As imagens utilizadas na internet têm amplificado os vieses de gênero em profissões, é o que aponta um estudo da revista Nature. De acordo com a publicação, os vieses, frequentes em textos, são ainda mais fortes quando em imagens. Exemplo disto é quando profissões como dentista, modelo e nutricionista são fortemente representadas por mulheres. Enquanto detetive, por exemplo, é uma profissão que aparece com equilibrio entre gêneros nos textos, mas é altamente representada por homens nas imagens (como mostra a figura abaixo, com as profissões descritas em inglês).

Os textos do Google Notícias exibem, de modo geral, um viés relativamente fraco em relação à representação masculina, enquanto isto é quatro vezes mais forte no Google Imagens. De acordo com o Google News, 56% das categorias são masculinas, enquanto 62% são masculinas no Google Images.

Que consequências têm estes preconceitos nas imagens online para os utilizadores da Internet?

Primeiramente, o estudo lembra o chamado “efeito de superioridade da imagem”, que classifica as imagens como mais memoráveis ​​e emocionalmente evocativas do que os textos. Assim, a normalização de estereótipos de gênero em imagens são reforçadas nas opiniões das pessoas. Exemplo disto, é quando um grupo de participantes da pesquisa classificou a categoria 'modelo', em texto, como mais comum para mulheres, num índice de 0,32, e a inclinação quase dobrou (0,62) quando em imagem.

Além disto, mesmo quando o gênero abordado era predominante tanto no texto como nas imagens, a exposição às imagens levou à um preconceito mais forte nas crenças relatadas das pessoas sobre o gênero das profissões. Os participantes apontaram, por exemplo, um viés significativo em associar homens à ciência e mulheres às artes.

“As nossas descobertas são especialmente alarmantes dado que as plataformas de redes sociais baseadas em imagens, como Instagram, Snapchat e TikTok, estão crescendo em popularidade, acelerando a produção em massa e a circulação de imagens. Paralelamente, motores de pesquisa, como o Google, incorporam cada vez mais imagens nas suas funcionalidades, incluindo imagens como parte predefinida de pesquisas baseadas em texto”, dizem os autores.

Para eles, o ápice desses desenvolvimentos é a adoção generalizada de modelos de inteligência artificial (IA) de conversão de texto em imagem, que permitem aos usuários gerar imagens automaticamente por meio de prompts textuais, acelerando ainda mais a produção e a circulação de imagens com vieses.

Metodologia

Foram reunidas as categorias sociais (profissões) no WordNet, um banco de dados em inglês, que continha 3.495 categorias sociais. Em seguida, foram coletadas as imagens associadas a cada categoria do Google e da Wikipedia.  Usou-se o OpenCV do Python para a extração dos rostos de cada imagem -- o algoritmo isola automaticamente cada face e extrai um quadrado incluindo a face inteira e o contexto circundante mínimo, e foram contratados 6.392 codificadores humanos do MTurk para classificar o gênero dos rostos.

Para identificar o gênero dos rostos em cada imagem, foi contratada uma equipe de 6.392 codificadores humanos da Amazon Mechanical Turk (MTurk). O gênero de cada rosto foi determinado pela identificação da classificação de gênero majoritária (modal) selecionada por três codificadores únicos que rotularam os rostos como 'femininos', 'masculinos' ou 'não binários' (2% dos julgamentos de classificação indicaram 'não binário'; estes foram excluídos de nossas análises).

Depois, uma amostra de 2.500 codificadores humanos da MTurk foi usada para completar um estudo de pesquisa no qual foram apresentadas categorias sociais (cinco categorias por tarefa) e solicitados a avaliar cada categoria por meio da seguinte pergunta, como “Qual gênero você mais espera que pertença a esta categoria?” Isso foi respondido como um controle deslizante variando de −1 (mulheres) a 1 (homens). Todos os MTurkers foram pré-selecionados de forma que apenas MTurkers residentes nos EUA e fluentes em inglês foram convidados a participar da tarefa.