könnte man in diesem Fall aber sogar auch sagen, um noch mal darauf zurückzukommen, was so das siebte Prinzip war, mach deine Arbeit sichtbar. Da geht es ja darum, dass Datenanalystinnen ihre Arbeit sichtbar machen, aber ja, es geht ja auch ganz allgemein sehr häufig darum, dass einzelne Menschen mit genug Reichweite überhaupt etwas sichtbar machen, damit die Aufmerksamkeit darauf gelenkt werden kann überhaupt erst.

Helena: Ja, und dass dadurch überhaupt klar wird, dass das mehr Leute betrifft.

Janine: Ja.

Helena: Ich meine, auch da kann es ja sein, ja gut, das ist jetzt immer noch nur ein Einzelfall und da meldet sich dann auch niemand, dem das auch betrifft, das kommt wahrscheinlich genau auch oft genug vor bei Sachen, die wirklich selten sind, aber bei etwas, das offenbar so häufig vorkommt, hat es dazu geführt, dass jetzt ja immerhin mal nachgeguckt wird.

Janine: Ja.

Helena: Ja, ein anderes Beispiel aus dem Buch ist das Thema Luftqualität in Städten. Ja, in dem Beispiel ging es um eine Nachbarschaft, in der Leute durch eigene Messungen festgestellt haben, beziehungsweise sie hatten vorher schon den Eindruck, dass die Luft eher verschmutzt sein dürfte und die haben es dann angefangen selber zu messen. Und das gleiche Beispiel lässt sich, oder nicht das gleiche, aber dieses Beispiel lässt sich auch auf Deutschland übertragen, denn damit die Politik handeln muss, wenn Grenzwerte überschritten werden, muss die Messung ja auch von einer staatlichen Stelle vorgenommen werden. Also wir hatten hier insbesondere die Diskussion um Stickoxide, dass die in vielen Städten ja zu hoch sind, die Werte und jetzt ist natürlich die Frage, wo ist das der Fall und wo das der Fall ist, kann man ja nur feststellen, wenn der Staat auch beschließt, ja, da müssen jetzt Messungen durchgeführt werden. Das heißt, erstmal ist das immer noch eine Machtfrage, wo überhaupt die Chance besteht, was zu ändern. Und private Messungen von Feinstaub und Stickoxiden werden dabei erstmal ignoriert, da sie ja nicht den wissenschaftlichen Standards entsprechen, die eben eingehalten werden von den staatlichen Stellen. Ich meine, dass die Messgeräte, die dann ordentlich kalibriert sind, auch, ja, immer die gleichen Messumgebungen haben, dass die dann auch den Standards besser entsprechen, das ist jetzt nicht überraschend. Trotzdem kann das halt etwas sein, wo sich der Staat drauf ausruhen würde und wenn man dann eben als Bürgergemeinschaft sich dafür einsetzen will, kann man jetzt eigene Messungen eigentlich nur verwenden als Argumente, um sagen zu können, ja, ihr müsst jetzt aber mal ein, in Anführungszeichen, richtiges Messgerät hinstellen. Ich meine, andere Messgeräte sind ja auch richtige Messgeräte, sie sind nur vielleicht ungenauer. Das macht aber nicht ihre Ergebnisse komplett automatisch falsch.

Janine: Ja, darüber hatten wir ja auch in Folge 25 eigentlich ziemlich viel geredet über die Luftdaten, die wir hier selbst erhoben haben, auch verglichen mit den offiziellen Messstellen, nämlich mit einer Messstation vom Umweltbundesamt hier in der Nähe. Und ja, es gibt eine Abweichung, was wahrscheinlich auf die Eichung, Kalibrierung, wie auch immer zurückzuführen ist, die eben an meinem Gerät nicht gemacht wurde, aber dennoch ist die Abweichung nicht sehr groß und da kann man sich natürlich schon die Frage stellen, gibt es nicht einfach Möglichkeiten, das zu integrieren und zu berücksichtigen und dadurch einfach eine größere Datenvielfalt zu haben und auch solchen Daten zu vertrauen. Und das hatten wir ja auch gerade in der letzten Folge, wo es um die Gartenvögel ging und das Thema Citizen Science, so welcher wissenschaftliche Standard ist wirklich die Messlatte und kann es nicht auch wissenschaftliche Forschung geben, die eben mit zivilen Daten besser arbeitet, weil einfach der Kontext und die Fragestellung daran angepasst sind?

Helena: Ja, definitiv. Also in diesem Buch gibt es zu der Frage auch nochmal eine Aussage, weil man könnte das ja auch so verstehen, ja, Wissenschaft ist in ihrem Elfenbeinturm, andere Sachen sind mindestens gleichwertig, das ist jetzt nicht die Aussage, die in diesem Buch getroffen wird, sondern es geht halt darum, dass man die Machtstrukturen mitdenken soll und dann eben auch herausfordern soll in dem Moment, wo man dann feststellt, ja, okay, dass jetzt diese Messungen auf diese Weise gemacht werden, liegt halt an den Machtstrukturen, nicht daran, dass die wissenschaftliche Methode an sich ein Problem hätte, sondern dass man da halt einfach noch andere Aspekte reinbringen muss.

