Heather Krause tarafından 5 Nisan 2019‘da weallcount.com için yazılmış ‘Why we need intersectionality in our demographic data?‘ yazısını çevirdik.

İnsanlarla ilgili bir veriyi analiz ediyorsanız, yüksek ihtimalle birtakım demografik veriye de değinmeniz gerekmektedir. Çalıştığınız nüfusun yaşını, etnisitesini, toplumsal cinsiyetini ve statülerini anlamak önemli. Bu veriyi muhtelif bir grup insanın yaşam deneyimlerini yansıtırken nasıl kullanacağınız üzerine dikkatli düşünmelisiniz.

‘Hepimiz Sayılırız’ın görüşü, veriye eşitlik perspektifinden yaklaşmanın veriyi hem daha güvenilir hem de daha az yanlışlanabilir ve tutarlı yaptığı yönünde. Analizinizde eşitliği sağlamak adına, veriyi insanların deneyimlerinin çoklu boyutlar ve kimliklerle geldiğini yansıtarak kullanmak kritik bir nokta. Demografik verilerin farklı birleşimleri farklı insanlar yaratabilir.

Başka bir açıdan bakalım. Analizinizde sonuçların kadın ve erkeklere göre nasıl farklılıklar gösterdiğini anlamak önemli. Ama aynı zamanda farklı kadınların farklı deneyimleri olduğunun bilincinde olmak da önemli. İnsanların toplumsal kimlikleri; toplumsal cinsiyet, etnisite, kabiliyet, yaş, sınıf, sosyal hareketlilik vs. gibi faktörlerin birleşimlerine bağlı. Ben sadece bir kadın değilim. Ya da sadece Kanadalı. Veya sadece bir üniversite mezunu.

Eşitlikçi bakış açısından (equity perspective), verimizin ve analizimizin bunu yansıtması gerekli. Öteki türlü, bireylere yalnız tek bir açıdan yaklaşarak çeşitliliği görünmez hale getirme riskine girmiş oluruz.

Demografik veri kullanmalı mıyım?

“ama araştırmamın bütün amacı bir kişinin araştırma sonuçlarının X değişkenine göre nasıl değiştiğine dair kanıt sunmak!”

Tamam.

Eğer ihtiyacınız olan buysa, yaşam deneyimlerinin ve kimliklerin farklı birleşimlerini ele alan bir model oluşturmak ve sonuçlarını kümeleştirerek raporlamak tamamıyla mümkün.

Kesişimselliği Anlamak

“Kesişimsellik çoklu eşitsizlik ve dezavantaj biçimlerinin bazen kendilerini şiddetlendirdiğini ve kabul görmüş düşünce sistemlerimiz içinde anlaşılamayan engeller yarattıklarını görebilmemiz için kullandığımız bir kelime.” – Kimberle Crenshaw

Eğer projemdeki bütün demografik gruplar hakkında ilgili veriye sahipsem, kolayca onları birleştiremez miyim? Rahatça erkek olmanın veya hispanik olmanın veya orta-gelirli olmanın etkilerini görebiliyorum, neden bu kategorilerin toplamından farklı olan özel kesişimsel profillere ihtiyacım var?

Kesişimselliği görselleştirmek açıklamaktan daha kolay. Kelime, terminolojimize Columbia Hukuk ve UCLA hukuk profesörü Kimberle Crenshaw tarafından kazandırıldı. Ve TED konuşmasında bu kelimenin açıklanması konusunda harika bir iş çıkarıyor. Burada, bir kişinin yaşam deneyiminde gerçekten ne demek olduğuna dair basit ve net bir açıklama var:

“eğer ben siyah bir kadınsam, kadın olduğum için bazı engellerle karşılaşıyorum ve siyah olduğum için bazı engellerle karşılaşıyorum. Ama aynı zamanda siyah bir kadın oluğum için de siyah bir erkeğin veya beyaz bir kadının başa çıkması gerekmeyen bazı özgül engellerle karşılaşıyorum.  Bu kesişimsellik; ırk, toplumsal cinsiyet ve engel oluşturabilecek bütün diğer yolların birbiri ile kesişmesi.”

Başlarda insanları demografik verilerin yalnızca tek bir yönünden bakarak değerlendirmek üzerine konuştuğumu hatırlıyor musunuz?

Cinsiyetler arası ücret farklılığını hepimiz duyduk. Bu durumda, kadınlar marjinalize edilmiş, ötekileştirilmiş bir grup; Amerika’da kadınlar kendileriyle aynı konumda olan erkek iş arkadaşlarının kazandığı her 1 dolar basına sadece 72 cent kazanıyorlar. Ama sorunun sadece kadınların grup olarak erkeklerden daha az kazanıyor olmaması sizi şaşırtabilir.

