Reimagining Data Work: Participatory Annotation Workshops as Feminist Practice
Dieser Artikel untersucht partizipative Annotationsworkshops als feministische Praxis, die durch den Einbezug von Journalist:innen und Aktivist:innen in die Datenarbeit hierarchisches Wissen aufbrechen, kontextuelle Pluralität durch „taktischen Konsens" handhabbar machen und Datenentwicklung als Raum für Solidarität und Fürsorge neu definieren.
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 vor, Sie wollen ein riesiges, intelligentes Kochbuch für eine KI (Künstliche Intelligenz) schreiben. Dieses Kochbuch soll der KI beibringen, wie man über ein sehr sensibles Thema spricht: Gewalt gegen Frauen.
Normalerweise passiert das so: Ein paar reiche Tech-Firmen in den USA oder Europa schreiben die Regeln, und dann beauftragen sie Tausende von unbekannten Menschen auf der ganzen Welt, diese Regeln stur abzuarbeiten. Diese Menschen bekommen wenig Geld, arbeiten isoliert in kleinen Kabinen und werden wie Roboter behandelt. Sie dürfen nicht diskutieren, ob die Regeln Sinn ergeben, sie müssen sie einfach nur abhaken.
Das Problem: Diese "Roboter-Arbeiter" kennen die lokalen Gebräuche, die kulturellen Nuancen und die wahren Gefühle hinter den Nachrichten nicht. Das Ergebnis ist ein Kochbuch, das oft schief liegt, Vorurteile verstärkt und die Menschen, um die es geht, nicht versteht.
Die Lösung in diesem Papier:
Eine Gruppe von Forscherinnen und Aktivistinnen aus Brasilien, Uruguay, den USA und Großbritannien hat sich gedacht: "Halt! Das müssen wir anders machen." Sie haben eine Reihe von Workshops organisiert, bei denen Journalisten, Aktivistinnen und Forscher gemeinsam an den Regeln für die KI gearbeitet haben.
Stellen Sie sich diese Workshops nicht wie eine langweilige Schulstunde vor, sondern wie ein großes, lebendiges Gemeinschaftskochen.
Hier ist, was sie getan haben, einfach erklärt:
1. Der "Taktische Konsens" (Das gemeinsame Kochrezept)
Stellen Sie sich vor, Sie wollen ein Gericht kochen, das jeder mag. Aber ein Koch aus Mexiko mag scharfe Chilis, ein Koch aus Deutschland mag es eher mild, und ein Koch aus Indien mag es mit ganz anderen Gewürzen.
- Das alte Problem: Wenn man versucht, ein einziges Rezept für die ganze Welt zu schreiben, wird es für alle schmecken wie Wasser – langweilig und ohne Charakter.
- Die neue Methode: Die Gruppe hat beschlossen, nicht sofort alles zu vereinheitlichen. Sie haben erst in kleinen Gruppen gearbeitet, die nach Sprache und Region getrennt waren (z. B. alle spanischsprachigen Teilnehmer aus Lateinamerika). Dort konnten sie tiefgründig diskutieren: "Wie nennen wir das hier? Was ist in unserem Land tabu?"
- Die Metapher: Sie haben erst in den kleinen Küchen gekocht, um das perfekte lokale Gericht zu finden, und haben dann versucht, diese verschiedenen Gerichte so zu kombinieren, dass sie zusammenpassen, ohne dass einer den Geschmack des anderen verliert. Das nennen sie einen "taktischen Konsens" – eine praktische Einigung, die für den Moment und den Ort funktioniert, ohne die Vielfalt zu zerstören.
2. Mehr als nur "Arbeitskräfte" (Die Gemeinschaft)
Normalerweise sind Daten-Arbeiter wie unsichtbare Zahnräder in einer Maschine. Wenn sie kaputtgehen (müde werden oder traurig sind), wird einfach ein neues Zahnrädchen eingesetzt.
- Die neue Methode: In diesen Workshops waren alle Teilnehmer Partner. Sie haben gemeinsam gelacht, gemeinsam geweint (weil die Nachrichten über Gewalt sehr traurig sind) und sich gegenseitig unterstützt.
- Die Metapher: Statt wie einsame Arbeiter in einer Fabrik zu sein, waren sie wie eine Familie beim Abendessen. Sie haben nicht nur gearbeitet, sondern sich auch um das Wohlbefinden der anderen gekümmert. Wenn jemand traurig war, gab es jemanden, der ihm ein Taschentuch reichte. Das nennt man "Fürsorge" (Care).
3. Geld und Wertschätzung (Die faire Bezahlung)
Oft wird gesagt: "Mach das doch aus Liebe zur Sache!" Aber Liebe zahlt keine Miete.
- Das Problem: Wenn man Menschen nur um ihre Zeit bittet, profitieren nur die Reichen, die es sich leisten können, unbezahlt zu arbeiten.
- Die neue Methode: Die Forscher haben die Teilnehmer fair bezahlt. Aber sie hatten auch eine schwierige Frage: Wie bezahlt man jemanden, der viel Zeit investiert hat, und jemanden, der nur ein bisschen Zeit hatte?
- Die Metapher: Sie haben nicht einfach nur "Geld für Arbeit" gezahlt wie in einem Supermarkt. Sie haben versucht, eine Balance zu finden: Eine Grundsumme für alle (weil jeder Zeit geopfert hat) und eine Extra-Summe für diejenigen, die besonders viel getan haben. Es war wie ein Festmahl, bei dem jeder etwas beiträgt, aber alle satt werden.
4. Die KI als Werkzeug, nicht als Herrscher
Am Anfang dachten alle: "Wir bauen eine KI, die uns hilft." Aber im Laufe der Workshops haben sie etwas Wichtiges gelernt.
- Die Erkenntnis: Manchmal ist die Frage gar nicht "Wie bauen wir die beste KI?", sondern "Brauchen wir überhaupt eine KI?"
- Die Metapher: Die Entwicklung der KI war wie ein Spiegel. Indem sie versucht haben, die KI zu bauen, haben sie gesehen, wie schwierig und wichtig die menschliche Arbeit ist. Vielleicht ist es besser, wenn Journalisten und Aktivistinnen einfach selbst weitermachen und die KI nur als kleines Hilfsmittel nutzen, statt sie zum Chef zu machen.
Zusammenfassung
Dieses Papier zeigt uns, dass wir KI nicht wie einen Computerchip bauen können, den man einfach in eine Fabrik schickt. Wir müssen sie wie einen Garten behandeln.
- Man kann einen Garten nicht erzwingen.
- Man muss die Pflanzen (die Daten) dort pflegen, wo sie wachsen (in ihrem kulturellen Kontext).
- Man muss mit den Gärtnerinnen (den Menschen) reden, nicht nur Befehle geben.
- Und manchmal muss man den Garten einfach nur bewundern, anstatt ihn in eine Maschine zu verwandeln.
Die Forscherinnen sagen: Wenn wir KI so entwickeln, wird sie nicht nur "klüger", sondern auch gerechter, menschlicher und fairer. Sie verwandeln die langweilige, ausbeuterische Arbeit des "Daten-Markierens" in eine gemeinsame Reise, auf der alle lernen und sich gegenseitig stärken.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.