Wie man mehr Frauen für die Datenwissenschaft gewinnt
Warum ist Ihrer Meinung nach Vielfalt in der Datenwissenschaft wichtig?
Christian Hopp: Ganz allgemein: Warum sollte jemand meinen, dass Diversität in der Data Science nicht wichtig sein sollte? Wenn man zum Beispiel ein ausgewogenes Verhältnis zwischen den Geschlechtern oder eine gleichberechtigte Vertretung von Minderheiten in der Datenwissenschaft anstrebt, bedeutet das, dass man den Talentpool voll ausschöpft und die Chancen gerecht verteilt. Die Entwicklung von Software, Algorithmen oder allgemeiner von Technologien ist in erster Linie ein interaktiver Prozess, an dem verschiedene Akteure beteiligt sind und bei dem Kommunikation und Zusammenarbeit dazu beitragen, verschiedene Wissensgrundlagen zu kombinieren. Um das Potenzial der Datenwissenschaft voll auszuschöpfen, ist es daher von entscheidender Bedeutung, Personen mit unterschiedlichem Hintergrund (Geschlecht, ethnische Zugehörigkeit, Alter, sozioökonomischer Hintergrund usw.) einzubeziehen.
Vielfalt erweitert den Suchhorizont, sie trägt dazu bei, Produkte und Dienstleistungsangebote zu entwickeln, die verantwortungsvoller, ethischer und sozialverträglicher sind.
Vielfalt erweitert den Suchhorizont und kann dazu beitragen, verantwortungsvollere, ethischere und sozialverträglichere Produkte und Dienstleistungsangebote zu entwickeln. Wenn der Prozess selbst inklusiver ist, werden es auch die entwickelten Endlösungen sein. Dies kann so weit gehen, dass KI-Anwendungen weniger rassistisch sind oder dass bei der Entwicklung von Algorithmen mehr weibliche Gesichtspunkte berücksichtigt werden. Wenn wir nicht auf die Vielfalt achten, können viele der unbewussten Vorurteile, die wir aufgedeckt haben, ihren Weg in die Algorithmenentwicklung finden. Am Ende könnten wir mit stark voreingenommenen Algorithmen dastehen, denen potenzielle Nutzergruppen weniger Vertrauen schenken. Diversity in Data Science kann diese relevanten Werte und Standpunkte bereits während des Technologieentwicklungsprozesses unterstützen. Werte wie Vielfalt und Einbeziehung der Entwicklungsteams/Unternehmen müssen im Vordergrund stehen, um eine verantwortungsvolle und integrative Technologie- und Innovationsentwicklung zu gewährleisten.
Teresa Kubacka: Datenwissenschaft braucht Vielfalt, weil wir in einer vielfältigen Gesellschaft leben. Obwohl wir dazu neigen zu denken, dass «Daten das neue Öl» sind und «Daten für sich selbst sprechen», sind Daten nicht Teil der natürlichen Welt wie das Öl oder die Schwerkraft, sondern es sind Menschen, die aktiv Daten schaffen. Menschen entscheiden, welche Daten wichtig genug sind, um sie zu sammeln, und welche sie weglassen. Menschen entscheiden, welche Forschungsfrage den Aufwand wert ist und in welche Projekte investiert werden soll.
Wir müssen eine vielfältige Vertretung der Gesellschaft in den Prozess der Erstellung dieser Produkte und der Definition dessen, was wichtig ist, einbeziehen.
Wenn unser Ziel also darin besteht, datengestützte Produkte zu schaffen, die für alle Mitglieder der Gesellschaft sinnvoll sind, müssen wir eine vielfältige Vertretung der Gesellschaft in den Prozess der Erstellung dieser Produkte und der Definition dessen, was wichtig ist, einbeziehen. Es gibt viele Beispiele für Datenprojekte, die spektakulär nach hinten losgegangen sind, weil sie von einer homogenen Gruppe von Menschen konzipiert und entwickelt wurden (z. B. eine App zur Gesundheitsüberwachung, die keine Funktion zur Überwachung der Menstruation hat). Glücklicherweise gibt es aber auch viele Beispiele für Projekte, bei denen integrative Data-Science-Projekte zu mehr Empowerment geführt oder einen positiven Wandel bewirkt haben. Dies gilt für alle Arten von Vielfalt, nicht nur für die geschlechtsspezifische Vielfalt. Last but not least – können wir es uns leisten, talentierte Datenwissenschaftler zu verlieren, nur weil sie nicht «das richtige Aussehen (Geschlecht, Hautfarbe usw.) für den Job» haben?
