Table of links Mesa da esquerda ABSTRACT Abstraccións INTRODUCTION Introdución SEARCH ENGINES AND WOMEN’S DESCRIPTIVE REPRESENTATION Os motores de busca e a representación descriptiva das mulleres MEASURING THE EXTENT OF ALGORITHMIC REPRESENTATION Medir a extensión da representación algorítmica GENERAL DISCUSSION, CONCLUSION   AND   REFERENCES Discusión xeral, conclusións e Referencias SEARCH ENGINES AND WOMEN’S DESCRIPTIVE REPRESENTATION Os motores de busca e a representación descriptiva das mulleres Representación descritiva colectiva é a calidade das institucións políticas para representar os seus cidadáns en base ás características políticas e sociodemográficas compartidas (Atkeson e Carrillo 2007; Bratton e Ray 2002). Incrementos na representación descritiva de grupos minoritarios foron ligados aos resultados das políticas que benefician os seus intereses substanciais, diminuíndo así as desigualdades estruturais (Bratton e Ray 2002; Hessami e da Fonseca 2020; Lowande et al. 2019; Wängnerud 2009; Mendelberg et al. 2014). A inclusión das mulleres nos órganos de goberno tamén ten unha calidade simbólica (Stokes-Brown e Dolan 2010). Se os gobernos aproximan adecuadamente a composición demográfica da súa poboación "envia sinais importantes sobre quen debe (e non debe) participar na política e o grao en que Os académicos identificaron o discurso dos medios como un factor importante que forma como os cidadáns se ven e se perciben os seus intereses como representados (Kahn 1994). A conclusión predominante desta liña de traballo é que a cobertura política sub- e malrepresenta grupos minoritarios (Gershon 2013; Van Der Pas e Aaldering 2020) e que estas distorcións na cobertura resultan en avaliacións diminuídas de candidatos políticos pertencentes a estes grupos (Rohrbach et al. 2023; van Oosten et al. 2024). Neste artigo, abordamos esta actualización moi necesaria desta liña de razoamento e propoñemos un marco de representación algorítmica. O argumento central do marco é que as desigualdades políticas están construídas en algoritmos de busca cuxa saída reforza as percepcións políticas que cementan desvantaxes no ámbito político (para un Algorithmic representation as outcome of structural inequalities A maioría das persoas nunca se atopan con políticos en persoa senón a través de intermediarios, como a cobertura mediática (Shehata e Strömbäck 2014; Kahn 1994). A tese de mediación de xénero afirma que a transformación dunha realidade política nunha realidade mediada ocorre a través de varios filtros xornalísticos (Gidengil e Everitt 2000; Trimble et al. 2022). Estes filtros toman a forma de estruturas organizativas de xénero das salas de noticias, as prácticas de adquisición e escritura dos xornalistas e as súas normas profesionais (Riedl et al. 2022). Esta mediación filtrada presenta a audiencia cunha cobertura que cuantitativamente e cualitativamente mantén unha visión masculinizada (e branca) da política. Estes puntos de vista importan como marcan o núcleo da socialización política de xénero (B Hoxe en día, os encontros indirectos con figuras políticas ocorren cada vez máis en espazos dixitais curados por IA. Os motores de busca impulsados por IA, pero tamén os feeds de redes sociais e os sistemas de recomendación de noticias, estruturan o que os votantes veñen a ver (e o que non fan; véxase, por exemplo, Wallace 2018; Friesen et al. 2021). Ademais, en "democracias post-broadcast", a influencia humana dos xornalistas é cada vez máis substituída pola información obtida a través das súas buscas en Internet (ver Stier et al. 2022). Estudos mostran que os motores de busca como Google convertéronse en fontes clave de información política (Trevisan et al. 2018; Urman e Makhortykh 2023). Ademais, nalgúns casos, a xente pon máis confianza H1: Prexuízo de base: as mulleres están subrepresentadas algoritmicamente nos resultados de busca de imaxes de Google (neutral de xénero) Se a realidade política e social masculinizada se traduce nunha subrepresentación algorítmica das mulleres en Google, entón o grao desta subrepresentación debería variar en sociedades con diferentes parámetros políticos en relación coa representación descritiva das mulleres.4 Emprestando a teoría dos papeis sociais, Niven (1998, 2004) explica a sub-representación das mulleres na cobertura dos medios políticos como unha función da escaseza de roles de liderado das mulleres. Esta visión está en liña cos modelos de estereotipos dinámicos que enfatizan que os estereotipos son moldados pola distribución