Etnik azınlık gruplarına (siyah, Latin ve yerli toplumlara) mensup kadınlar beyaz kadınlardan da daha az kazanıyor. Economic Policy Institute raporuna göre beyaz kadınlar ve beyaz olmayan kadınlar arasındaki ücret farkı herhangi diğer iki grup arası ücret farkına kıyasla daha hızlı büyüyor.

Biriken Marjinalleştirme

Siyasi katılım üzerine bir çalışmaya bakalım. Amaç toplumsal cinsiyet, etnisite ve sınıf faktörlerinin kişinin siyasi sisteme eylemsellik ile katılımına etkisini anlamak. Şimdi, araştırma katılımcılarından birinin demografik verilerine odaklanalım.

• Kadın
• Bir azınlık grubuna mensup
• Alt sosyal sınıfı temsil ediyor

Bu kişinin demografik verileri siyasal sisteme katılımını nasıl etkiliyor?

Kesişimsel kimlikler siyasete katılımı etkiler. Genellikle, kişi marjinalize edilmiş bir gruba üyeyse katılma ihtimali daha düşüktür. Eğer bir erkeğin siyasete dâhil olmasını bir kadının dâhil olması ile karşılaştırırsak, kadının dâhil olma ihtimalinin daha düşük olduğunu görürüz. Aynısı alt sınıf biri ile üst sınıf birini karşılaştırdığımızda da geçerli. Bu toplamsal bir yaklaşım (Additive approach) – tek zamanda tek bir karakteristiğe bakıyor.

Ama gerçekte, kimse tek bir anda tek bir karakteristiği yaşamıyor. Benim yaşam deneyimim aynı anda bütün özelliklerimin kombinasyonları ile oluşuyor. Eğer verileri yaşam deneyimlerini daha tutarlı bir biçimde yansıtmaları adına kullanacaksak, birleştirerek kullanmamız gerekiyor. Bu da çarpımsal yaklaşımdır. (multiplicative approach). Bu yaklaşım, farklı özelliklerin birbiriyle nasıl etkileşime geçtiğini ve kesiştiğini görmemizi sağlıyor. Bunu kullandığımızda, veri bize biriken marjinalleşmenin (cumulative marginalization) tekil grupların marjinalleşmesinden daha güçlü olduğunu gösteriyor. Kişiler birden fazla ötekileştirilmiş grubun üyesi olduğu takdirde, etki büyüyebiliyor.

Siyasi katılım üzerine olan örneğimizde, araştırmacılar kesişimselliği çarpımsal yaklaşım ile ele alıyor. Kişi ile tutum ve davranışlar arasındaki ilişkinin kesişen kimliklere bağıl olduğunu öne sürüyorlar.

Siyasi katılım örneğinde, araştırmacılar 4 etkileşime bakıyor.

• Toplumsal cinsiyet ve sınıf
• Toplumsal cinsiyet ve etnisite
• Etnisite ve sınıf
• Toplumsal cinsiyet, etnisite ve sınıf

Kesişimselliğin Etkileri

Yukarıdaki grafik biriken marjinalleştirmenin etkilerini gösteriyor. Kesişim oranı (kişinin sahip olduğu marjinalleştirilmiş kimliklerin sayısı) arttıkça siyasi katılımı düşüyor.

Grafikten gördüğümüze göre, bir kadının katılım oranı yaklaşık %17. Alt sınıfa mensup bir kadının katılım oranı %9. Ama hem alt sınıf hem de bir azınlık grubuna dâhil bir kadının katılım oranı ise yalnızca %7. Veri toplamsal değil, çarpımsal olarak kullanması biriken marjinalleştirmenin kişilerin hayatlarına etkisine dikkat çekiyor.

Eğer her katılımcımıza teker teker bakarsak (kadın vs. erkek, etnik çoğunluk vs. azınlık, üst vs. alt sınıf), sonuçlar çok farklı çıkacaktır. Daha ötesi, kimliklere teker teker bakmak, kişilerin birden fazla marjinalize edilmiş gruba üye olduğunu görünmez kılacaktır. Eşitlik için veriye vurgu yaparak, insanların kesişimselliğine bakmamız önemli.

Araştırmanızda demografik veri kullanmak her zaman kolay değil – ama analizinizin eşitlikçi olmasını sağlamak önemli. Verinize eşitliği nasıl dâhil edeceğinize dair daha fazla bilgi almak için “Hepimiz Sayılırız” da bizimle beraber öğrenebilirsiniz.