Skip to main content
SearchLoginLogin or Signup

Inteligencia artificial feminista para mujeres latinas

Las autoras comparten los avances de una investigación en la cual usan IA para mejorar las condiciones de vida y laborales de las mujeres latinas.

Published onJul 07, 2023
Inteligencia artificial feminista para mujeres latinas

*Este trabajo fue parcialmente apoyado por la subvención NSF FW-HTF-19541. Un agradecimiento especial a Seth Cooper, Rosta Farzan y Grecia Macias por sus comentarios sobre este artículo. 

Numerosas investigaciones han presentado sólidas evidencias de la desigualdad en la participación en proyectos de ciencia ciudadana (Vand Dijk, 2006), lo que en última instancia amenaza el derecho humano a la educación (Lee Dr, 2013). Estas desigualdades tienen más matices que una simple brecha en el acceso a las tecnologías digitales. (Antonio & Tuffley, 2014; Ibrahim, Khodursky & Yasseri, 2021) Las desigualdades están vinculadas a determinantes como las metas profesionales de las y los participantes (Ibrahim et. al, 2021), sus habilidades (Hargittai & Shaw, 2015) y su sentido de autoeficacia (Hoffmann, Lutz & Meckel, 2015), que se refiere a la creencia de un individuo sobre su capacidad para completar ciertas tareas (Zulkosky, 2009). 

En el caso de las mujeres latinas en Estados Unidos, la falta de desarrollo profesional puede resultar en la deserción de mujeres. (Alcorn, 2020; Ryan, 2003) Sin diversidad, la ciencia ciudadana puede resultar en investigaciones que no son deseables para una parte de la población. (Chesser, Porter & Tuckett, 2020; Schäfer & Kieslinger, 2016) Parte del problema es que hay menos investigación sobre cómo cerrar esta brecha de participación (Hargittai & Shaw, 2015; Schradie, 2012). Con base en teorías sociales relacionadas (Gallus, 2017; Locke & Latham,2002; Ryan & Deci, 2000), planteamos la hipótesis de que podríamos abordar este problema convirtiendo las microtareas de los proyectos de ciencia ciudadana que realizan las mujeres latinas en oportunidades para que aumenten, paso a paso, su autoeficacia y así faciliten su desarrollo profesional. A través de esto, esperamos aumentar la participación, las contribuciones y las posiciones de liderazgo que toman las mujeres. 

Prevemos el siguiente caso de uso de nuestra herramienta: para un conjunto determinado de proyectos de ciencia ciudadana en Estados Unidos y una mujer voluntaria individual, la herramienta podría identificar que esa mujer se beneficiaría al completar microtareas de ciencia ciudadana sobre "identificación de peligros en imágenes y videos". La herramienta también podría recomendar completar un programa de certificado de estudio independiente para "Conocer los peligros" de la Agencia Federal para el Manejo de Emergencias (FESA)1. En última instancia, los certificados podrían ayudarla a postularse para trabajos gubernamentales de nivel inicial. Prevemos que, dependiendo de los objetivos profesionales de la mujer, así como de la región donde resida, se le recomendará tomar diferentes tipos de certificados profesionales. Algunas de las certificaciones que exploramos inicialmente incluyen las de la Agencia Federal para el Manejo de Emergencias (ya que hay varios certificados que se relacionan con tareas de etiquetado de imágenes y videos), o certificaciones del Gobierno Federal de México2 (especialmente porque tienen varios certificados para trabajos de entrada de nivel inferior que utilizan habilidades relacionadas con la ciencia ciudadana, y planeamos asociarnos con ONG en América Latina). Adicionalmente, es necesario considerar como parte del marco de esta investigación la representación del género femenino en la actividad de inventos en América Latina, particularmente en México (de donde son las tres autoras), considerando este aspecto como un fiel reflejo de si se respeta o no que las mujeres tengan una participación igualitaria en este ámbito.

