Állítsd be Google keresőjét, hogy a találatok között biztos ott legyen a Dívány!
Ha nagyon összeszedem magam, pár tucat regényt tudok elolvasni egy évben. Viszont gyakran fantáziálok arról, hogy sok ezer irodalmi mű megismerésével mennyivel komplexebben láthatnám a világot. Egy nemrég publikált tanulmány szerint ez nem feltétlenül lenne így. Egy gép ugyanis 3,5 millió könyv feldolgozását követően bizonyos szempontból nem bölcsebbé vált, csak rettentően előítéletessé.
A nyelv genderszempontú elemzése régóta tudományos érdeklődés tárgyát képezi: vizsgálják például a férfi és női filmszereplők által használt szavak különbözőségeit, vagy hogy milyen kifejezésekkel jellemzik a különböző nemű politikusokat a médiában. 2019 májusában azonban egy olyan kutatás látott napvilágot, amely minden eddiginél nagyobb mennyiségű adathalmazzal dolgozott.
Alexander Hoyle és csapatának elemzései rendhagyó módon összesen 3,5 millió, 1900 és 2008 között kiadott angol nyelvű könyvre terjedtek ki. A művek között éppúgy voltak szépirodalmi alkotások, mint ismeretterjesztő munkák. Összesen 11 milliárd szót analizáltak a tudósok. Először kigyűjtötték a nemre specifikus főneveket (például lány, nővér, tanárnő, stewardess), majd megvizsgálták a hozzájuk kapcsolódó jelzőket. Mondhatni irgalmatlanul tanulságos eredményeket kaptak.
#1 Ha nőről van szó, még mindig csak a külső számít
Szép, bájos, szűzies, gyönyörű, termékeny, szépséges, szexi, ízléses. Íme a nők leírására szolgáló 8 leggyakrabban alkalmazott melléknév, sorrendben. „Statisztikailag is képesek voltunk megerősíteni azt a széles körben elterjedt megfigyelést, hogy a nők leírására szolgáló jellemzés lényegesen gyakrabban tartalmaz a megjelenésükre vonatkozó elemeket, mint a férfiaké” – nyilatkozta a Világgazdasági Fórum újságírójának Isabelle Augenstein, a Koppenhágai Egyetem Komputertudományi Karának munkatársa.
A cikkből az is kiderül, hogy a testre és külalakra vonatkozó negatív kifejezések 5-ször, a pozitívak pedig 2-szer gyakrabban jelennek meg a nőkről, mint a férfiakról szóló leírásokban. Ezzel szemben a férfiakat inkább a tetteik és a személyes kvalitásaik alapján mutatják be az alkotások.
#2 A férfi az igazság bajnoka, az erkölcs megtestesítője
A szűziesen szexi, csodaszép nők mellett megjelennek a mély etikai dilemmákkal viaskodó férfiak is, az igazi szellemóriások. Esetükben a következő melléknevekkel lehet találkozni az előfordulási gyakoriságuk sorrendjében: igazságos, becsületes, tisztességes, racionális, békeszerető, bámulatos, méltóságos, megbízható, bűntelen, tiszteletreméltó. Csupa olyan kifejezés, ami nem a külsőhöz, hanem a belső értékekhez, az észhez, a hatalomhoz és a társadalmi hierarchiában betöltött magasabb státuszhoz kapcsolható.
#3 Dübörög a női princípium
A kutatás eredményei között bőven találunk még olyan finomságokat, amelyeket ízlelgetve konzervatív politikusaink és sztárjaink is megnyalnák mind a tíz ujjukat. A nők 11 legnegatívabb tulajdonsága közé tartozik például, ha meddők (3. helyen) vagy férjezetlenek (7. helyen). Itt már észvesztő sebességgel szárnyalunk a Kövér László-i magasságok felé! Persze egy nővel mégiscsak az a legnagyobb baj, ha túl sokat szexel, azaz feslett (1. helyen,) vagy ha túl keveset, azaz kezeletlen (2. helyen). A szépségideálnak való megfeleléssel sem szabad túlzásokba esni, mert ahogy egy lónál, úgy az „asszonyállatnál” is baj, ha sovány (8. helyen) vagy alultáplált (9. helyen). A zsémbes (4. helyen) és zsörtölődő (11. helyen) nőtől aztán végképp mentsen meg minden jóravaló férfit az ég. Minek egy nőnek saját akarat?
#4 A férfiakban egy vadember lakik
A nyers ösztöneivel szembeszálló férfi problematikája a negatív tulajdonságok listájából is kirajzolódni látszik. A felsorolásban olyan jelzők szerepelnek, mint törvényellenes (3. helyen), állatias (5. helyen), brutális (11. helyen). Más melléknevek a munkaképesség hiányához kapcsolhatók: egy igazi férfi ne legyen alkalmatlan (1. helyen) és tétlen (6. helyen). Ha az erkölcsi iránytűje elromlik, akkor könnyen bigottá (9. helyen) vagy igazságtalanná (10. helyen) válhat. Készüljön fel minden eshetőségre, sose menjen fegyvertelenül (7. helyen) a csatába. Semmi esetre se sérüljön meg (8. helyen) soha semmiben. Ha mégis előfordulna ilyen, véletlenül se mutassa ki senkinek, segítséget meg pláne ne merészeljen kérni, az nagyon buzis. A fiúk nem sírnak, katonadolog, legyen benned tartás, kisapám.
