Thesen

• Die Nähe zu Machtzentren kann auch von marginalisierten Personen für Veränderungen genutzt werden (vgl. 204).
  

• Gemeinschaftliche Organisation ist weitaus effektiver, als das Wirken einzelner Personen (vgl. 204). ⇒ „[…] [C]ollective organizing around data and technology has already taken a range of powerful forms“ (205).

• Die Macht der Tech-Industrie ergibt sich u.a. aus ihren Fähigkeiten zu messen („to scale“). Gleichezeitig ergeben sich für Mitarbeitende dieser Industrien, so Moira Weigel, verschiedene Machtpotenziale: Bargaining Power, Messaging Power, Interruption Power, Subversion Power (vgl. 205). [Ich, Laura, bin mir nicht sicher, ob „messen“ hier die Bedeutung von „scale“ passend wiedergibt, ich habe selbst aber auch noch keine passendere Übersetzung gefunden. Evtl. können wir das in der Sitzung kurz diskutieren.]

Thesen:

• Daten sind nicht per se „gut“ oder „schlecht“. Daten können Schaden anrichten, den es gilt sichtbar zu machen oder zu verhindern. Daten können aber auch genutzt werden, um Einfluss für eine gerechtere Gesellschaft zu nehmen (vgl. 206).

Beispiel: „4BL organizes annual conferences, runs online communities, and helps connect people in its network. The group pursues two simultaneous strategies: pushing back against the harmful impacts of data as they are currently deployed, and creating new spaces for organizers, data scientists, and engineers to come together to generate meaningful research questions. The group’s emphasis on abolition and liberation, rather than a generic form of social good, leads it to design projects that actively work to overturn the data-driven discrimination experienced in Black communities (206)“.

• Jeder Arbeitsschritt der Datenarbeit benötigt eine reflexive Überarbeitung (vgl. 208).

Beispiele von Organisationen, Aktionen und Kampagnen aus dem Kapitel, die die Matrix of Domination herausfordern:
- Google Walk Out for Real Change
- Tech Workers Coalition (#TechWontBuildIt)
- Lerna JavaScript librabry
- Design Action Collectve (Points of Unity)
- Toronto Declaration
- Coworker
- Data for Black Lives (D4BL)

Rückblick der Autorinnen

• „ In this book, we have described intersectional feminism — a vibrant body of knowledge and action that challenges the unequal distribution of power - and how it can be applied to the field of data science today. […] We hope that you, our readers, will use this work in order to reflect on your own identities, as well as to examine how power and privilege operate in data science and in the world..“ (207)

Seven Principles of Data Feminism

1. Examine Power: „Examining power means naming and explaining the forces of oppression that are so baked into our daily lives - and into our datasets, our databases, and our algorithms - that we often don’t even see them. Seeing oppression is especially hard for those of us who occupy positions of privilege“ (24)
2. Challenge Power: „Data feminism commits to challenging unequal power structures and working toward justice“ (49)
3. Elevate Emotion and Embodiment: „Data feminism teaches us to value multiple forms of knowledge, including the knowledge that comes from people as living, feeling bodies in the world“(73)
4. Rethink Binaries and Hierarchies: „Data feminism requires us to challenge the gender binary, along with other systems of counting and classification that perpetuate oppression“ (97)
5. Embrace Pluralism: „Data feminism insists that the most complete knowledge comes from synthesizing multiple perspectives, with priority given to local, Indigenous, and experiential ways of knowing“ (125)
6. Consider Context: „Data feminism asserts that data are not neutral or objective. They are the products of unequal social relations, and this context is essential for conducting accurate, ethical analysis“ (149)
7. Make Labor Visible: „The work of data science, like all work in the world, is the work of many hands. Data feminism makes this labor visible so that it can be recognized and valued“ (173)

• Σ „We derived these principles from the major ideas that have emerged in the past several decades of intersectional feminist activism and critical thought. At the same time, we welcome the notion that there are many other possible starting points that share the end goal of using data (or refusing data) in order to end oppression.“ (213)

⇒ Weitere Ausgangaspunkte: Kunst, Aktivismus, Community, Organisation, Sensibilisierungen, etc. (vgl. 213)

Matrix of domination (24-25) ⇒ (Power Chapter)

Die Matrix of domination, inspiriert durch Partricia Hill Collins, soll erklären, wie sich Machtsysteme formieren und wie sie wirken, bzw. erlebt werden (24f).

Motivation der Autorinnen: „From these projects, we saw how statements of shared values can become important orientation points,
guiding internal decisions at challenging junctures and making ethical commitments public and transparent“ (215).

• We insist on Intersectionality
• We Advocate for Equity
• We Prioritize Proximity
• We Acknowledge the Humanity of Data
• We are Reflexive, Transparent, and Accountable
• About Us

Kagegorien:

• Racism
• Patriarchy
• Cissexism
• Heteronormativity
• Ableism
• Colonialism
• Classism
• Proximity

Reflexion der Autorinnen

• Die Autorinnen wollten den angestrebten Werten während des Überarbeitungsprozesses nicht zu viel Aufmerksamkeit schenken und Projekte nicht nur aufgrund der Situiertheit der Akteure auswählen. Zudem wurde während des Arbeitsprozesses keine Statistik geführt.(vgl. 220).
• Eigene Situiertheit als Wissenschaftlerinnen in einer Welt, die durch weiße Männer dominiert ist (vgl. 220).
• Während des Überarbeitungsprozesses wurde das Buch durch zusätzliche Fußnoten und Referenzen akademisiert. Somit spiegelt das Buch den akademischen Bias der Autorinnen wieder (vgl. 221).

Schlussfolgerung der Autorinnen

• „[…][O]ur final metrics offer a quantified reminder that “legitimate knowledge” has a race and a gender, as well as a class and a geographic location. These characteristics are inherited from the matrix of domination, and sustained by the matrix of domination as well. Although we challenge that fact in our writing, we readily admit that we fell back on learned habits in our citational practices, particularly when we felt that our scholarly credibility was on the line “ (221).

• Was konstituiert eine zu klassifizierende Einheit („Reference“)? (Individuen, Projekte, Unternehmen…)
• Welche Kategorien werden für die jeweilige Einheit benannt und eingeordnet?
• Welche Relevanz kommt den Einheiten zu?
• Problem bei der Klassifikation: „We tried to confirm these categorizations through online research, but without the self-identification of the referenced individuals, these categories are obviously subject to further inquiry“(224).

• Indigenous Women Rising

Homepage

Instagram

• Charis Circle

Homepage

Hintergund: Ich habe folgende Beispiele größtenteils ausgewählt, da sich die Beispiele aus dem Buch oftmals auf den amerikanischen Raum beziehen. Ich habe explizit nach Beispielen gesucht, die sich eher im europäischen und/oder deutschen Kontext verorten lassen.