Was steht in Kapitel 3 zu Emotionen? (00:25:20)

Janine: Ja, und andere Aspekte können zum Beispiel auch Emotionen sein, um mich mal an einer Überleitung zu versuchen. Ich habe mir Kapitel 3 angeguckt, das Kapitel 3 beschäftigt sich mit dem dritten Prinzip, das hat Helena übersetzt mit Stärke Emotionen, im Original Elevate Emotion and Embodiment, also es geht um die Förderung, also Stärkung von Emotionen, aber auch um Körperlichkeit oder Verkörperung, das heißt der, Körper wird hier auch in irgendeiner Form mitbedacht, kommen wir gleich zu. Ich werde mich vermutlich nicht ganz so kurzfassen können wie Helena zu ihrem Kapitel, weil ich einfach ich bin. Die Überschrift des Kapitels lautet On Rational Scientific Objective Viewpoints from Mythical Imaginary Impossible Standpoints, ja, über rationale wissenschaftliche objektive Perspektiven von mythischen, bildlichen, unmöglichen Standpunkten. So.

Helena: Ja.

Janine: Und ja, das klingt erstmal etwas wirr, vielleicht dachte deswegen Helena auch, das ist das richtige Kapitel für mich. Ich versuche da mal Ordnung reinzubringen.

Helena: Sehr gut

Janine: Der Ausgangspunkt ist hier, dass, wie eingangs beschrieben, Data Feminism zur Grundlage haben soll, verschiedene Formen von Wissen zu integrieren oder eben Standpunkte. Gemeint ist dabei auch, in diesem Kapitel vor allem, dass Wissen auch durch Menschen erzeugt wird, weil sie lebendige und fühlende Körper sind, die in dieser Welt sich bewegen. Das heißt, wir sammeln nicht nur Erfahrungen, weil wir eine bestimmte Herkunft haben, weil wir in einer bestimmten finanziellen Klasse aufwachsen oder wie man das beschreiben will, sondern wir sammeln auch Erfahrungen, weil wir Emotionen haben und weil wir Körper haben, die mit der Welt interagieren. Das heißt, es geht auch um diese Form von Wissen, die durch diese Form der Interaktion erzeugt wird. Was Sie so an dieser Stelle noch nicht direkt sagen, ich aber als Leserin im Kopf für mich schon mal ergänzt habe, weil ich die Einleitung kenne, auf die gleiche Art, wie halt diese verschiedenen Kategorien des intersektionellen Feminismus nicht ignoriert werden können, möchten die Autorinnen hier offenbar sagen, dass auch das mit Emotionen nicht passieren kann. Die können wir nicht ignorieren. Das ist Teil meiner Erfahrungswelt, die ich daran herantrage, wie ich mit der Welt um mich herum umgehe, also auch wie ich Daten aufnehme, analysiere, verarbeite und anderen präsentiere. So als Idee vorweg schon mal, so wie wirkt sich das jetzt auf Data Science aus und welchen Punkt macht dann der Data Feminism hier? Es fängt mit einem Beispiel an, was für die USA sehr prägnant ist, nämlich haben sie sich eine Grafik rausgepickt, die Tode durch Schusswaffen in den USA darstellt. Das ist eine Grafik, die hat eine Firma hergestellt, die heißt Periscopic und so eine Tagline oder das Motto dieser Firma ist, do good with data, tue Gutes mit Daten. Und sie haben eine Grafik hergestellt auf einer Webseite, da sieht man ja eine kleine orangene Linie, die so aus der x-Achse heraus von der linken Seite der Grafik sich nach oben wie so einen Bogen bewegt und dann plötzlich weiß wird, diese Linie mittendrin. Und dann kommt ein schmaler Punkt und daneben steht Alexander Lipkins Killed at 29. Danach führt die Linie ihren Weg fort in diesem Bogen und bleibt weiß, bis sie am Ende wieder die x-Achse berührt und da kommt ein neuer Satz, could have lived to be 93. So, also es geht hier um eine Linie, die stellt das Leben von Alexander Lipkins dar, der im Alter von 29 Jahren getötet wurde, aber nach statistischen Berechnungen bis zum Jahr, also bis zum Alter von 93 Jahren gelebt hätte haben können. So, dann taucht eine zweite Linie auf, die das gleiche macht, mit einem anderen Namen, mit anderen Lebensdaten und dann wird diese Animation plötzlich schneller und es tauchen immer mehr Linien auf und es geht auch ein Counter hoch, also eine Zählung oben und zwar steht auf der einen Seite, wie viele Tote es gibt und auf der anderen Seite, wie viele Jahre gestohlen wurden und die Zahlen sind auch, naja, entsprechend betrüblich, denn am Ende geht der Zähler hoch bis 11.419 getötete Menschen und eine Gesamtanzahl von 502.025 gestohlenen Jahren.

