The crime of being poor
Diese Arbeit nutzt Natural Language Processing auf Twitter-Daten, um die gesellschaftliche Voreingenommenheit zu quantifizieren und zu analysieren, welche Armut fälschlicherweise mit Kriminalität assoziiert, über acht englischsprachige Länder hinweg, wobei sie aufzeigt, dass diese Wahrnehmung durch kulturelle Faktoren statt durch tatsächliche Kriminalitätsraten getrieben wird und nahelegt, dass die Adressierung dieser kollektiven Voreingenommenheit für eine effektive Armutsbekämpfungspolitik unerlässlich ist.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Gesellschaft als einen riesigen, lärmenden Marktplatz vor, auf dem jeder seine Gedanken herausbrüllt. Seit langem argumentieren Menschen, dass Armut wie ein Verbrechen behandelt wird, selbst wenn kein Gesetz gebrochen wurde. Dieses Paper fungiert wie ein digitaler Detektiv, der auf diesem Marktplatz (speziell auf Twitter) lauscht, um zu sehen, ob die Menschen tatsächlich öfter darüber schreien, dass die Armen Kriminelle sind, als sie darüber schreien, dass die Reichen es sind.
Hier ist die Geschichte dessen, was sie herausgefunden haben, einfach aufgeschlüsselt:
Die große Frage
Die Autoren wollten wissen: Glauben Menschen in verschiedenen Ländern insgeheim, dass Armut einen zum Kriminellen macht?
Sie wussten, dass Statistiken in der realen Welt nicht wirklich beweisen, dass arme Menschen insgesamt mehr Verbrechen begehen. Aber sie vermuteten, dass diese beiden Ideen in den Köpchen der Menschen wie durch Magnete fest miteinander verbunden sind. Sie nennen dies „die Kriminalisierung der Armut“.
Wie sie das Rätsel lösten
Anstatt die Menschen direkt zu fragen (was schwierig sein kann, da Menschen lügen oder ihre wahren Gefühle verbergen könnten), nutzten die Forscher ein Computerwerkzeug namens Natural Language Processing (NLP). Stellen Sie sich das wie einen superintelligenten Roboter vor, der Millionen von Sätzen lesen und die „Vibe“ oder die Bedeutung dahinter verstehen kann.
- Die Sammlung: Sie sammelten über 3 Millionen Sätze von Twitter zwischen August und November 2022.
- Das Sortieren: Sie teilten diese Sätze in zwei große Stapel auf:
- Stapel A: Sätze, die über „arme“, „obdachlose“ oder „einkommensschwache“ Menschen sprechen.
- Stapel B: Sätze, die über „reiche“, „wohlhabende“ oder „Eliten“ sprechen.
- Die Suche: Sie suchten in beiden Stapeln nach „Kriminalitäts-Wörtern“ (wie Gefängnis, Polizei, kriminell, Festnahme).
- Die Bewertung: Sie erstellten einen Score namens Crime-Poverty-Bias (CPB).
- Wenn der „Armen“-Stapel viel mehr Kriminalitäts-Wörter enthielt als der „Reichen“-Stapel, stieg der Score.
- Wenn die Scores ähnlich waren, war der Bias niedrig.
Was sie herausfanden
Sie untersuchten acht englischsprachige Länder: die USA, das Vereinigte Königreich, Kanada, Indien, Nigeria, Australien, Südafrika und Kenia.
- Der Gewinner (oder Verlierer?): Die Vereinigten Staaten hatten den höchsten Bias. In amerikanischen Tweets war die Wahrscheinlichkeit, dass Menschen „arme Menschen“ mit „Kriminalität“ verknüpfen, viel höher, als dass sie „reiche Menschen“ mit „Kriminalität“ verknüpften.
- Die Überraschung: Man könnte denken, dass Länder mit hoher Armut oder hoher Arbeitslosigkeit den höchsten Bias hätten. Aber das war nicht der Fall.
- Südafrika und Kenia haben viel höhere Raten an Armut und Arbeitslosigkeit als die USA, doch ihre „Bias-Scores“ waren viel niedriger.
- Die USA hatten niedrigere Armuts- und Arbeitslosenraten als Südafrika, aber einen viel höheren Bias-Score.
Das „Warum“ hinter den Zahlen
Die Autoren legen nahe, dass der Grund für einen so starken Bias in den USA nicht darin liegt, dass die Kriminalität dort tatsächlich höher ist. Stattdessen könnte es an einer spezifischen Geschichte liegen, die sich Amerikaner selbst erzählen: „Das Land der Möglichkeiten.“
Stellen Sie sich ein Rennen vor, bei dem jedem gesagt wird: „Wenn du nur hart genug rennst, kannst du gewinnen.“ In dieser Geschichte ist es, wenn man am Fuße des Hügels steht, die eigene Schuld, wenn man nicht hart genug rennt. Diese Denkweise lässt Menschen denken: „Wenn du arm bist, musst du faul oder unehrlich sein.“
In Ländern wie den USA und Kanada glauben die Menschen oft, dass jeder die gleiche Chance hat, erfolgreich zu sein. Wenn dieser Glaube stark ist, die Realität aber zeigt, dass arme Menschen in der Armut feststecken, werden die Menschen frustriert und geben den Armen die Schuld. Sie fangen an zu denken: „Sie sind nicht arm, weil das System kaputt ist; sie sind arm, weil sie schlechte Menschen sind.“
Warum das wichtig ist
Das Paper argumentiert, dass diese „mentale Verknüpfung“ zwischen Armut und Kriminalität gefährlich ist.
- Der Teufelskreis: Wenn Menschen glauben, dass die Armen Kriminelle sind, werden sie ihnen nicht helfen wollen. Sie werden sogar Gesetze unterstützen, die die Armen bestrafen (wie etwa Obdachlose dafür zu bestrafen, auf der Straße zu schlafen).
- Die politische Blockade: Wenn die Öffentlichkeit glaubt, dass die Armen „unwürdig“ oder „kriminell“ sind, wird es für Regierungen sehr schwer, Gesetze zu verabschieden, die tatsächlich helfen, Armut zu reduzieren.
Das Fazit
Dieses Paper sagt nicht, dass Armut Kriminalität verursacht. Es sagt, dass der Glaube der Gesellschaft, dass Armut Kriminalität verursacht, ein echtes Problem ist.
Indem sie KI nutzten, um darauf zu hören, was die Menschen online sagen, zeigten die Autoren, dass dieser Bias in Ländern, die sich auf „Chancengleichheit“ berufen, am stärksten ausgeprägt ist. Sie schlagen vor, dass wir, um Armut zu bekämpfen, nicht nur den Armen Geld geben können, sondern auch die Art und Weise ändern müssen, wie die Gesellschaft über sie denkt. Wir müssen aufhören, Armut in unserem kollektiven Bewusstsein wie ein Verbrechen zu behandeln.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.