¿Los medios propagan estereotipos?

Los medios tienen una poderosa influencia en la forma en que las personas ven y tratan a los diferentes grupos en función del género y el origen étnico, ya que las noticias dan forma a los estereotipos, las creencias y, en última instancia, los comportamientos de las personas en áreas como la educación, la familia y la política. Por lo tanto, es esencial comprender cómo los medios, y en particular los medios de comunicación, representan a los diferentes grupos y si los estereotipos impulsan estas representaciones.

Surgen desafíos para los investigadores en este sentido, ya que los estereotipos están codificados en los medios de comunicación de múltiples maneras, y no todos son fácilmente evidentes o medibles. Investigaciones recientes han tratado de abordar esta cuestión utilizando técnicas de procesamiento del lenguaje natural que permiten estudiar las asociaciones entre palabras que los periodistas utilizan en sus textos.

Lo que hasta ahora se ha pasado por alto es la importancia de las imágenes cuando se trata del sesgo y los estereotipos en los medios de comunicación. En un proyecto de investigación reciente, mis coautores Elliott Ash, Ruben Durante y yo estudiamos los estereotipos visuales en las imágenes de los periódicos haciendo uso de técnicas de inteligencia artificial y, más específicamente, los avances recientes en el campo de la visión artificial.

En particular, utilizamos un modo de aprendizaje profundo personalizado que puede reconocer las características de identidad (como género/raza/origen étnico) de las personas que se muestran en las imágenes. De esta forma, podemos automatizar nuestro análisis en lugar de tener que codificar cientos de miles de imágenes a mano. Otra ventaja de este enfoque se deriva de la consistencia de la clasificación, que no se puede garantizar para ningún codificador humano.

En nuestro análisis, nos enfocamos en dos importantes medios de comunicación estadounidenses: el New York Times y Fox. En total, analizamos más de dos millones de artículos publicados en las ediciones web de los dos medios entre 2000 y 2020, de los cuales 690k van acompañados de una imagen.

Un hallazgo importante de nuestro artículo se centra en los estereotipos ocupacionales en las imágenes de los periódicos. En otras palabras, analizamos si los periódicos perpetúan estereotipos comunes sobre las elecciones ocupacionales de grupos específicos, por ejemplo, hombres blancos que trabajan como gerentes.

Usando nuestro enfoque de visión por computadora en combinación con técnicas de análisis de texto, podemos mostrar que las imágenes de los artículos de noticias muestran estereotipos raciales y de género en el sentido de que es más probable que los trabajos estereotípicamente «femeninos» o «negros» estén representados por una imagen que muestre los respectivos grupo de identidad.

Una ocupación se considera estereotipada si una mayor proporción relativa de este grupo de identidad trabaja en una ocupación. Por ejemplo, aunque las personas negras, debido a su tamaño en la población general de EE. UU., ocupaciones como «procesador de correo» podrían ser estereotípicamente negras, ya que una mayor proporción de negros trabaja en esta ocupación en comparación con otros grupos de identidad. Para dar otro ejemplo, el trabajo femenino más estereotipado es el de «secretaria».

Sorprendentemente, nuestro análisis controla las verdaderas cuotas de ocupación en cada profesión, por ejemplo, la cuota de «procesador de correo» que es negro. Esto nos permite desentrañar los estereotipos de las diferencias puras en la representación de los grupos de identidad a través de las ocupaciones en los EE. UU.

Como tal, nuestros resultados destacan los posibles casos de uso de la IA y las herramientas de visión por computadora para el estudio de las preguntas de investigación de las ciencias sociales. Además, debido a la ubicuidad de las imágenes en los negocios, la política y las redes sociales , las herramientas modernas de visión por computadora amplían significativamente el alcance del análisis en las ciencias sociales.

Proporcionado por la Universidad Bocconi