Helena: Im Jahr 2013.

Janine: Im Jahr 2013, genau. Was passiert mit dieser Grafik? Es werden, wenn man die jetzt interpretieren will, Emotionen geweckt, es soll begreiflich gemacht werden, was die Daten tatsächlich bedeuten und was hier eben auf dem Spiel steht, nämlich Verlust. Diese ganze Darstellung erhielt auch sehr viel Beachtung und wurde breit geteilt in der Öffentlichkeit und dann kam natürlich, was auch ein bisschen kommen musste, Äußerungen von eher klassischen Positionen, die sich mit Daten auseinandersetzen, die eher diese Argumentationskette verfolgen, dass Datenvisualisierung sehr neutral gehalten werden muss. Es muss sehr minimal gehalten werden, neutral, und je neutraler es ist, desto objektiver ist es. Ja, dass... die Objektivität ist quasi das Ziel. Also klassische Data Science, so die Autorinnen in diesem Buch, will, dass Objektivität hergestellt wird. Und es wird sehr stark hinterfragt, wie viele Emotionen überhaupt transportiert werden dürfen. Eine Person, die die Autorinnen hier zitieren, kritisiert, dass die Daten durch diese Form der Darstellung aktiv in Form gebracht würden und einem Ziel dienen, statt dass sie nur ein Ergebnis eines automatisierten Prozesses darstellten. So, das war die Kritik. Kann's das sein? Für die Autorinnen ist hier Donna Haraway, die Philosophin entscheidend, die hat bereits in den Achtzigern damit angefangen, sich mit scheinbarer Objektivität von Daten und ihrer visuellen Darstellung auseinanderzusetzen. Sie hat kritisiert, also Haraway, dass Datenvisualisierung einen Trick macht, nämlich the God-Trick of seeing everything from nowhere, also den Gott-Trick, alles von nirgendwo zu sehen. Also, dass Datenvisualisierung einen allwissenden Blick ohne Standpunkt einnimmt. Das ist sozusagen, was das Ideal ist, aber gleichzeitig auch der Trick, den Haraway kritisiert, weil es beim betrachtenden Menschen zum einen den Glauben erzeugen könnte, selbst alles so objektiv sehen zu können und alles andere ausklammern zu können, aber auch, weil es eben nur den Eindruck erweckt, diesen Standpunkt überhaupt darstellen zu können. Weil nämlich, was passiert, wenn etwas dargestellt wird, etwas so objektiv und klassisch dargestellt wird, dass man nur ein Balkendiagramm hat, um darzustellen, in welchem Jahr wie viele Menschen durch Schusswaffen getötet wurden? Das zeigt halt nur einen Teil der Gesamtperspektive, und zwar nämlich den Teil der dominierenden Standardgruppe. Und das ist eben diese Machtposition, die Helena auch schon ausgeführt hat. Und was ich als Leserin bis zu diesem Zeitpunkt mitnehme, ist vor allem die Kritik, dass auch die klassische Datenvisualisierung, so nenne ich das jetzt auch einfach mal weiterhin, nur den Eindruck von Objektivität überhaupt erzeugt. Weil, ja, ich habe mich jetzt ja auch schon eine Weile mit Daten beschäftigt und wie wir sie darstellen, und weiß irgendwo schon, dass jede Person, die Daten auswählt und eine Grafik gestaltet, auch Entscheidungen trifft und damit auch eine Einflussnahme ausübt, wie es ja kritisiert wurde bei dieser emotionalen Darstellung. Das ist eine Darstellung mit einem konkreten Ziel, also, ja, das klingt so nach Manipulation. Falls sich jetzt an dieser Stelle jemand fragt, was das spezifisch Feministische ist, das kommt jetzt. Nämlich geht es darum, dass das Abwerten von Emotionen in solchen Datenvisualisierungen den Autorinnen zufolge aus dieser Haltung herauskommt, dass Frauen emotionaler sind als Männer und deswegen Männer auch rationaler denken können als Frauen. Das ist, sagen Sie, einer der stärksten verbreiteten Stereotypen durch die meisten westlichen Kulturen.

Helena: Ja, das sieht man immer wieder, in allen möglichen Medien auch, um wieder bei der Hegemonie zu bleiben. Und ja, mein persönlicher Eindruck ist, dass das Quatsch ist, weil, wenn man sich dann irgendwelche Aufzeichnungen von Männern, die irgendwie behaupten, rational zu sein, anguckt, die schreien dann rum oder was auch immer, tun total emotionale Dinge, aber sie sagen, sie seien ja rational, während sie total emotional aufgeladen sind. Es ist also ein komplettes Vorurteil, was jede Realität ignoriert, aber aus irgendwelchen Gründen ist das ein sehr starkes Vorurteil.