#5 Ezek olyan régi könyvek. Mi a baj velük?
Mondhatnánk, hogy a kutatásban szereplő könyvek közül sok több évtizede íródott, amikor még más szelek fújtak. A probléma csak az, hogy ezek az alkotások még ma is aktív hatást fejtenek ki nemcsak az olvasókra, de a technológia fejlődésére is. Ilyen szövegeket táplálnak be ugyanis azokba az algoritmusokba, amelyeket az emberi nyelv elsajátítására tanítanak. Később ezeket az algoritmusokat használják fel például arra, hogy az okostelefonok megértsék a beszédet, vagy a Google keresőszavakat tudjon ajánlani az internetezőknek.
#6 Elsajátítható-e az emberi nyelv a benne rejlő előítéletek nélkül?
Az algoritmusok úgy működnek, hogy többszörösen visszatérő mintázatokat igyekeznek azonosítani a szóhasználatban. Amikor ilyen fordulatokkal találkoznak, akkor igaznak észlelik ezeket az információkat, majd elraktározzák őket. Gyakorlatilag az történik, hogy nemcsak a nyelvünket sajátítja el a mesterséges intelligencia, hanem az előítéleteinket is. A társadalmi egyenlőtlenségek átszivárognak az ember által létrehozott technológiába, ami aztán visszahatva tovább mélyíti az egyes csoportok közötti hatalmi különbségeket a való életben. Amikor például nagyvállalatok a munkaközvetítő oldalakon informatikai rendszerek alapján végeznek szűréseket az önéletrajzok között, akkor a nemi sztereotípiákat tükröző nyelvhasználat már azt is befolyásolni fogja, hogy egyáltalán kikhez jut el az állás megpályázására vonatkozó felhívás.
Isabelle Augenstein szerint azonban három megoldással is ki lehet küszöbölni ezeket a hibákat: ha az algoritmusok fejlesztésénél eleve kevésbé előítéletes szövegeket használunk, vagy megtanítjuk a technológiát ezek ignorálására, illetve ellensúlyozására.
#7 Az elfogadás fejlesztése részben „visszatanulási” folyamat
A mesterséges intelligencia fentebb leírt tanulási íve mindannyiunk számára ismerős lehet, akik elköteleződtünk az egyenlőség, az elfogadás, a szolidaritás értékei mellett. A nyelvelsajátításunk, illetve a tanulmányaink során sokunkat válogatatlanul és reflektálatlanul értek különböző impulzusok. A népmesékből, a mondókákból, a viccekből úgy tanultuk meg, hogy hol van a nők, a melegek vagy éppen a zsidók helye a társadalomban, hogy gyakorlatilag észre sem vettük. A magyarórákon Szabó Magda és Nemes Nagy Ágnes művein kívül elvétve találkoztunk olyan irodalmi alkotásokkal, amik nem cisznemű, heteroszexuális, fehér, középosztálybeli, nyugati férfiak gondolatait közölték a világról, de ezen gyerekkorunkban láthatólag senki sem akadt fenn.
Aztán felnősz és csak azt érzed, hogy valami zavarni kezd. Először csak egy-egy kifejezés. Később nem bírod végignézni azokat a vígjátékokat, amiken egykor te is nevettél. Kiakadsz egy-egy családi és baráti beszélgetésen, újságcikken, Facebook-kommenten. Majd rájössz, hogy a könyvek szerzői manapság is gyakran olyan előfeltevésekkel dolgoznak, amelyek számodra már vállalhatatlanok, amiket komoly erőfeszítések árán elkezdtél lebontani magadban, mert egyes embereket jogtalan előnyökhöz, míg másokat szisztematikus hátrányokhoz juttatnak.
#8 Egy rendszerkritikus elme három választása
Az elnyomás mechanizmusait érzékelni képes tudattal élni a folyamatos diszkomfort állapota egy alapvetően előítéletes világban. Izgalmas módon ilyenkor kb. ugyanazt tudod tenni, mint az Augenstein által említett algoritmus. Elkezdhetsz más típusú szövegeket betáplálni a rendszeredbe: például azzal, hogy aktívan keresed a kisebbségi csoportokhoz tartozó írók munkáit, megválogatod a barátaidat, stb. Megtanulhatod azt is, hogy miként tudsz ignorálni dolgokat. Nem biztos, hogy minden kontextusban ugrani kell az előítéletes szóhasználatra. Előfordulhat, hogy energiát szeretnél spórolni, vagy te szeretnél tanulni valamit a másiktól, így igyekszel figyelmen kívül hagyni a mondandójának azokat a részeit, amikben nem egyezik az értékrendetek. Persze vannak olyan helyzetek is, amikben nagyon fontos ellensúlyozni az előítéletességet. Amikor ki kell állni másokért, amikor meg kell törni a csendet. Ha a nyelvbe mélyen bele is vannak kódolva a társadalmi igazságtalanságok, mi döntjük el, hogy mihez kezdünk velük.
