Waarom vrouwen vaak onzichtbaar zijn in de wetenschap

Vrouwen worden vaak vergeten in wetenschappelijke data. Dat kan ernstige gevolgen hebben voor de levens van ongeveer de helft van de mensheid. Caroline Criado Perez schreef hier een super interessant boek over dat precies aansluit op mijn onderzoek: de sociale kant van kennis.

13 augustus 2020

Kennis komt niet kant en klaar uit de lucht vallen, maar wordt beïnvloed door allerlei sociale factoren. Wetenschap streeft er naar zo objectief mogelijke kennis te vergaren over de wereld om ons heen. Dat is bijvoorbeeld nodig voor het maken van goede medicijnen.

Veel wetenschappers gebruiken daarvoor data: medische data, historische data, financiële data, noem maar op. Maar de data die wordt gebruikt is vaak niet zo neutraal. Eén van de oorzaken hiervan zijn cognitieve vooroordelen, waarvan ieder mens er wel een paar heeft. Cognitieve vooroordelen (biases) zijn structurele denkfouten die we maken als we informatie verwerken en beslissingen maken. Veel mensen zijn bijvoorbeeld geneigd om informatie die hun eigen mening bevestigt veel serieuzer te nemen dan informatie die daarvan afwijkt. Als je denkt dat een mondmasker dragen weinig zin heeft bij het bestrijden van covid-19, zal je informatie die dit idee bevestigt sneller als bewijs accepteren dan informatie die je mening tegenspreekt.

Zulke biases in wetenschappelijke data kunnen grote gevolgen hebben. Wetenschappers zijn zich hiervan bewust. Experimenten worden vaak zo ontworpen dat de invloed van bepaalde cognitieve biases zo klein mogelijk is. Bijvoorbeeld door er voor te zorgen dat vrijwel niemand weet wie van de testpersonen een placebo (een nepmedicijn) heeft genomen en welke testpersonen het echte medicijn hebben geslikt.

Onzichtbare vrouwen

Maar, wat als je een belangrijke bias over het hoofd ziet? De keuzes die wetenschappers maken bij het verzamelen van data blijven mensenwerk. En mensen hebben cognitieve vooroordelen. Een van die biases is het zien van ‘de man’ als de standaard-mens. Dit noem je de gender bias. Dat betekent dat de man vaak wordt gezien als de standaard en de vrouw als uitzondering. Veel datasets bestaan uit informatie over voornamelijk mannen. Medicatie wordt bijvoorbeeld vooral op mannen getest. Omdat vrouwen anders zijn, kan dit ernstige gevolgen hebben.

Caroline Criado Perez schreef hier een heel toegankelijk en interessant boek over: Invisible Women – Exposing Data Bias in a World Designed for Men. In het Nederlands vertaald als: Onzichtbare Vrouwen. In dit boek laat ze aan de hand van talloze voorbeelden zien wat de gevolgen van deze gender bias zijn voor vrouwen op allerlei vlakken in het leven. Twee voorbeelden zijn me in het bijzonder bijgebleven.

Vrouwenlichamen zijn anders

Veel hart- en vaatmedicatie is voornamelijk op mannen is getest. Daardoor is er een flinke kennisachterstand over de werking van deze medicatie op vrouwen. Kortom: we weten wel wat er met een man gebeurt die een hartaanval krijgt en hoe je daar met medicijnen op inspringt. Maar wat nu als je als vrouw een haperend hart hebt? Bij welke medicijnen heb je dan baat? Dat is veel minder goed onderzocht. Vrouwen hebben meer last van bijwerkingen van bepaalde medicatie en het is maar de vraag of sommige medicatie voor vrouwen wel werkt.

Vrouwenlichamen zijn namelijk anders: ze hebben bijvoorbeeld andere hormonen dan mannen, zijn vaak minder groot en hebben in verhouding meer vet. Een verdere kennisachterstand voorkom je door meer op vrouwen te testen en beter te kijken naar de verschillende effecten van medicatie op mannen en vrouwen.

in crashtests voor auto’s wordt vrijwel altijd een dummy met een mannenlichaam gebruikt.
Thirza Lagewaard voor NEMO Kennislink

Ernstig gewond

Een ander voorbeeld van een gender data-gap met ernstige gevolgen: in crashtests voor auto’s wordt vrijwel altijd een dummy met een mannenlichaam gebruikt. Omdat vrouwenlichamen anders zijn loop je als vrouw ongeveer 50% meer kans om ernstig gewond te raken bij een auto-ongeluk. Doordat vrouwen bijvoorbeeld gemiddeld korter zijn, zitten ze meer naar voren in de auto en dat is niet de ‘standaard positie’ waarop is getest. En als er wel met een vrouwelijke dummy wordt getest, zit die dummy vaak in de passagiersstoel. Alsof vrouwen nooit achter het stuur zitten. Wil je hier meer over weten? Bekijk dan het onderstaande (vrij technische) Tedx filmpje over de ontwikkeling van de eerste ‘vrouwelijke’ crash dummy.

De sociale kant van kennis

 Wetenschappers doen dit niet expres. Het is echter wel iets om rekening mee te houden bij het verzamelen van data. Want alleen met betere data doe je betere kennis op. Alhoewel er dus al wel meer onderzoek wordt gedaan naar hoe mannen en vrouwen op medicijnen reageren en automerken ‘vrouwelijke’ dummy’s testen, gaan dit soort veranderingen heel langzaam. De gender bias heeft nog steeds veel invloed op ons leven.

De gender bias is één voorbeeld van hoe vooroordelen invloed hebben op wat we weten over de wereld om ons heen. Als je nog tijd hebt deze zomer, ga dan vooral dit boek lezen. Of luister hier naar een podcast over het boek. Het heeft mij weer een stukje verder gebracht in mijn onderzoek in de sociale epistemologie. Ik hoop dat mijn onderzoek en dit soort boeken bijdragen aan het bewustzijn (binnen en buiten de wetenschap) dat data is beïnvloed door allerlei niet-wetenschappelijke invloeden en dat dit ernstige gevolgen kan hebben voor echte mensen. Want als je als vrouw een hartaanval of een auto-ongeluk krijgt, hoop je natuurlijk dat de wetenschap weet hoe je zo snel mogelijk beter wordt of zo min mogelijk schade oploopt.