Nous imaginons toujours les pompiers comme des hommes et les infirmières comme des femmes. Le classeur mental des professions n’a pas encore rattrapé la réalité. Bien sûr, vous pouvez trouver des infirmiers et des femmes médecins. On parle de casser ces cartons. La société essaie de pousser les choses. Mais une nouvelle étude suggère que quelque chose pourrait nous faire reculer. Recherche d’images en ligne. Cela pourrait annuler des années de progrès.
Pourquoi est-ce important ? Le problème ne vient pas seulement des images obsolètes. Il s’agit de ce que ces images signalent aux jeunes. Lorsque nous attribuons par défaut un sexe à un emploi, nous créons des barrières invisibles. Une fille qui aime construire des choses pourrait éviter la menuiserie car les images en ligne ne montrent que des hommes. Un garçon qui aime prendre soin des gens pourrait éviter de s’occuper des personnes âgées. Il pourrait craindre d’avoir l’air trop doux. Trop peu masculin.
Le raccourci mental
Notre cerveau adore les modèles. Ils ont soif de raccourcis. Nous voyons un bâtiment en feu. Nous imaginons un homme en tenue de participation. Nous voyons un enfant qui pleure. Nous imaginons une femme en blouse. C’est un lien automatique. Pas toujours précis. Mais profondément ancré.
Certains emplois sont encore dominés par un seul sexe. La mécatronique automobile est fortement masculine. Les assistants médicaux sont majoritairement féminins. Les données soutiennent le stéréotype. Mais le stéréotype limite également les données. Cela crée une boucle de rétroaction. Nous voyons des hommes faire un travail. Nous supposons que c’est un travail d’homme. Nous embauchons des hommes. Nous montrons des images d’hommes. La boucle se resserre.
Ce n’est pas seulement une question d’équité. Il s’agit d’un potentiel gaspillé. Les mains talentueuses sont mises à l’écart. Les esprits empathiques sont filtrés. Le coût est réel.
Là où la recherche en ligne nous échoue
Pensez à votre dernière recherche Google Image. Vous avez tapé “docteur”. Qu’est-ce qui est apparu ? Il s’agit probablement d’un homme en blouse blanche. Vous avez tapé “infirmière”. Probablement une femme. Même si vous recherchez une femme médecin, l’algorithme peut toujours donner la priorité aux images codées par des hommes. Il apprend de ce sur quoi nous cliquons. Et ce sur quoi nous cliquons est façonné par ce en quoi nous croyons déjà.
C’est là que la recherche d’images tourne mal. Cela reflète un parti pris plutôt que de le corriger. Cela amplifie le statu quo. Pour les étudiants qui décident d’un cheminement de carrière, ces visuels agissent comme des gardiens. Ils murmurent : Ce n’est pas pour toi.
Le risque est subtil. Ce n’est pas une porte claquée. C’est un rideau fermé. Les jeunes pourraient même ne jamais frapper. Ils supposent que la salle est pleine. Ou pire, qu’ils ne sont pas les bienvenus.
La complication de l’IA
Ajoutez maintenant l’intelligence artificielle au mélange. Générateurs d’images IA. Ils s’entraînent sur des ensembles de données massifs. Principalement récupéré sur Internet. Internet regorge d’images genrées. L’IA apprend ces modèles. Il les reproduit. Plus rapide. Moins cher. À grande échelle.
Si vous demandez à une IA de « générer une image d’un ouvrier du bâtiment », il se peut qu’il s’agisse par défaut d’un homme. Demandez « professeur », et il se peut que ce soit par défaut une femme. Non pas parce que la construction est intrinsèquement masculine. Non pas parce que l’enseignement est intrinsèquement féminin. Mais parce que les données de formation le disent.
Cela aggrave le problème. Cela ne nous montre pas seulement ce qui existe déjà. Cela crée de nouvelles images biaisées. Des images qui semblent réalistes. Des images qui font autorité. Ils intègrent des stéréotypes dans le tissu du contenu numérique. Avant même que nous le remarquions.
Pourquoi briser le moule est important
Regardons le
Les biais de recherche d’images renforcent les stéréotypes de genre
Les écoles essaient de résoudre ce problème. Les conseillers d’orientation utilisent des modèles charismatiques dans des rôles non traditionnels pour éliminer les barrières. Un langage non sexiste comme « docteur » ou « docteur* » vise à forcer le cerveau à imaginer à la fois les hommes et les femmes.
Cela ne fonctionne pas dans le domaine visuel. Une nouvelle étude confirme que les recherches d’images en ligne restent fortement biaisées par les stéréotypes de genre. Cherchez “docteur” et vous obtenez un homme en blouse blanche. Statistiquement, les hommes et les femmes sont égaux sur le terrain. L’algorithme s’en fiche.
Ce n’est pas un problème de grammaire. En anglais, « doctor » n’a pas de marqueur de genre. Pourtant, les images de « médecin » restent dominées par les hommes. L’équipe de recherche l’a prouvé sur Google Images, Wikipedia et Internet Movie Database (IMDb). Retournez-le en “modèle” et les hommes disparaissent.
Le texte est plus juste. Les images ne le sont pas.
Les articles de presse sont étonnamment équilibrés. Google Actualités a montré une surreprésentation masculine dans seulement 56 % des textes. Des images ? 62%. Nous faisons défiler le texte. Nous regardons des images.
“D’année en année, les gens passent moins de temps à lire et plus de temps à regarder des images.”
Les visuels collent. Dans une expérience de suivi, les sujets qui recherchaient des images d’emploi présentaient des préjugés sexistes plus forts trois jours plus tard que ceux qui lisaient des articles. L’empreinte mentale est plus profonde. La boucle de rétroaction est réelle.
L’IA va amplifier les biais
Bas Hofstra et Anne Maaike Mulders de l’Université Radboud préviennent que cela n’est pas seulement le reflet de la réalité. Cela le façonne. Si les algorithmes servent les médecins masculins, le stéréotype se durcit.
L’intelligence artificielle ne fait qu’empirer les choses. Les modèles d’IA s’entraînent sur des images en ligne existantes. Si les données sources sont biaisées, la sortie l’est également. Nous risquons d’automatiser les inégalités. Les efforts en faveur de l’égalité des sexes sur le marché du travail pourraient être anéantis par un algorithme de boîte noire.
L’écran ment. Et nous continuons à chercher.