Was hält Frauen von der Datenwissenschaft ab?
Christian Hopp: Um ehrlich zu sein, ich weiß es wirklich nicht genau, aber ich möchte es verstehen. Wir haben zuvor Untersuchungen in MINT-Feldern durchgeführt, die sich auf akademische Laufbahnen von Frauen konzentrierten. Wir haben festgestellt, dass Frauen aufgrund von Geschlechterstereotypen geringere fachspezifische Fähigkeiten zugeschrieben werden. Zusammenfassend lässt sich sagen, dass Frauen, die eine akademische MINT-Karriere mit Führungsverantwortung anstreben, mit einer «doppelten» Inkongruenz konfrontiert sind: Erstens sind sie Expertinnen in Bereichen, die eindeutig von Männern dominiert werden, wodurch sie schwerwiegenden Vorurteilen ausgesetzt sind, die sich aus der Wahrnehmung ihrer Fähigkeiten ergeben. Zweitens wurde sogar das Streben nach einer Führungsposition als untypisch für Frauen angesehen. Es könnte sein, dass Karrieren in der Datenwissenschaft mit Problemen behaftet sind, weil Frauen in einem sehr männerdominierten Umfeld Erwartungen erfüllen müssen.
Ein Mangel an prominenten Vorbildern könnte Frauen davon abhalten, sich für die Datenwissenschaft als Beruf zu entscheiden.
Auch die Interaktionen mit Kollegen und Vorgesetzten spielten bei akademischen Laufbahnen in MINT-Fächern eine ähnlich wichtige Rolle. Oftmals sind Vorbilder wichtig, um einen bestimmten Karriereweg einzuschlagen. Besonders die frühen Karrierestufen sind sensible Phasen, in denen einflussreiche Prägungen hinterlassen werden können. Ein Mangel an prominenten Vorbildern könnte Frauen davon abhalten, sich für die Datenwissenschaft als Beruf zu entscheiden. Um diese Frage jedoch umfassender zu beantworten, bräuchten wir mehr empirische Belege dafür, wie individuelle Aspekte des Geschlechterungleichgewichts mit systemischen Aspekten interagieren und sich gemeinsam entwickeln. Formelle und informelle Regeln, unmittelbare soziale Strukturen, Organisationskultur, berufliche Netzwerke, Paarperspektiven, vorherrschende Stereotypen und individuelle Motive können hier zusammenwirken.
Teresa Kubacka: Meiner Erfahrung nach liegt es nicht am mangelnden Interesse. Ich treffe viele Frauen, die von Data Science fasziniert sind und die sehr kompetent sind, gute Data Scientists zu werden. Viele Hindernisse, mit denen sie konfrontiert sind, sind die gleichen wie für Frauen in der Technologiebranche im Allgemeinen. Ich werde mich hier auf die Hindernisse konzentrieren, die für die Datenwissenschaft besonders charakteristisch sind. Eine Gruppe von Hindernissen hängt mit der stereotypen Wahrnehmung zusammen, wer ein guter Datenwissenschaftler sein kann: Es handelt sich um eine Person mit einem formalen Abschluss in einem Bereich, der historisch gesehen überwiegend Männern vorbehalten ist (Informatik, Mathematik usw.), so dass Frauen statistisch gesehen eher als nicht «richtig» qualifiziert wahrgenommen werden. Dies liegt auch daran, dass ein Datenwissenschaftler oft als besserer Software-Ingenieur wahrgenommen wird und dass sowohl bei Personalverantwortlichen als auch bei Bewerbern das Bewusstsein für die große Vielfalt der verschiedenen Arten von Datenwissenschaftler-Rollen gering ist – einige Rollen sind eher produktorientiert, es gibt viele Teams, in denen ein Datenwissenschaftler in erster Linie ein guter Kommunikator und strukturierter, analytischer Denker sein muss, und einige Datenwissenschaftler-Rollen haben eine starke UX- und Produktdesign-Komponente.