Janine: Genau. Und das sagen die hier auch, dass die Herausforderung sozusagen ist, insgesamt, diese fehlgeleitete Binarität zwischen Verstand oder rationalem Denken und Emotionen auf der anderen Seite aufzulösen. Also das muss das Ziel sein, weil eben dadurch Hierarchien etabliert werden, weil, ja, es wird halt einfach so überliefert und bleibt deswegen auch erhalten. Warum kann das passieren? Weil die Gruppe derer, die die Entscheidung trifft darüber, was wir als wissenschaftlich, objektiv etc. befinden, halt die ist, die bereits jetzt schon on top ist, nämlich nach Haraway und den Autorinnen hier, die elitären weißen Männer. Und so können halt Sachen reproduziert werden und erhalten bleiben. Jetzt müsste man natürlich noch beweisen können, dass jede Datenvisualisierung immer schon auch eine Entscheidung mit sich bringt, die auch die Daten schon formt, die wir betrachten, und das tun sie, das können sie nämlich aufzeigen, indem sie auf eine Grafik oder beziehungsweise zwei Grafiken verweisen, die die gleiche Datengrundlage haben, aber von unterschiedlichen Urhebern stammen. Sie sagen, die Konsequenz solcher Entscheidungen, welche Daten wie dargestellt werden, wird erst dann richtig sichtbar, wenn man sieht, dass sie mit alternativen Entscheidungen verglichen werden, die auf den gleichen Daten gründen. So, und da hatte, zitieren sie ein Buch, und zwar den Journalisten Jonathan Stray, der in seinem Buch The Curious Journalist's Guide to Data, also der neugierige Journalistenführer zu Daten übersetzt, das ist 2012 im September erschienen, in diesem Buch wird diskutiert, dass es in den New York Times im September 2012 einen Jobreport gab, also sowas wie bei uns die Arbeitsmarktveröffentlichung, Arbeitslosenzahlen, etc., und ja, die New York Times hat zwei Grafiken erstellt, einmal aus Perspektive der Demokraten, die die Partei war, die zu der Zeitpunkt regierend war, und einmal aus Perspektive der Republikaner, die die andere Seite war. Jedenfalls wurden diese beiden Grafiken erstellt, und unterm Strich kann keine für sich genommen wirklich als manipulativ wahrgenommen werden, dennoch haben sie halt signifikante Unterschiede in der Art und Weise, wie sie die Daten darstellen, und deswegen auch eine andere Aussage, die daraus abgelesen werden kann. Jonathan Stray, der das analysiert hat, sagt, dass die Wahrheit, an der sich hier ja auch gehalten wird, immer noch einen sehr großen Raum für Interpretationen offenlässt.

Helena: Ja.

Janine: Also, man kann Interpretationen nicht vermeiden, außer man würde halt einfach diesen Bericht so veröffentlichen, wie er ist, aber dann wäre es ja gar nicht mehr visualisiert worden, das heißt, wann immer es um Datenvisualisierung geht, wird eine Entscheidung darüber getroffen, wie ich sie darstelle, und das hat eine Konsequenz, wie sie bei Menschen ankommt. So. Und aus diesem Grund haben die Autorinnen auch, wie sie an dieser Stelle sagen, in ihren Eingangsstatements in der Einleitung, ihre eigenen Standpunkte, also ihre eigenen Kategorien sichtbar gemacht, was Race, Gender, Klasse, Bildung etc. angeht, um klarzumachen, das sind Positionen, die haben wir, und die haben Einfluss darauf, wie dieses Buch entstanden ist, was in diesem Buch steht, und wie wir Daten selber interpretieren. Das ist so, finde ich, der wichtigste Punkt dieses Kapitels, das ist nur das halbe Kapitel, es geht noch ein bisschen weiter, aber wichtig ist unterm Strich, dass Datenvisualisierungen auch rhetorisch sind, dass dabei etwas vermittelt wird, und dass es immer jemanden gibt, der etwas erzeugt, mit einer bestimmten Perspektive, und jemand, der etwas aufnimmt, mit einer bestimmten Perspektive. Man kann hier in die schönen Sender-Empfänger-Kommunikationsmodelle von Schulz von Thun, war das glaube ich, gehen und sich das mal angucken, wie das überhaupt auf Datenvisualisierung passt, und das passt sehr gut. Es kann unterm Strich keine Objektivität geben, Daten werden immer zurechtgemacht und behandelt, bevor sie veröffentlicht werden.

Helena: Ja, ich meine, ein Beispiel dafür ist ja auch alle Infos, die es irgendwie zur Klimakatastrophe gibt, und da gibt es ja auch die Gruppe der Leute, die sagen, ja, das muss möglichst neutral dargestellt werden, das ist dann meistens die Gruppe derjenigen, die Maßnahmen dagegen verlangsamen möchte, weil sie im Moment davon profitieren, wie es gerade läuft, während gleichzeitig eine große Gruppe wie Fridays for Future sehr dafür sind, die Sachen auch so darzustellen, so dramatisch darzustellen, wie sie eben sind. Und da hilft das rausnehmen der Emotionen der Leute, die einfach Änderungen verlangsamen und bremsen wollen.