de mulleres e homes entre roles profesionais distintos, é dicir, na política, a súa presenza no cargo (Diekman et al. 2004; Eagly et al. 2020; van der Pas et al. 2023). A diferenza dos humanos, os algoritmos de buscadores H2: Bias de distribución: A subrepresentación algorítmica das mulleres correlaciona positivamente coa súa representación descriptiva a través dos países, pero non a supera. Algorithmic representation as a driver of political perceptions Mentres que as eleccións directas tamén establecemos as hipóteses de que as mulleres son susceptibles de ser algoritmicamente feitas menos visibles que os homes na saída de buscas políticas de Google en contextos nacionais. Baseándose en 3Para as dúas primeiras hipóteses, centrámonos exclusivamente no xénero e descoidamos a cuestión do voto e descoidamos a raza por dúas razóns. En primeiro lugar, medir a proporción de políticos non brancos na saída de Google probablemente requiriría a etiquetaxe da raza das persoas representadas nunha base puramente visual. Ademais das fortes preocupacións éticas dos participantes, os enfoques de etiquetaxe computacional dependen exclusivamente de algoritmos de recoñecemento facial que están suxeitos a prexuízos raciais inherentes (Cavazos et al. 2021; Scheuerman et al. 2019 Teorizamos que a representación algorítmica funciona dentro do mecanismo de discriminación estratéxica en dous pasos. En primeiro lugar, a representación de grupos minoritarios nas saídas dos motores de busca distorsiona as percepcións individuais da representación descritiva destes grupos (H3). Polo tanto, postulamos que a saída dos motores de busca serve como un heurístico político alimentando a brecha de percepción de xénero (Lau e Redlawsk 2001; McDermott 1997), que é a "superestimación sistemática por parte dos homes e a subestimación por parte das mulleres da súa electibilidade" (Ashworth et al. 2024, 290).Como a maioría dos votantes non teñen unha idea clara da composición demográfica real das institucións políticas (ver, por exemplo, Stauffer 2021), os usuarios dos motores de busca aproximarán a realidade A subrepresentación algorítmica das mulleres e dos políticos non brancos baixa as estimacións da súa representación descritiva. Bateson (2020) identifica a capacidade percibida dun candidato para recoller fondos, xerar cobertura de medios e gañar sobre os votantes como determinantes da electibilidade. As percepcións dos votantes destas dimensións permanecen vagas e difíciles de captar empiricamente. Por tanto, ampliamos este enfoque e introducimos a representación na saída de buscas de Google como unha variable clave no cálculo estratéxico dos votantes. Debido a que os motores de busca son tan regularmente e amplamente utilizados e tamén de confianza, presentan unha fonte case plausible para os individuos para formar as súas "preferencias de segunda orde" - é dicir, a percepción do perfil ideolóxico e demográfico do candidato que o votante medio abstracto apoiaría electoralmente (Green et al. 2022, 888). Ademais, as buscas de información en liña Ademais de reducir a percepción de electibilidade dos candidatos pertencentes a grupos minoritarios, hai razóns para crer que a subestimación da representación descritiva tamén diminúe a eficacia externa dos votantes, entendida como a percepción de que o goberno responde ás súas preocupacións (H4b; Atkeson e Carrillo 2007). H4: prexuízo estratéxico: representacións descritivas subestimadas á súa vez inferiores avaliacións dos votantes de (a) a electibilidade das mulleres e dos políticos non brancos e (b) a eficacia externa dos votantes 
 
 
 Os autores: » 
 
 
 
 Tobias Rohrbach Mykola Makhortykh Maryna Sydorova Os autores: » 
 
 
 
 Tomiño Rohrbach Mykola Makhortykh Mariña Sudoriña 
 
 Este artigo está dispoñible en arquivo baixo a licenza CC by 4.0 Deed (Attribution 4.0 International). Este documento é A súa licenza é CC by 4.0 Deed (Attribution 4.0 International). Dispoñible en arquivo Dispoñible en arquivo

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Bias in Algorithmic Technology Exposed 

undefined's blog

Este audio está producido na lingua orixinal da historia!

Como os motores de busca reforzan as diferenzas de xénero na representación política

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Management Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

HackerNoon Decoded 2024: Celebrating Our Writing Community!

HackerNoon Decoded 2024: Celebrating Our Management Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps