林綠紅/不情願的被代理者與社會性別數據缺口:讀《被隱形的女性》

by 林綠紅

「美國詩人穆麗爾.魯凱澤(Muriel Rukeyser)的詩作〈神話〉(Myth)中,年老眼盲的伊底帕斯問斯芬克斯:『為什麼我認不出自己的母親?』斯芬克斯告訴他,當年她出謎題時,伊底帕斯回答的並非正確答案。當時她問,什麼會在早上用四腳走路,下午用兩隻腳,晚上用三隻腳走路,而伊底帕斯回答「人」。斯芬克斯解釋,『你完全沒提女人。』伊底帕斯抗議道:『人當然包括了女人,這是每個人都知道的事。』」(被隱形的女性,前言)

《被隱形的女性》作者Caroline Criado Perez 取自(@CCriadoPerez) | Twitter

當人們說「人」的時候,有時也包含女人嗎?

「人當然包含女人」這是真的嗎?顯然不是如此。卡洛琳.克里亞朵.佩雷茲(Caroline Criado Perez)在《被隱形的女性:從各式數據看女性受到的不公對待,消弭生活、職場、設計、醫療中的各種歧視》一書中,從公共設施、醫療、工作場所到天災後的重建等各個面向的數據回答這個問題,她稱之為「以男性代稱整體」的現象,而我們女人就是那群被隱形在人群中不情願的被代理者,儘管我們佔了一半的人口。Perez指出,根本問題在於「社會性別資訊缺口」(gender data gap),亦即相關的資料當中,女性被排除於基礎資料之外,這裡談的不是女性的生理性別,而是社會性別。

申言之,或許有許多生理女性、男性的統計,但是常欠缺以女性社會處境為視角,檢視社會生活中的諸多問題。當然,更多時候,其實連生理性別的分析都沒有。情況有多嚴重?比爾.蓋茲(Bill Gates)與梅琳達.蓋茲(Melinda Gates)夫婦於2019年發表的公開信,特別提到「數據可能包含性別歧視」、「與女性有關的數據非常稀少,如果不知道世界上另一半的人的情況、可能發生的變化,那麼就無法做出改善,阻礙社會發展。……這個困境不僅是女性資料稀少,甚至連數據本身都有瑕疵。」數據缺乏女性的資料,或者欠缺性別分析的數據,至今已經成為無法漠視的問題。

女人並不是標準的(病)人?

《被隱形的女性》一書探討的就是缺乏女性的資料,或者欠缺性別分析,讓女人隱形,看不見女性的需求,無法矯正性別偏誤造成的不公,更遑論建構對女人友善環境的現況。

缺乏女性的資料,看不見女性的需求,無法矯正性別偏誤造成的不公,更遑論建構對女人友善環境的現況。Photo by zhang kaiyv on Unsplash

以醫療領域為例,藥物研發、疾病研究,對女人視而不見的結果,參與臨床試驗的女性受試者代表性不足,後續於藥物劑量決定、有無療效的判斷上,自然就產生「男人代稱整體」的結果,亦即,如同本書提到的「就算研究中完全沒有半個女性參與,試驗結果卻被當作同時適用於兩性,以男性受試者的療效、劑量為藥物的使用標準。然而,近年來許多研究都發現,藥物的吸收、代謝與藥物動力其實有性別差異。以市場上常見的安眠藥–佐沛眠(Zolpidem)為例,學者研究發現,此藥物在女性的血液停留的時間較男性更長,導致服藥的女性第二天還昏昏沈沈,因而發生交通事故的案件大增,2013年美國FDA基於這些原因,建議此藥物用於女人身上,劑量應減半(參閱 台灣女人健網 )如果當時新藥臨床試驗時有足夠的女性受試者,且進行性別差異分析,眾多女性不需要等到藥物上市後,以自身安全作為代價,才發現原來此藥仿單上建議的劑量,對女性來說實在過重。

而在疾病的診斷治療上,《被隱形的女性》一書中也提到,標準病人其實是男人,而且是170公分白種男人。特別是,向來被視是「男性疾病」的心血管疾病。女人的心血管疾病的病徵與男性不相同,這「不典型」病徵,讓女性病患獲得確診的時間比男性晚許多。2014年美國的婦女團體女性健康報告中也提到,心血管疾病明明是美國女性主要的死因之一,但卻只有35%的臨床試驗受試者是女性,納入女性受試者的研究中僅31%於成果有進行性別分析。台灣則在台灣女人連線多年努力之下,女性的心血管疾病問題才受到關注。(參閱 終止心/血管健康的性別盲Go Red, Taiwn! 看見女人「心」
現況如此,未來會好轉嗎?我們似乎無法樂觀。特別是進入AI時代之後,數據的性別缺口、被隱形的女性數據,將會使現況的困境複製到未來。Perez在《被隱形的女性》一書提到「醫界的資料完美的呈現了長期的性別資料缺口,然而引進人工智慧協助診斷的同時,這些問題卻幾乎無人過問。這可能會造成大災難,事實上可能會致人於死地──特別是我們已經知道,機器學習(machine learning)會加深本已存在的偏誤。我們對人體的醫療知識過度偏重男性生理構造,而人工智慧的診斷不只可能醫不好女性病患,反而加劇她們的病況。」簡言之,如果女性數據繼續被隱形,醫療AI還是只會重複現況,將女人當成男人來醫治,新醫療科技的發展,將無法嘉惠女人的健康福祉。而AI在其他領域的運用,已有類似的例子可供參照,例如:以AI核發信用卡,同樣條件下,女人獲得的信用額度遠低男人,或女性求職者評分較低男性求職者等等。數據的偏誤或缺乏女性數據,從而複製了真實世界的性別盲。

讓這世界成為有女人也有男人的未來

要如何解決我們這群女人,佔了世界一半的人口,卻被視而不見的現況?《被隱形的女性》書末,提到矯正女人被隱形的問題,並不需要多困難的方法。「解決性別資料缺口的方法很明顯:我們必須先消除女性代表缺口。當更多的女性參與決策過程、學術研究、知識產業,女性就不會被人遺忘,女性的生活與觀點不再隱匿於陰影中。……事實上,答案一直都在我們面前,只是我們視而不見。『人們』所該做的只是張開口問問女人。」

以我國來說,1999年起,在當時行政院婦女權益促進委員會(行政院性別平等會前身)的要求下,參照其他先進國家的作法,開始建置性別統計,算是一個起點。雖然,離平等、友善的路還很長!或許,我們需要更多不被隱形的戰略與發聲!

延伸閱讀:

了解綠紅更多的斜槓閱讀

觀看次數:

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。