Introducción
Los sesgos informativos se refieren a una tendencia sistemática y desequilibrada en la forma de presentar información por parte de los medios de comunicación. Estos sesgos pueden distorsionar la percepción de los individuos sobre la realidad, influir en sus opiniones y afectar sus decisiones. Los sesgos pueden ser el resultado de una variedad de factores, que incluyen la propiedad de los medios, la ideología política, la cultura y los intereses económicos.
En el vídeo sobre sesgos informativos y estereotipos en el tratamiento de la información se profundizó en los tipos de estereotipos y sesgos informativos que se dan en los medios de comunicación, enfatizándose la existencia de sesgos conscientes e inconscientes. A continuación, se presentarán ejemplos y casos reales de sesgos de género, tratamiento y periodísticos. También se analizará la influencia de la inteligencia artificial (IA) sobre los mismos.
Además, se pueden recordar los aspectos básicos sobre los sesgos, como su definición, creación y consecuencias vistas en el nivel intermedio B1.
VÍDEO
Definición de sesgo consciente y sesgo inconsciente. Diferencias. Exposición de los principales sesgos informativos. Estereotipos y sesgos en el tratamiento de la información (por género, de tratamiento, etc.).
VÍDEO
Definición de sesgo informativo. Factores de creación de sesgo informativo. Consecuencias del sesgo informativo.
DOCUMENTO
Ejemplificación de los casos, factores y consecuencias que se han llevado a cabo en el vídeo e.digitall.org.es/A1C12B1V02
Documento referenciado: A1C12B1D01
Sesgos de Género, tratamiento y periodísticos
Los sesgos de género son prejuicios o juicios no objetivos basados en el género de una persona, influyendo en cómo se valora, interpreta o trata a individuos según su sexo. El sesgo por tratamiento se manifiesta en las interacciones cotidianas, donde, por ejemplo, se espera que un género se comporte de cierta manera o se le adjudica un rol determinado, limitando oportunidades o imponiendo expectativas basadas en estereotipos. Por otro lado, los sesgos periodísticos se refieren a la manera en que los medios de comunicación presentan o reportan sobre personas de diferentes géneros, pudiendo enfocarse desmedidamente en aspectos irrelevantes, como la apariencia, o perpetuar estereotipos al representar roles tradicionales. Estos sesgos, tanto en el tratamiento interpersonal como en la representación mediática, pueden perpetuar desigualdades y estereotipos de género en la sociedad.
Sin embargo, hay que tener en cuenta que no sólo los medios de comunicación son culpables de los sesgos informativos.
Cualquier persona, como consumidora de noticias, también tiene sus propios sesgos que pueden influir en cómo se interpreta la información.
Estos pueden ser sesgos conscientes, de los cuales se puede tener plena consciencia, o sesgos inconscientes, prejuicios que operan a nivel subconsciente y que pueden influir en el juicio sin que se tenga conciencia de ello.
Atención
Los estereotipos son generalizaciones conscientes acerca de ciertos grupos. Se trata de ideas aceptadas por la mayoría como un patrón o modelo de cualidades/comportamientos de un grupo de personas. Pueden ser tanto positivos como negativos, pero en ambos casos, tienden a simplificar y generalizar las características de un grupo, ignorando la diversidad e individualidad de sus miembros. Estos conceptos suelen estar arraigados en la sociedad y se transmiten de generación en generación.
Atención
Los sesgos inconscientes se presentan como una predisposición mental que expresa una inclinación personal tanto hacia como contra algo o alguien. Se originan de las vivencias personales, incorporándose de manera automática en el bagaje de cada uno, de manera que suelen pasar inadvertidos. Cualquier persona se encuentra sujeta a ellos, sin embargo, esta tendencia compromete la habilidad de mantener una imparcialidad, ausencia de prejuicios u objetividad, de forma que hay que aprender a reconocerlos.
La conciencia de los sesgos informativos es esencial para convertirse en consumidores de noticias más críticos y capaces de discernir la realidad de las distorsiones. En el mundo de la información, el cual se encuentra actualmente en constante evolución, tener consciencia de estos sesgos y aprender a navegar a través de ellos es más importante que nunca.
Caso real
Un ejemplo real en relación a este tipo de sesgos fue el que se dio en el caso de Trayvon Martin.
El 26 de febrero de 2012, en Stanford, Florida (EE.UU.), Trayvon Martin, un joven afroamericano de 17 años y estudiante de secundaria, fue asesinado por un disparo efectuado por George Zimmerman. Zimmerman, de 28 años, ejercía como responsable de seguridad en su comunidad privada donde, en el momento del tiroteo, Martin se encontraba de visita con su familia. Durante un enfrentamiento físico entre ellos, Zimmerman, quien resultó lesionado, disparó al joven desarmado, alegando luego que actuó en defensa propia. Aunque el Departamento de Justicia estadounidense examinó el caso por posibles infracciones a los derechos civiles, no se presentaron cargos adicionales, citando falta de evidencia suficiente.
En este caso, algunos medios de comunicación utilizaron fotos de Martin en las que parecía más adulto o en poses que podrían considerarse “intimidantes”, mientras que otros presentaban fotos de Zimmerman de años anteriores, donde parecía más joven e inocente (figuras 1 y 2).
Figura 1. Imágenes del caso Trayvon Martin.
Figura 2. Noticias del caso Trayvon Martin.
En relación a este caso, se suma que las protestas relacionadas con Black Lives Matter en los EE.UU. a menudo se han cubierto de manera que enfatizan la violencia y el caos, a pesar de que la mayoría son pacíficas. Este puede ser un ejemplo de sesgo inconsciente, ya que las imágenes de protestas violentas son más llamativas y tienden a ser seleccionadas para la cobertura, aunque que puede llevar a una percepción distorsionada de estas protestas.
Saber más
Black Lives Matter, o lo que es lo mismo “Las vidas negras importan es un movimiento internacional y descentralizado originado dentro de la comunidad afroestadounidense.
La influencia de la IA en los sesgos informativos
La Inteligencia Artificial (IA) ha traído consigo desafíos significativos en cuanto a lo que sesgos informativos se refiere. Los algoritmos diseñados para personalizar y optimizar el contenido que consumimos, a menudo se basan en el historial y preferencias del usuario, lo que puede conducir a la creación de “cámaras de eco”, donde los individuos se ven expuestos primordialmente a información que refuerza sus creencias preexistentes. Además, si la IA se entrena con datos sesgados o incompletos, perpetuará y amplificará esos sesgos en la información que produce o recomienda. Esta automatización puede, inadvertidamente, limitar la diversidad de perspectivas y la exposición a opiniones contrarias, consolidando divisiones ideológicas y dificultando el diálogo y la comprensión mutua en la sociedad.
VÍDEO
Dependencia de los datos para la IA. Definición de sesgo mediante IA. Técnicas principales. Automatización de sesgos. Riesgos básicos y estereotipado.
DOCUMENTO
Ejemplos de aplicación de la IA a la gestión de datos y contenidos digitales, incidiendo en los aspectos de deep fake, personalización de contenidos, sesgo mediante IA y el refuerzo de opinión.
Documento referenciado: A1C12B2D03
Caso real
Un ejemplo de un caso real de perpetuación de sesgos mediante IA fue el que se dio mediante el software de reconocimiento facial desarrollado por diferentes empresas líderes en tecnología (IBM, Microsoft y Face++). En 2018, la informática Joy Buolamwini realizó un estudio que encontró deficiencias significativas en el funcionamiento de estos sistemas. Los resultados del estudio mostraron que los sistemas tenían una alta precisión en general al identificar el género de rostros masculinos de piel clara. Sin embargo, la precisión descendía drásticamente cuando intentaban identificar el género de rostros femeninos de piel oscura. Por ejemplo, el software de IBM tuvo un error del 34.7% en esta categoría, mientras que Face++ tuvo un error del 34.5%.
Se encontró que la raíz del problema era que los conjuntos de datos utilizados para entrenar estos sistemas estaban desequilibrados y contenían principalmente imágenes de personas de piel clara y de hombres. Este sesgo en los datos de entrenamiento llevó a un sesgo en el desempeño del modelo, haciendo que las mujeres de piel oscura fueran sistemáticamente mal identificadas.
Este caso ilustra la importancia crítica de garantizar la diversidad y representatividad en los datos utilizados para entrenar modelos de IA. También destaca la responsabilidad que tienen las empresas de tecnología de evaluar y corregir los sesgos en sus productos antes de lanzarlos al mercado.