Diseño de herramientas

Nuestros métodos se centran en diseñar una herramienta inteligente que aprenderá con el tiempo qué microtareas de ciencia ciudadana y qué recomendaciones de certificados profesionales son mejores para una colaboradora específica para aumentar su sentido de autoeficacia y desarrollo profesional. La figura 1 presenta una descripción general de cómo nuestra herramienta integra un módulo de aprendizaje de refuerzo que aprende a través del tiempo qué tareas y certificaciones las mujeres latinas consideran más útiles para estos esfuerzos. Este módulo de aprendizaje por refuerzo operará en el backend de nuestra herramienta y nuestro frontend será un complemento web para MTurk3, donde publicaremos tareas de ciencia ciudadana por realizar. El objetivo de nuestra herramienta de datos será generar políticas que conduzcan a una secuencia de microtareas y programas de certificación que maximicen una función de utilidad específica. En nuestro caso, la función de utilidad se define por el nivel de autoeficacia percibida y desarrollo profesional de los participantes. Hay que considerar que, para consultar a los participantes sobre su autoeficacia percibida, nos basamos en un trabajo relacionado que ha desarrollado medidas para la ciencia ciudadana. (Hiller, 2016) 

Figuras 1, 2 y 3

Las tres capturas de pantalla enseñan una visión general de cómo prevemos que nuestra herramienta inteligente se integre directamente en las tareas de AMT en forma de plugins web para recomendar a las mujeres qué microtareas realizar, así como la forma en que recomienda los certificados profesionales a completar.

Nuestra herramienta se inicia primero con microtareas de ciencia ciudadana y programas certificados relacionados seleccionados al azar o en función de la popularidad global o de la facilidad de la tarea. Después de cada tarea, la herramienta presenta breves preguntas de retroalimentación para los participantes sobre la utilidad de la tarea y los programas de certificación en relación con la función de utilidad. (ver Figura 2) Por ejemplo, la herramienta podría preguntar a las mujeres latinas qué tan capaces se sienten con las tareas y el programa de certificación que acaban de completar y cuánto sienten que les está ayudando en su desarrollo profesional. El módulo de aprendizaje por refuerzo luego usa esta información como un ciclo de retroalimentación y datos de entrenamiento para aprender con el tiempo la secuencia más óptima de microtareas para maximizar la función de utilidad particular. Con este fin, formulamos el siguiente objetivo: queremos maximizar la utilidad general esperada (por ejemplo, la autoeficacia y el desarrollo profesional) "e" después de participar en el proceso de producción con un conjunto específico de tareas y programas de certificación, mediante el uso de una óptima política de recomendación p*. Matemáticamente, este problema se puede escribir como:

p* = ar g max p Ep (e) (1)

Observe que p es una familia de políticas descritas por una función de masa de probabilidad (PMF) discreta sobre un conjunto de n tareas (que incluyen microtareas de ciencia ciudadana y completar certificados profesionales) que van desde i=1 a n, ye es la retroalimentación que las participantes brindaron sobre cuánto sintieron que las tareas y certificados de ciencia ciudadana recomendados ayudaron a su autoeficacia y desarrollo profesional. El valor de la utilidad esperada se puede calcular como:

donde w es un PMF sobre todas las participantes (donde tenemos m número total de participantes), F es una matriz m X n que contiene los puntajes de retroalimentación después de cada tarea, y p es la política sobre las microtareas. El superíndice T indica transposición. La matriz F registra así la retroalimentación del j-ésimo participante en la j-ésima fila y las microtareas (que incluyen tareas de ciencia ciudadana y finalización de certificados de desarrollo profesional) se organizan sobre las columnas utilizando un índice i. Esto significa que ej,i es el puntaje de retroalimentación otorgado por el j-ésimo participante después de completar la tarea i. Las microtareas de ciencia ciudadana o los programas de certificación no completados se considerarán con puntajes de retroalimentación bajos. Las políticas 4 están condicionadas a determinados proyectos de ciencia ciudadana con sus correspondientes certificados de profesionalidad. Una política se centrará en seleccionar la tarea con el mayor valor esperado, y teniendo en cuenta la incertidumbre que tenemos sobre la distribución de recompensas (pulgares arriba-pulgares abajo) de la tarea. Esto nos permite equilibrar la exploración y la explotación. Hay que considerar que nuestros algoritmos de orientación son, por lo tanto, generalizables y aplicables en todos los proyectos de ciencia ciudadana con sus programas de certificación relacionados. Para cada tipo de proyecto de ciencia ciudadana, nuestros algoritmos aprenderán una política diferente (es decir, el tipo de microtareas y certificados que son mejores para obtener en proyectos de ciencia ciudadana centrados en el cambio climático pueden ser diferentes de los centrados en la atención médica). 

