A scoping review of gender bias in digital occupational health management

Imagina el lugar de trabajo como un mundo de videojuegos gigante y bullicioso donde todos intentan mantenerse sanos y felices mientras juegan. En años recientes, los "maestros del juego" (las empresas y los expertos en salud) han comenzado a usar herramientas digitales superinteligentes —como aplicaciones, dispositivos vestibles y programas informáticos— para ayudar a los jugadores a gestionar su salud. Esto se llama Gestión de la Salud Ocupacional. Piensa en esto como un entrenador digital que registra tus pasos, te recuerda estirarte o te sugiere un descanso cuando has estado mirando una pantalla demasiado tiempo. La idea es que estos entrenadores digitales pueden ser super eficientes y hechos a la medida de cada jugador. Sin embargo, hay un truco: si el entrenador fue construido usando un libro de reglas que solo miró a la mitad de los jugadores, o si el cerebro del entrenador (el algoritmo) fue entrenado con datos viejos e incompletos, podría dar consejos que funcionan de maravilla para algunos pero que dejan atrás a otros. Este es el problema del sesgo de género: cuando un sistema accidentalmente trata a hombres y mujeres de manera diferente de forma injusta, a menudo porque no "ve" la imagen completa de cómo sus vidas y cuerpos son realmente diferentes.

Ahora, hagamos un zoom en un nuevo estudio que actúa como un detective, cazando exactamente dónde están fallando estos entrenadores de salud digitales. Los investigadores no solo adivinaron; se fueron en una búsqueda masiva de tesoros, buscando a través de bases de datos e informes oficiales para encontrar 62 piezas diferentes de evidencia. Buscaban las formas específicas en las que estas herramientas digitales no dan la talla en lo que respecta al género.

Lo que encontraron fue una colección de cinco trampas escurridizas que pueden hacer tropezar al sistema. Primero, está la brecha de datos de género. Imagina intentar hornear un pastel para toda una multitud, pero solo tienes una receta que enumera ingredientes para niños. Podrías terminar con un pastel que sabe raro o que no funciona para las niñas porque a la receta le faltaban la mitad de los ingredientes. En el mundo digital, esto significa que las computadoras están tomando decisiones basadas en datos que no incluyen suficiente información sobre las mujeres.

Segundo, hay un sesgo algorítmico. Esto es como un robot árbitro que aprendió las reglas del juego de un entrenador sesgado. Incluso si el robot intenta ser justo, sigue haciendo las mismas llamadas injustas porque fue enseñado a ver el mundo a través de una lente estrecha.

Tercero, el estudio señala la brecha de salud de género. Esto no se trata de la computadora; se trata de la vida real. Los hombres y las mujeres a menudo cargan con diferentes "mochilas" de estrés laboral y cargas físicas. Si el entrenador digital no sabe que una mochila es más pesada o tiene una forma diferente, no puede ayudar al jugador a cargarla correctamente.

Cuarto, está la brecha digital de género. Esto es simplemente sobre quién tiene acceso al control. Si algunas personas no tienen acceso a la última tecnología o no se sienten cómodas usándola, el entrenador de salud digital nunca llega a ayudarlas en primer lugar.

Finalmente, los investigadores detectaron la paradoja de la salud de género. Esta es una situación confusa donde un grupo puede parecer más enfermo en el papel (más reportes de dolor o cansancio) pero en realidad vive más tiempo, mientras que otro grupo parece más sano pero tiene un mayor riesgo de problemas graves. Es un misterio que las herramientas digitales a menudo no logran resolver porque miran los números de forma demasiado simple.

El artículo sugiere que, debido a estas cinco trampas, las medidas de salud digitales a menudo pasan por alto las necesidades específicas de diferentes géneros. Los autores no están diciendo que la tecnología esté rota para siempre, sino que están advirtiendo que no podemos simplemente encenderla y esperar lo mejor. En su lugar, recomiendan una actualización importante: necesitamos asegurarnos de que la "transversalidad de género" (pensar en el género en cada paso del proceso) y la "interseccionalidad" (comprender cómo las diferentes partes de la identidad de una persona se mezclan) se incorporen al sistema desde el principio. Solo reparando la receta, entrenando mejor al robot árbitro y asegurándonos de que todos tengan un control, podremos construir un mundo de salud digital que funcione para todos.