Janine: Ja, und was die beiden Autorinnen hier einmal noch ganz klar sagen, ist, dass eben diese... diese persönlichen Standpunkte nicht als Bedrohungen wahrgenommen werden sollten oder als negative Einflüsse, als ein negativer Bias, der an etwas herangetragen wird, sondern dass sie eben inkludiert werden sollten, dass sie einen Rahmen abstecken könnten für die Arbeit, die jemand tut, und dass dadurch eben halt auch ein neuer Zugang zu Dingen entstehen kann. Also, dass jede Person einen übergreifenden, kategorienübergreifenden eigenen Standpunkt mitbringt, der einzigartig ist, und dass dieser Standpunkt aber auch helfen kann, dabei Wissen zu erzeugen, Dinge zu vermitteln und eben ganz neue Fragen der Forschung aufgemacht werden können. Ich finde, das ist eigentlich ein schönes Fazit und in diesem Sinne kann ich da total mitgehen.

Helena: Sehr gut.

Was steht in Kapitel 5 zu Pluralismus? (00:40:54)

Helena: Gut. Ja, ich rede jetzt über das fünfte Prinzip und gleichzeitig auch Kapitel, nämlich Bedenke Pluralismus. Das Kapitel fängt damit an, dass es erstmal eine Feststellung zitiert, nämlich, dass Daten aufbereiten eine der Hauptaufgaben von Data Scientists ist. Also, man kriegt erstmal Daten, muss die irgendwie aufräumen, im Englischen wird das dann auch als Clean Data bezeichnet, wenn man aufgeräumte Daten hat, damit man damit überhaupt Analysen machen kann. Und was jetzt dieses Aufräumen von Daten und was aufgeräumte Daten sind, für Folgen haben kann, da haben sie verschiedene Beispiele. Und ein Beispiel, das ich jetzt auch noch, um was damit gemeint ist, erklären zu können, habe, das kommt von mir, und zwar, man stelle sich vor, man ist zum Beispiel ein Flugzeug und man möchte wissen, wie lange ist jetzt dieses Flugzeug geflogen bzw. wie lange braucht es von einem Ort zum anderen Ort. Und da gehört natürlich auch die Zeit zu, die es jetzt irgendwie von einem Gate zum Rollfeld geht und dann fliegt und dann landet und dann irgendwann die Leute wieder rauslassen kann. So, und da hat man im Moment drei Messverfahren. Das eine ist, ja es gibt ein automatisches Messsystem, wenn das Flugzeug andockt am Gate, wird die Zeit erfasst und wenn es dann wieder losfährt, wird diese Zeit auch erfasst. Dann gibt es die Messmethode, ja irgendjemand schreibt einfach die Zeit auf, wann es da losfährt und wann es abfliegt. Und dann gibt es noch als dritte Messmethode, die Messmethode, die das Flugzeug selber notiert, also das Flugzeug hat dann selber noch Sensoren, dass es weiß, ja es bewegt sich jetzt und jetzt fliegt es und das wird dann auch gespeichert. Und am Ende hat man irgendwie drei verschiedene Messergebnisse und will damit irgendwelche Datenanalysen machen. Und das wäre an sich kein Problem, wenn eins davon einfach immer da wäre, aber das ist nicht der Fall. In der Realität fehlen immer irgendwelche Systeme. Irgendwas ist kaputt, ob jetzt ein Flugzeug selber mitkriegt, wann es wie fliegt, ist nicht so wichtig für die Sicherheit, deswegen kann das auch mal nicht funktionieren. Menschen können mal unaufmerksam sein, dann ist da irgendwie eine Minute falsch. Aber auch das System, was jetzt irgendwie am Gate misst, ja wann ist das Flugzeug da angekommen, existiert halt nicht an jedem Flughafen oder ist auch nicht immer heile. Das heißt, am Ende hat man irgendwie drei Messwerte, aber nicht alle sind immer da. Aber einer ist eigentlich immer da und dann muss man die Daten so aufräumen, dass man am Ende nur eine Zeit noch übrig hat. Das würde man dann zum Beispiel so machen, dass man erstmal die zuverlässigste Zeit nimmt und dann analysiert, welche sind weniger zuverlässig und dann rechnet man die halt runter. So. Das soll jetzt einfach nur einmal ein technisches Beispiel sein für, wie dieses Datenaufräumen sich gestaltet, weil das Beispiel, was jetzt hier in dem Buch gebracht wird, ist eben ein nicht so technisches Beispiel. Und zwar geht es darum, dass Menschen ja über Orte sprechen. Und wenn Menschen über Orte sprechen, wird nicht immer die Objektive volle Adresse genutzt, sondern oft gibt es auch einen Slang für Begriffe, die außerhalb bestimmter Städte oder Communities eben nicht verstanden werden. Ein Beispiel aus Braunschweig ist, dass Franky der Spitzname für den Frankfurter Platz ist oder in diesem Buch gibt es das Beispiel Upstate, mit dem bestimmte Counties in South Carolina gemeint sind. Und wenn jetzt jemand von außerhalb diese Daten aufreinigt oder damit arbeitet, kennt diese Person diese Begriffe potenziell nicht. Im besten Fall kann man die dann noch nachgucken und dann irgendwie verstehen. Im schlimmsten Fall ist das aber auch nicht mehr möglich. Und dann kann man eben die Daten zerstören. Also theoretisch gäbe es eine objektive Adresse, so das, was man vielleicht im Internet hinterlässt, wenn man irgendwie einen Brief haben möchte oder ein Paket. Aber das ist nicht das, was man im Alltag sagt, wenn man einen Ort meint. Das gibt es, glaube ich, an jedem Ort, irgendwelche Spitznamen.