En la implementación completa de nuestras herramientas inteligentes, también planeamos incorporar técnicas de minería de datos para utilizar datos históricos de un proyecto de ciencia ciudadana en particular para identificar los patrones de microtareas que se han asociado con una participación exitosa y luego integrar ese conocimiento en nuestros algoritmos de orientación. Esta información se puede utilizar para alimentar nuestro algoritmo en la etapa inicial, cuando no se han recopilado todavía los comentarios individuales necesarios. En iteraciones de nuestros métodos computacionales, también planeamos crear un ciclo de retroalimentación computacional de la reacción de la comunidad de ciencia ciudadana al trabajo que producen las mujeres latinas y también incorporar información sobre las habilidades y el conocimiento de una mujer. Nuestros algoritmos inteligentes aprenderán con el tiempo cuáles son las mejores tareas y programas de certificación para hacer que ciertos tipos de latinas se sientan más capaces, sientan que están creciendo profesionalmente, teniendo en cuenta también los comentarios de la comunidad científica ciudadana. Uno puede imaginar que el algoritmo puede ajustarse para maximizarse a nivel individual de una mujer o a nivel de proyecto de ciencia ciudadana.

Representación de mujeres latinoamericanas en invenciones mexicanas 

En 2021, el Instituto Mexicano de la Propiedad Industrial5 realizó un estudio que reflejó la participación de las mujeres mexicanas en las solicitudes de registro de invenciones (patentes) ante esta autoridad. Los resultados muestran datos interesantes y crudos desde una perspectiva de género, ya que sólo el 14% de las invenciones presentadas en los últimos dos años corresponden exclusivamente a mujeres mexicanas. De estas, el 22% corresponden a grupos mixtos (patentes que están compuestas por equipos que incluyen tanto a hombres como a mujeres) y en donde destaca que en el 49% de dichos grupos mixtos solo participa una mujer, en el 30% solo dos mujeres, el 10% de los grupos mixtos integran a  4 mujeres, y solo el 2% de los grupos mixtos integra a cinco o más inventoras mexicanas.

Estas cifras llevan a la reflexión obligatoria de encontrar una forma a través de la cual se garantice una participación más igualitaria de las mujeres en las invenciones, ya que a pesar de la existencia de la Ley Federal para la Igualdad entre mujeres y hombres (Ley Federal 227, 2006) y la Ley Federal para Prevenir y Eliminar la Discriminación (Ley Federal 179, 2003) en México, es inminente el bajo nivel de representación del género femenino en los procesos inventivos. Ambas leyes están dirigidas a promover principalmente la no discriminación de las mujeres por su condición de género, garantizándoles su derecho a la educación, a la libre elección de su profesión, el derecho a la formación especializada, al acceso a la información y a las tecnologías de la información. Sin embargo, la situación demuestra la falta de seguimiento de los derechos que tienen las mujeres de ser tratadas por igual en toda situación y que por supuesto está ligada al derecho a la educación sin ser víctimas de discriminación tan solo por su género.

