We zien brandweerlieden nog steeds als mannen en verpleegsters als vrouwen. De mentale archiefkast voor beroepen heeft de realiteit nog niet ingehaald. Natuurlijk kun je mannelijke verpleegsters en vrouwelijke artsen vinden. We praten over het breken van deze dozen. De maatschappij probeert de naald te duwen. Maar een nieuwe studie suggereert dat iets ons achteruit zou kunnen slepen. Online zoeken naar afbeeldingen. Het zou jaren van vooruitgang teniet kunnen doen.
Waarom doet dit er toe? Het probleem is niet alleen verouderde foto’s. Het gaat over wat die foto’s voor jonge mensen betekenen. Wanneer we standaard een geslacht aan een baan toekennen, creëren we onzichtbare barrières. Een meisje dat graag dingen bouwt, vermijdt misschien het timmerwerk omdat de afbeeldingen online alleen mannen tonen. Een jongen die graag voor mensen zorgt, zou de ouderenzorg kunnen vermijden. Hij is misschien bang dat hij er te zacht uitziet. Te onmannelijk.
De mentale snelkoppeling
Onze hersenen houden van patronen. Ze hunkeren naar snelkoppelingen. We zien een brandend gebouw. Wij stellen ons een man voor in uitrukkleding. We zien een huilend kind. We stellen ons een vrouw in scrubs voor. Het is een automatische koppeling. Niet altijd accuraat. Maar diepgeworteld.
Sommige banen worden nog steeds gedomineerd door één geslacht. Automotive-mechatronica leunt zwaar op mannen. Medische praktijkassistenten leunen zwaar vrouwelijk. De gegevens ondersteunen het stereotype. Maar het stereotype beperkt ook de gegevens. Het creëert een feedbacklus. We zien mannen hun werk doen. We gaan ervan uit dat het een mannenwerk is. Wij huren mannen in. We tonen afbeeldingen van mannen. De lus wordt strakker.
Dit gaat niet alleen over eerlijkheid. Het gaat over verspild potentieel. Getalenteerde handen worden buitenspel gezet. Empathische geesten worden eruit gefilterd. De kosten zijn reëel.
Waar online zoeken ons faalt
Denk eens aan uw laatste Google Afbeeldingen-zoekopdracht. Je typte ‘dokter’. Wat is er opgedoken? Waarschijnlijk een man in een witte jas. Je typte ‘verpleegster’. Waarschijnlijk een vrouw. Zelfs als u op zoek bent naar een vrouwelijke arts, kan het algoritme nog steeds prioriteit geven aan door mannen gecodeerde afbeeldingen. Het leert van waar we op klikken. En waar we op klikken, wordt gevormd door wat we al geloven.
Dit is waar het zoeken naar afbeeldingen fout gaat. Het weerspiegelt vooringenomenheid in plaats van deze te corrigeren. Het versterkt de status quo. Voor studenten die een carrièrepad kiezen, fungeren deze beelden als poortwachters. Ze fluisteren: Dit is niet voor jou.
Het risico is subtiel. Het is geen dichtgeslagen deur. Het is een gesloten gordijn. Jonge mensen kloppen misschien niet eens aan. Ze gaan ervan uit dat de kamer vol is. Of erger nog, dat ze niet welkom zijn.
De AI-complicatie
Voeg nu kunstmatige intelligentie toe aan de mix. AI-beeldgeneratoren. Ze trainen op enorme datasets. Meestal van internet geplukt. Het internet staat vol met gendergerelateerde afbeeldingen. De AI leert die patronen. Het reproduceert ze. Sneller. Goedkoper. Op schaal.
Als je een AI vraagt om ‘een foto van een bouwvakker te genereren’, kan het zijn dat het standaard een man betreft. Vraag naar ‘leraar’ en het kan standaard een vrouw zijn. Niet omdat constructie inherent mannelijk is. Niet omdat lesgeven inherent vrouwelijk is. Maar omdat de trainingsgegevens dat zeggen.
Dit maakt het probleem erger. Het laat ons niet alleen zien wat er al bestaat. Het creëert nieuwe bevooroordeelde afbeeldingen. Afbeeldingen die er realistisch uitzien. Beelden die gezaghebbend aanvoelen. Ze integreren stereotypen in het weefsel van digitale inhoud. Voordat we het zelfs maar merken.
Waarom het doorbreken van de mal belangrijk is
Laten we eens kijken naar de
Vooringenomenheid bij het zoeken naar afbeeldingen versterkt genderstereotypen
Scholen proberen dit op te lossen. Loopbaanadviseurs gebruiken charismatische rolmodellen in niet-traditionele rollen om barrières te slechten. Geslachtsneutrale taal zoals ‘dokter’ of ‘dokter*’ heeft tot doel de hersenen te dwingen zowel mannen als vrouwen voor te stellen.
Het werkt niet op visueel gebied. Een nieuwe studie bevestigt dat online zoekopdrachten naar afbeeldingen nog steeds sterk vertekend zijn door genderstereotypen. Zoek op ‘dokter’ en je krijgt een man met een witte jas. Statistisch gezien zijn mannen en vrouwen gelijk in het veld. Het algoritme maakt het niets uit.
Dit is geen grammaticafout. In het Engels heeft ‘doctor’ geen genderaanduiding. Toch worden ‘dokterbeelden’ nog steeds door mannen gedomineerd. Het onderzoeksteam heeft dit bewezen via Google Afbeeldingen, Wikipedia en de Internet Movie Database (IMDb). Zet het op “model” en mannen verdwijnen.
Tekst is eerlijker. Afbeeldingen zijn dat niet.
Nieuwsartikelen zijn verrassend evenwichtig. Google Nieuws toonde in slechts 56% van de teksten een oververtegenwoordiging van mannen aan. Afbeeldingen? 62%. We scrollen langs de tekst. Wij staren naar beelden.
“Jaar na jaar besteden mensen minder tijd aan lezen en meer tijd aan het kijken naar foto’s.”
Visuele beelden blijven hangen. In een vervolgexperiment hadden proefpersonen die naar vacatures zochten drie dagen later sterkere gendervooroordelen dan degenen die artikelen lazen. De mentale afdruk is dieper. De feedbackloop is reëel.
AI zal de vooringenomenheid versterken
Bas Hofstra en Anne Maaike Mulders van de Radboud Universiteit waarschuwen dat dit niet alleen een weerspiegeling is van de werkelijkheid. Het vormt het. Als algoritmen mannelijke artsen dienen, verhardt het stereotype.
Kunstmatige intelligentie maakt het nog erger. AI-modellen trainen op bestaande online afbeeldingen. Als de brongegevens vertekend zijn, is de uitvoer dat ook. We riskeren de ongelijkheid te automatiseren. Inspanningen op het gebied van gendergelijkheid op de arbeidsmarkt kunnen teniet worden gedaan door een black box-algoritme.
Het scherm liegt. En wij blijven zoeken.