Janine: Ich könnte zum Beispiel überhaupt nichts mit Franky anfangen.

Helena: Dabei wohnst du nur am anderen Ende der Stadt.

Janine: Ja, aber am anderen Ende der Stadt. Der Standort bestimmt ja auch, welchen Park man meint, wenn man sagt, wir treffen uns im Park.

Helena: Ja, außer wir sind... befinden uns in Osnabrück, dann meint man eine Disco.

Janine: Oh okay, gut. Auch nicht schlecht. Ja und in Braunschweig ist es so, wenn man eher da wohnt, wo ich wohne und sagt, wir treffen uns im Park, meine ich natürlich den, der hier um die Ecke ist und nicht der, der am anderen Ende der Stadt so schön ist. Und wenn man am anderen Ende wohnt, sagt man auch meistens, ab in den Park und meint einen bestimmten Park.

Helena: Genau. Und wenn man jetzt eben diese Daten erfasst und nur Leute von außen darauf zugreifen, dann gehen diese Daten halt potenziell einfach kaputt. Und in dem Buch wird das Ganze dann als epistemic violence bezeichnet, also Gewalt auf die Bedeutung bezogen. Und auf der einen Seite, klar, schafft man es vielleicht noch, Dinge durch zum Beispiel objektive Adressen zu ändern, aber dadurch, dass in den Originaldaten ja bestimmte Worte drinstehen, sagt der Datensatz ja auch was darüber aus, welche Gruppe überhaupt diese Daten erhoben hat. Und wenn man das dann alles normalisiert, geht auch diese Information wieder verloren. Dabei ist das zugrundlegende Problem der Daten oder eben, dass Daten in der Regel für Außenstehende aufbereitet werden, damit Leute, die nicht Teil dieser Gruppe sind, sie auswerten können. Ja, was hat das Ganze mit Pluralismus zu tun? Nun, diese Außenstehenden sind zum einen oft weiße Männer, was dann insbesondere dazu führt, dass davon abweichende Perspektiven, also von der Perspektive von weißen Männern, ja, dass diese in den Daten auch verloren gehen. Ja, dabei heißt Pluralismus jetzt nicht, dass jede Perspektive auch als gleichwertig angesehen werden muss. Das ist nicht der Fall. Es geht eher darum zu sagen, ja, jede Form von Wissen hängt immer nur vom Standpunkt ab und von den Lebensverhältnissen der Person. Wenn jetzt eine einzelne Gruppe, zum Beispiel die Gruppe weißer Männer, behauptet, ja, sie wüssten, was die objektive Wahrheit ist, dann sollte man das aus Prinzip erstmal nicht glauben, weil sie ja nur aus ihrem Standpunkt reden können. Und hier gibt es ja durchaus noch mehrere Beispiele, wie im Moment ist die dämonierende Wissenschaftssprache Englisch und Sachen, die jetzt irgendwie auf einer anderen Sprache veröffentlicht werden, werden dann in der Wissenschaft auch gerne mal ignoriert oder sind dann halt nicht hier bekannt, wie zum Beispiel zu Sowjetzeiten, dass dann Sachen in Russisch veröffentlicht wurden. Manche Veröffentlichungen werden dann auch übersetzt, aber das muss ja auch erstmal jemand mitkriegen. Und auch das ist eben dieses, ja, pluralistischer Standpunkt. Man kann denken, dass das jetzt die objektive Wahrheit, weil die Wissenschaft das herausgefunden hat, aber vielleicht hat die das in China ja auch schon vor fünf Jahren herausgefunden, aber es wurde halt nicht auf Englisch veröffentlicht.

Janine: Da kann man ja auch ganz in die Wissenschaftshistorie zurückgehen. Es gibt ja immer dieses Phänomen, dass viele Entdeckungen oder Entwicklungen oder Erfindungen relativ zeitgleich an unterschiedlichen Orten der Welt gemacht werden. Und da ist auch immer die Frage, wer wird denn als Urheber dieser Entwicklungen, Erfindungen, dieses Erkenntnisstandes genannt? Und meistens natürlich der, der als erstes am weitesten rezipiert wird.