La referida legislación prevé formas para prohibir la discriminación en relación con el desarrollo profesional, entre las que se destacan las siguientes: impedir el acceso o permanencia a la educación pública o privada, así como a becas e incentivos en centros educativos; establecer contenidos, métodos o instrumentos pedagógicos en los que se asignen roles contrarios a la igualdad o que difundan una condición de subordinación; prohibir la libre elección de empleo, o restringir las oportunidades de acceso, permanencia y promoción en el mismo; establecer diferencias en remuneración, beneficios y condiciones de trabajo para puestos iguales; limitar el acceso y la permanencia en los programas de entrenamiento y formación profesional; impedir la participación en igualdad de condiciones en asociaciones civiles, políticas o de cualquier otro tipo; limitar la libre expresión de ideas; impedir la accesibilidad a la información, tecnología y comunicaciones; restringir la participación en actividades culturales; restringir o limitar el uso de su lengua, usos, costumbres y cultura; e implementar o ejecutar políticas públicas, programas u otras acciones gubernamentales que tengan un impacto desfavorable en los derechos de las personas.

Conclusión

Propusimos una herramienta basada en IA que podría motivar a las mujeres de América Latina a participar en proyectos de ciencia ciudadana. Nuestra esperanza es que otras investigaciones puedan usar nuestros principios de diseño para identificar diferentes formas en las que también puedan diseñar herramientas inteligentes para ayudar a motivar a las poblaciones subrepresentadas a participar en diferentes esfuerzos y, por lo tanto, ayudar a cambiar quiénes pueden participar en diferentes actividades.  

Recomendaciones

  • Al diseñar herramientas de IA para aumentar la participación de poblaciones subrepresentadas, es fundamental hacerlo con las propias poblaciones para comprender sus necesidades, y diseñar herramientas que puedan coincidir con lo que estas poblaciones realmente necesitan. En nuestro laboratorio de la Northwestern University y en la UNAM, hemos estado diseñando herramientas junto con diferentes poblaciones de mujeres, incluidas personas de regiones rurales y trabajadoras tecnológicas. (Ángel, Savage & Moreno, 2015; Beltrán, 2020; Hanrahan et al., 2020) Es crucial adoptar una filosofía de diseño en la que se tomará el tiempo para conectarse y comprender a las comunidades antes de desarrollar algo para ellas. 

  • También es importante saber que la IA no siempre es la solución a todos los problemas. Es mejor adoptar un enfoque de diseño centrado en el ser humano y permitir que los problemas y las necesidades de la comunidad sean los que definan ese diseño. Es crucial dedicar tiempo a iterar la tecnología con las poblaciones subrepresentadas para garantizar que les sea útil y se adopte a largo plazo.

  • En el proceso de creación de programas que promuevan la participación de grupos conformados por mujeres, es fundamental que puedan sensibilizarse sobre sus derechos de acceso a la educación, tanto básica como especializada, así como sobre la importancia de su participación en procesos creativos en los que más mujeres están involucradas, por lo que se considera este como uno de los elementos de configuración más importantes en los modelos creados con ese propósito.

  • Todo proyecto cuyo objetivo sea promover la participación de las mujeres debe partir de la construcción de un escenario en el que las mujeres tengan acceso igualitario al uso, control y disfrute de los bienes, servicios y recursos de la sociedad, así como a la toma de decisiones en todos los ámbitos de la vida social, económica, política, cultural y familiar.


Referencias

Alcorn, T. (2020). Woolly bully: Exploring high school students’ science identities and attitudes in the context of a citizen science project. [Tesis doctoral]. University of Massachusetts Lowell. https://www.proquest.com/openview/2d0e467f16e9278d86d44a9068ab1a5a/1?pq-origsite=gscholar&cbl=18750&diss=y 

Ángel, W., Savage, S., & Moreno, N. (2015). Participatory stoves: Designing renewable energy technologies for the rural sector. In Proceedings of the 18th ACM Conference Companion on Computer Supported Cooperative Work & Social Computing, pp. 259-262. https://humancomputerinteraction.wvu.edu/files/d/0fa78d83-7144-454e-aed5-d109ea9aaced/stoves.pdf 

Antonio, A., & Tuffley, D. (2014). The gender digital divide in developing countries. Future Internet, 6(4), 673-687. https://doi.org/10.3390/fi6040673 