Ein grosses Problem ist der Mangel an Data-Science-Positionen mit einem Arbeitspensum von 60 % und ein relativ kleiner Markt für Freiberufler, was in der Schweizer Realität bedeutet, dass Frauen, die einen Grossteil der familiären Pflichten teilen müssen, nicht ohne weiteres als Teilzeit-Datenexperten arbeiten können.
Eine andere Gruppe von Hindernissen ist eher banaler Natur, kann aber leider ein echter Deal-Breaker sein. Ein grosses Problem ist der Mangel an Stellen in der Datenwissenschaft mit einem Arbeitspensum von 60 % und ein relativ kleiner Markt für Freiberufler, was in der Schweizer Realität bedeutet, dass Frauen, die sich einen grossen Teil der familiären Pflichten teilen müssen, nicht ohne weiteres als Teilzeit-Datenexperten arbeiten können. Es ist auch nicht einfach, beruflich schrittweise in die Datenwissenschaft einzusteigen, ohne nach der Arbeit Zeit in eine Zertifizierung (wie ein CAS oder ein Bootcamp) zu investieren. Berufstätige Frauen mit Familienpflichten sind davon besonders betroffen, weil sie sich die Zeit nicht leisten können.
Die dritte Gruppe von Hindernissen kommt aus der bestehenden Gemeinschaft für maschinelles Lernen/Datenwissenschaft. Einige Dinge, die früher in männerdominierten Gemeinschaften als normal angesehen wurden, werden von vielen Frauen als feindlich empfunden. Zum Beispiel hieß bis vor kurzem eine der wichtigsten KI-Konferenzen «NIPS» mit einer Vorkonferenzveranstaltung namens «TITS». Erst nach heftiger Kritik wurde sie zögernd in «NeurIPS» umbenannt(Link 1, Link 2). Als Frau, die in das Fachgebiet einsteigen will, fragt man sich: Werde ich dort ernst genommen, wenn man ein Akronym für eine Konferenz nach einem weiblichen Körperteil wählt?
Der letzte Punkt, der meines Erachtens ebenfalls von Bedeutung ist, ist, dass einerseits die von einigen Personalverantwortlichen aufgestellten Anforderungen an Datenwissenschaftler unrealistisch sind, andererseits aber viele Frauen nicht glauben, dass sie sich bewerben und den Job machen können, wenn sie nur einen Teil der Anforderungen erfüllen und den Rest im Job lernen. Deshalb ist es wichtig, ihr Selbstvertrauen zu stärken – zum Beispiel durch den Aufbau von Netzwerken weiblicher Fachkräfte, die Erfahrungen austauschen können, durch die Schaffung eines integrativen Umfelds, das freies Experimentieren und «Learning by doing» ermöglicht, und durch die Teilnahme an verschiedenen Mentoring-Programmen sowohl als Mentorin als auch als Mentee.
Wie können Sie die Vielfalt unterstützen und vorantreiben?
Christian Hopp: Generell denke ich, dass es wichtig ist, das Bewusstsein durch Kommunikation zu stärken. Organisationen müssen die Vorteile der Vielfalt in den Vordergrund stellen. Nicht nur auf der Webseite und in anderen Kommunikationsmitteln, sondern auch in den Herzen und Köpfen der Menschen, die in der Datenwissenschaft arbeiten. Wir müssen den Gedanken, dass Vielfalt zu besseren, integrativeren und innovativeren Ergebnissen führt, von ganzem Herzen annehmen. Zweitens, und das sage ich als weißer, männlicher Professor mittleren Alters aus einer nicht-akademischen Familie, der versucht, die nächste Generation von Datenwissenschaftlern auszubilden, müssen wir durch Vorbilder aktivieren und kommunizieren. Karrierewege in der Datenwissenschaft müssen für Frauen, Angehörige verschiedener Gruppen oder Minderheiten sichtbarer werden. Drittens brauchen wir mehr Mentoring für Menschen, die einer Minderheit angehören, in Unternehmen, aber auch in der akademischen Ausbildung.