Helena: Genau, und...

Janine: Kurz noch das Beispiel dazu, weil es gerade auch wieder durch die Medien getrieben wurde, ist halt, dass jetzt der Name Rosalind Franklin viel häufiger fällt, weil darauf hingewiesen wurde, dass sie eben maßgeblich an der Entdeckung der DNA beteiligt war.

Helena: Ja, und ihre Ergebnisse im Wesentlichen geklaut wurden von anderen Leuten, die dann dadurch viel bekannter wurden. Der eine Wermutstropfen ist immerhin, sie hat immerhin in derselben Ausgabe der Zeitschrift Nature ihre Ergebnisse veröffentlicht, nur halt nicht diese Aufmerksamkeit bekommen und sie ist leider gestorben, bevor es den Nobelpreis gab. Wo es dann auch gerne heißt, ja, das hat es dem Nobelpreiskommitee leichter gemacht, sie einfach auszuschließen. Man hätte den Nobelpreis ja auch früher geben können dafür.

Janine: Ja, aber auch das bekommt jetzt Aufmerksamkeit. Aber gut, ich wollte dich auch nicht zu lang vom Thema abbringen.

Helena: Genau. Also, was man daraus eben ziehen kann, ist, naja, Wissen hängt immer vom Standpunkt ab und es ist auf jeden Fall hilfreich, mehrere Standpunkte zu haben. Und Datenfeminismus in diesem Kontext heißt jetzt, dass man nicht nur auf andere Perspektiven achten soll, sondern sie ganz explizit einladen sollte. Eine Möglichkeit, das zu tun, ist, für Daten und ihre Nutzung auch immer die Community einzubeziehen, die das konkret betrifft. Das hatten wir ja in unserer Autismusfolge ja auch. Ja, es ist halt eine Sache, wenn immer über Autisten geredet wird und die Innenperspektive ignoriert wird. Wenn man jetzt allerdings aus der Innenperspektive zum Beispiel Diagnose-Kriterien herauskriegen würde, sähen die wahrscheinlich anders aus als die angeblich objektiven, nur von außen betrachteten Kriterien, die heute Gültigkeit haben. So als Beispiel.

Janine: Und es wäre wahrscheinlich auch schon viel schneller zu einer Überarbeitung gekommen, wenn diese Standpunkte früher eine Rolle gespielt hätten.

Helena: Genau. Gut. Das war so der wesentliche Punkt, den ich mit diesem... oder aus diesem Kapitel rausgezogen habe.

Fazit (00:50:27)

Helena: Und dann würde ich sagen, es ist schon Zeit für ein Fazit.

Janine: Ja, schon ist gut. Aber wir sind ja noch ganz gut im Rahmen im Vergleich zu sonst. Ja, ein Fazit. Ich weiß nicht, ich habe irgendwie das Gefühl, an dieser Stelle noch irgendwie sagen zu müssen, das war jetzt weder eine Buchrezension noch ein reines Buchreferat noch irgendwie, ich weiß nicht. Ich finde, bei diesem Buch bin ich sehr schnell in den Modus gekommen, auch einfach viel zu nicken und zu sagen, ja, das sind gute und wichtige Punkte, die ich auch möchte, dass andere Leute die auch wahrnehmen und anerkennen und integrieren in ihrer Arbeit. Also ich glaube, ich habe schnell sehr viel Ja gesagt und wenig kritisch hinterfragt und mir jetzt natürlich auch im Lesen einfach die Dinge rausgepickt, wo ich definitiv auch zustimmen konnte. Deswegen, das hier ist keine Kritik, keine Rezension. Aber ich fand, vielleicht kann man einfach sagen, wir haben dieses Buch als Anregung genommen, über dieses Thema zu reden mit den Beispielen des Buches, aber auch irgendwo mit unserer eigenen Meinung da reingeschüttet. Oder wie würdest du das sehen?

Helena: Definitiv. Im Grunde genommen kann man ja eigentlich den meisten dieser Prinzipien ohne zu zögern einfach zustimmen, wenn man die aus Vogelperspektive, wie ich die ganz am Anfang referiert hatte, einmal vorträgt. Und eine der Stärken von diesem Buch ist eben, dann auch an konkreten Beispielen aufzuzeigen, wie diese Prinzipien jetzt eigentlich Wirkung entfalten. Weil man kann ja auf einer abstrakten Ebene immer gerne Dingen zustimmen, wenn es ins Konkrete geht, weiß man ja überhaupt nicht, was gemeint ist. Und da fand ich eben, dass das Buch eine sehr gute Arbeit leistet. Und ich meine, es passt einfach auch sehr gut zu Kenne dein Messverfahren. Und was ich daraus gezogen habe, ist ja, außer dass man das Messverfahren kennen sollte oder was da auch zugehört ist, ja, bedenke, dass Daten immer von Machtstrukturen abhängen. Also davon hängt schon ab, was mit den Daten überhaupt gemacht werden kann und was am Ende nicht mit ihnen gemacht wird und welche überhaupt erhoben werden, dann auch, dass es keine Objektivität gibt, sondern der Standpunkt immer ein Faktor ist, genauso wie die Emotion. Das spielt immer mit rein. Und außerdem sorge dafür, dass du auch weitere Perspektiven einholst. Du kannst dich nicht darauf ausruhen, dass du deine eigene Perspektive nur hast, sondern es ist besser, ja, nach anderen auch zu fragen und sich darum zu kümmern.