Beltrán, H. (2020). The first Latina Hackathon: Recoding infrastructures from México. Catalyst: Feminism, Theory, Technoscience, 6(2). https://doi.org/10.28968/cftt.v1i001.32904 

Chesser, S., Porter, M. M., & Tuckett, A. G. (2020). Cultivating citizen science for all: ethical considerations for research projects involving diverse and marginalized populations. International Journal of Social Research Methodology, 23(5), 497-508. https://doi.org/10.1080/13645579.2019.1704355 

Ley general para la igualdad entre mujeres y hombres. (2006). D.O.F. 18 de mayo de 2022. México. https://www.diputados.gob.mx/LeyesBiblio/pdf/LGIMH.pdf 

Ley federal para prevenir y eliminar la discriminación. (2003). D.O.F. 17 de mayo de 2022. https://www.diputados.gob.mx/LeyesBiblio/pdf/LFPED.pdf 

Gallus, J. (2017). Fostering public good contributions with symbolic awards: A large-scale natural field experiment at Wikipedia. Management Science, 63(12), 3999-4015. https://doi.org/10.1287/mnsc.2016.2540 

Hanrahan, B. V., Ma, N. F., Betanzos, E., & Savage, S. (2020). Reciprocal research: Providing value in design research from the outset in the rural United States. In Proceedings of the 2020 International Conference on Information and Communication Technologies and Development (pp. 1-5). https://par.nsf.gov/servlets/purl/10175706 

Hargittai, E., & Shaw, A. (2015). Mind the skills gap: the role of Internet know-how and gender in differentiated contributions to Wikipedia. Information, communication & society, 18(4), 424-442.  https://doi.org/10.1080/1369118X.2014.957711 

Hiller, S. (2016). The validation of the Citizen Science Self-Efficacy Scale (CSSES). International Journal of Environmental and Science Education 11.5, pp. 543-558. https://psycnet.apa.org/record/2017-16685-003 

Hoffmann, C. P., Lutz, C., & Meckel, M. (2015). Content creation on the Internet: A social cognitive perspective on the participation divide. Information, Communication & Society, 18(6), 696-716. https://doi.org/10.1080/1369118X.2014.991343 

Ibrahim, K., Khodursky, S., & Yasseri, T. (2021). Gender imbalance and spatiotemporal patterns of contributions to citizen science projects: The case of Zooniverse. Frontiers. https://doi.org/10.3389/fphy.2021.650720 

​​Lee Dr, S. E. (2013). Education as a Human Right in the 21st Century. Democracy and Education 21.1: 1. https://democracyeducationjournal.org/home/vol21/iss1/1   

Locke, E. A., & Latham, G. P. (2002). Building a practically useful theory of goal setting and task motivation: A 35-year odyssey. American Psychologist, 57(9), 705. . https://doi.org/10.1037/0003-066X.57.9.705 

Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68. https://doi.org/10.1037/0003-066X.55.1.68 

Ryan, J. (2003). Continuous professional development along the continuum of lifelong learning. Nurse Education Today, 23(7), 498-508. 10.1016/s0260-6917(03)00074-1  

Schäfer, T., & Kieslinger, B. (2016). Supporting emerging forms of citizen science: A plea for diversity, creativity and social innovation. Journal of Science Communication, 15(2), Y02. https://doi.org/10.22323/2.15020402

Schradie, J. (2012). The trend of class, race, and ethnicity in social media inequality: Who still cannot afford to blog? Information, Communication & Society, 15(4), 555-571. https://doi.org/10.1080/1369118X.2012.665939 

Van Dijk, J. A. (2006). Digital divide research, achievements and shortcomings. Poetics, 34(4-5), 221-235. https://doi.org/10.1016/j.poetic.2006.05.004 

Zulkosky, K. (2009). Self‐efficacy: a concept analysis. In Nursing forum (Vol. 44, No. 2, pp. 93-102). Malden, USA: Blackwell Publishing Inc. https://doi.org/10.1111/j.1744-6198.2009.00132.x 

Comments
0
comment
No comments here
Why not start the discussion?