数据女性主义

《数据女性主义》不是一本教人如何给算法补上“性别视角”的技术手册，而是一部关于知识生产权的政治方法论。Catherine D’Ignazio 与 Lauren F. Klein 从交叉性女性主义出发，拒绝把数据视为等待被发现的自然事实：一个数据集从提出问题、划定类别、选择样本，到清洗、可视化和发布，每一步都包含价值判断，也都由资金、机构权限和劳动分工所塑造。她们因此把数据科学最常见的自我神话倒转过来——真正需要被解释的，不只是模型为何产生偏差，而是谁取得了定义现实、衡量他人和决定何种损失值得计算的权力。

全书以七项原则组织论证：审视权力、挑战权力、重视情感与身体、重新思考二元分类和等级、拥抱多元知识、补回语境，以及让劳动可见。这七项原则并不是并列的道德愿望，而是一条相互咬合的工作链。若不先辨认谁控制基础设施，“参与式设计”很容易沦为咨询；若不质疑男女、正常/异常、合法/非法等分类本身，再精确的统计也只会把旧制度编码得更牢；若不说明数据由谁在什么条件下采集，所谓透明便只是展示结果而隐藏生产过程。

书中最有力量的转向，是把处于权力下方的人从“被研究对象”变成知识共同生产者。社区建立女性杀害档案、追踪驱逐和环境伤害、记录官方系统拒绝计数的经验，并不只是替国家补齐缺失数据；这些项目同时在争夺问题的命名权、证据的所有权和行动的时间表。由此看来，“缺乏数据”有时是制度性忽视，有时则是边缘群体为了避免监控而必须保留的不可见性。数据正义并不等于尽可能多地收集，而要在可见、可问责与免受捕捉之间作出政治判断。

D’Ignazio 与 Klein 对情感和身体的辩护，也修正了女性长期被排除于“客观知识”之外的历史。愤怒、哀悼、恐惧和照护经验不是污染分析的噪音，它们可能揭示变量设计尚未触及的伤害。与此同时，书中对可视化的讨论提醒读者：图表从来不只传递数量，它还安排观看距离、情绪强度和同理心的方向。承认身体性并非放弃证据，而是承认证据总由有位置、有风险且会受后果影响的人来解释。

“让劳动可见”则把批判推进到数据产业的物质基础。看似自动化的系统背后，有资料录入者、内容审核员、标注工、翻译者、社区联络者和被迫反复证明自身处境的当事人。主流叙事通常把功劳集中于模型、实验室或创始人，却把维护数据库、修正错误和承担心理创伤的劳动排除在创新史之外。这个分析把数据女性主义与社会再生产理论连接起来：只有看见谁在维持系统，才能讨论谁应获得资源、署名、决定权和拒绝工作的权利。

这本书的重要贡献还在于，它没有把女性主义简化为“关于女性的数据”。作者借助黑人女性主义、后殖民理论、酷儿与原住民知识传统，说明性别必须与种族、阶级、残障、殖民历史和地理位置一同进入分析。其开放获取和社区评议的出版过程，也试图让“知识不完整、需要多重视角修订”的原则落实到书本自身，而不只停留在对别人的要求上。这使它成为少见的、既批判数据科学又提供可操作词汇的跨领域文本。

不过，七项原则也可能在机构内部被改造成一张无害的合规清单：开一次共同设计工作坊、增加几个身份选项、公布一份模型卡，并不自动转移预算与决策权。书中许多案例来自北美的学术、公益和公民技术语境，对国家暴力更强、资料基础设施更薄弱或平台劳动高度外包的地区，需要结合当地政治重新解释。它对公共利益项目的重视也无法单独解决商业保密、知识产权和组织绩效如何持续奖励快速部署的问题。换言之，方法可以打开权力问题，却不能替代工会、监管、公共投资和社区所有权等制度斗争。

对 FemRes 读者而言，《数据女性主义》最适合作为一套反复使用的审查框架：面对健康统计、招聘系统、AI 生成内容、福利资格或治安预测时，不只问模型准不准，还要问问题是谁提出的、分类伤害了谁、缺失代表沉默还是拒绝、修正错误的劳动落在谁身上，以及受影响者能否否决系统。与算法压迫、设计正义、平台劳动和女性主义认识论作品并读，它提供的不是一个技术乐观答案，而是一种更难也更诚实的实践要求：数据工作若不改变权力关系，所谓“公平”只会成为权力更精致的界面。