Teresa Kubacka: Ich kann einige Beispiele aus den Aktivitäten in unserer Community nennen. Wir organisieren Treffen und Workshops zur Unterstützung von Frauen und geschlechtsspezifischen Minderheiten in den Bereichen Datenwissenschaft und maschinelles Lernen. Unsere Community-Mitglieder können über ihre Data-Science-Projekte sprechen und in einer freundlichen Umgebung neue Fähigkeiten erlernen. Wir versuchen, die Gelegenheit zu geben, mit Menschen zu sprechen, die unterschiedliche Rollen und Lebenssituationen in der Datenwissenschaft haben, um eine Vielzahl von inspirierenden Vorbildern zu präsentieren. Wir legen großen Wert auf Veranstaltungen, bei denen die Teilnehmerinnen ein informelles Coaching in Anspruch nehmen können, und mindestens einmal im Jahr versuchen wir, ein Karriereevent zu organisieren. Wir unterstützen auch andere Communities für Frauen in der Technologiebranche, z. B. durch die Teilnahme an der Konferenz «WeTechTogether», an der mehr als 20 Communities teilnahmen und wo WiMLDS, Litix und Databooster gemeinsam einen Geodaten-Workshop organisierten.
Wir alle sind voreingenommen und verwenden Stereotypen. Es ist also immer gut, seine Voreingenommenheit und seine Privilegien zu überprüfen und seine instinktiven Einstellungsentscheidungen zu hinterfragen, da sie möglicherweise der Inklusion und der Vielfalt zuwiderlaufen.
Allerdings können wir nur so viel tun, und es gibt noch viel mehr systemische Veränderungen, die stattfinden müssen. Es gibt keine Einheitslösung, und jede Organisation muss ihren eigenen Weg finden. Einige Lösungen sind eine Antwort auf die Hindernisse, die ich zuvor beschrieben habe. Zum Beispiel müsste sich der Schweizer Arbeitsmarkt für mehr Teilzeitarbeit im Bereich Data Science öffnen. In den letzten Jahren haben wir bereits eine Zunahme von Stellen mit 80 % Pensum erlebt. Wenn Sie also ein Manager sind und eine offene Stelle für einen Data Scientist haben, sollten Sie in Erwägung ziehen, daraus eine 60-100%-Stelle oder eine Jobsharing-Stelle zu machen.
Wenn Sie einen Mitarbeiter mit ausgeprägten analytischen Fähigkeiten haben, der sich für Data Science begeistert, sollten Sie darüber nachdenken, ob es für diese Person eine Möglichkeit gibt, in ihrer derzeitigen Position Data-Science-Kenntnisse zu erwerben. Generell sind wir alle voreingenommen und verwenden Stereotypen. Es ist also immer gut, seine Voreingenommenheit und seine Privilegien zu überprüfen und seine instinktiven Einstellungsentscheidungen zu hinterfragen, da sie möglicherweise gegen Inklusivität und Vielfalt wirken. Wenn Sie ein Produkt entwerfen oder ein Projekt starten, sollten Sie sich bemühen, ein vielfältiges Team zusammenzustellen. Wenn Sie können, ermutigen Sie Menschen aus historisch nicht privilegierten Gruppen, an hochrangigen Projekten teilzunehmen, und geben Sie ihnen Anerkennung für ihre Bemühungen. Sobald eine Organisation Vielfalt als ihren Wert begreift und nicht als eine Option für interessierte Teilnehmer, werden sich viele dieser Veränderungen ganz natürlich aus dieser Entscheidung ergeben.
Über Data Innovation Alliance
Dieses Interview wurde zuerst von Data Innovation Alliance veröffentlicht.
Die Data Innovation Alliance ist ein Schweizer Innovationsnetzwerk für Unternehmen und Forschungsinstitute mit dem Fokus auf datengetriebene Wertschöpfung in Geschäftsmodellen, Dienstleistungen und Produkten. Sie trägt wesentlich dazu bei, die Schweiz zu einer international anerkannten Drehscheibe für datenbasierte Innovation zu machen. Zu diesem Zweck fokussiert sie sich auf drei Hauptbereiche:
- Innovation: Katalysieren Sie wissenschaftliche Innovationen in datengetriebene Geschäftsmodelle, Dienstleistungen und Produkte durch das NTN Innovation Booster – Databooster Programm
- Ausbildung: Schulungen zu technischen und geschäftsrelevanten Themen rund um datengetriebene Wertschöpfung
- Inspiration: Errungenschaften sichtbar machen und damit Innovation und Unternehmertum anregen
Dein Kommentar
An Diskussion beteiligen?Hinterlasse uns Deinen Kommentar!