Janine: Ja, dem kann ich so zustimmen, auch als sowohl inhaltliches Fazit als auch generell als persönliches Fazit zu diesem Thema. Ich denke, das sind auch alles irgendwie Punkte. Wahrscheinlich habt ihr es mitbekommen, wir haben doch recht häufig auf andere Folgen verwiesen, vielleicht noch häufiger als sonst. Ich habe mir an der einen oder anderen Stelle sogar schon eine Folge verkniffen, noch zu erwähnen, weil ich während dieser Aufnahme auch tatsächlich gemerkt habe, dass, ja, wir schon an so vielen Punkten genau darüber versuchen, auch zu reden und eben nicht umsonst. Und Helena ja auch nochmal betont, das ist absolut einfach unser Motto. Kenne dein Messverfahren.

Helena: Ja.

Janine: Also wisse auch, wer du selbst bist sozusagen und gehe damit um. Ignorier es nicht, verleugne es nicht, sondern umarme es, wie die Autorinnen in diesem Buch sagen würden.

Helena: Gut.

Janine: Ein kitschiges Ende. Na gut.

Nächste Folge: Natürliche Experimente am 17. Juni (00:53:58)

Helena: Ja, gut, das war jetzt diese Folge. Und ja, die nächste Folge erscheint am 17. Juni und darin geht es um natürliche Experimente. Ja, was sind natürliche Experimente und wie diese auf natürliche Weise stattfinden können, sind dann Thema dieser Folge. Und im Prinzip geht es darum, wie kann man Daten oder Wissen generieren, wenn man Experimente eigentlich nicht im eigentlichen Sinne machen kann, weil sie zum Beispiel ethisch nicht möglich sind oder auch technisch nicht möglich sind. Weil man hat zum Beispiel nicht zweimal denselben Staat und einmal mit einem Gesetz und einmal ohne ein Gesetz, wo genau dieselben Menschen drin leben. Dazu müsste man Paralleluniversen haben. Die haben wir ja nicht. Also muss man irgendwie anders diese Experimente durchführen. Und zum Beispiel, was ich mit ethisch meine. Gut, wir hatten letztens irgendwie vor ein paar Jahren ein neues Virus. Wir würden bestimmt eine ganze Menge lernen, wenn man irgendwie hundert Menschen damit erstmal ansteckt und guckt, was passiert. Aber absichtlich an Menschen diese Experimente zu machen, ist halt ethisch einfach nicht vertretbar, weil einfach nicht absehbar ist, was dann passiert. Aber wie kann man trotzdem diese Daten bekommen? Darum wird es in dieser Folge gehen.

Janine: Wobei ich an einer Stelle jetzt ja mal widersprechen muss. Nur weil wir nicht wissen, dass es Paralleluniversen gibt, heißt es nicht, dass es sie nicht gibt. Aber wir können sie halt nicht einbeziehen, weil wir nicht wissen, ob es sie gibt.

Helena: Nach Ockhams Rasiermesser kann ich sie einfach ignorieren,...

Janine: Ja...

Helena: ... weil alle meine Annahmen über die Welt funktionieren wunderbar ohne. Und das würde nur Dinge komplizierter machen, aber nicht zusätzlich erklärend.

Janine: Auch wieder wahr.

Call to Action (00:55:41)

Janine: Gut, Call to Action, so heißt das hier am Ende. Wenn ihr uns weiter hören möchtet, folgt uns auf Twitter unter @datenleben oder Mastodon unter @datenleben@podcasts.social. Besucht gerne unsere Webseite www.datenleben.de, da findet ihr alle Folgen, hin und wieder auch ein paar Blogbeiträge. Hinterlasst uns da auch gerne Feedback, wenn ihr mögt, darüber freuen wir uns immer. Und ja, ihr könnt uns auch als Data Scientist buchen für Analysen oder Projekte, falls euch unsere Herangehensweise gefällt. Und falls ihr Themen oder Fragen habt, könnt ihr uns auch gerne schreiben an den genannten Stellen.

Helena: Ja, dann bleibt mir nur noch für die Aufmerksamkeit zu danken und bis zum nächsten Mal. Ciao!

Janine: Tschüss!