Jak segregacja i równość przenikają się z nauką
Historia nauki nigdy nie rozwijała się w próżni. Za każdym wzorem zapisanym kredą na tablicy kryją się konkretne instytucje, konflikty polityczne, interesy klasowe, wojny, rewolucje i codzienne uprzedzenia. Hasło „od segregacji do równań” dobrze oddaje napięcie między tym, jak społeczeństwo dzieliło ludzi, a tym, jak nauka próbowała ten świat opisać, usprawiedliwić albo zmienić.
Raz po raz te same mechanizmy powracają: segregacja rasowa, dyskryminacja kobiet, klasowe bariery edukacyjne, instrumentalne wykorzystywanie badań do polityki i biznesu. Z drugiej strony – matematyczne modele, statystyka, bioetyka i socjologia nauki stawały się narzędziami do demaskowania niesprawiedliwości. Zderzenie tych dwóch porządków – społecznego i naukowego – zdecydowało, co w ogóle badano, kto mógł zostać naukowcem i jakie wnioski uznawano za „obiektywne”.
Zrozumienie, jak historia społeczeństwa wpływała na badania naukowe, pozwala lepiej ocenić współczesne kontrowersje: od algorytmów sztucznej inteligencji, które dyskryminują mniejszości, po modele ekonomiczne ignorujące część społeczeństwa. Tropy prowadzą daleko wstecz – do kolonializmu, eugeniki, segregacji szkolnej i pierwszych statystyk państwowych.
Segregacja rasowa i kolonializm jako silnik „nauk o człowieku”
Kolonialne imperia a narodziny „ras” w nauce
Kiedy europejskie mocarstwa rozciągały swoje wpływy na Afrykę, Azję i obie Ameryki, równolegle zaczęła kiełkować rasowa klasyfikacja ludzi. Badacze, misjonarze i urzędnicy kolonialni katalogowali ciała, zwyczaje, języki i religie ludów, które spotykali. Potrzebowali porządku – a wraz z nim pojawiła się naukowa kategoria „rasy”.
W XVIII i XIX wieku antropologia fizyczna i wczesna biologia często nie tyle odkrywały struktury świata, co racjonalizowały istniejące hierarchie. Tak powstawały pseudo-naukowe skale „cywilizacji” i „dzikości”. Dokonywano pomiarów czaszek, wzrostu, barwy skóry, a wnioski dopasowywano do polityki kolonialnej: Europejczycy jako „rasa wyższa”, ludy kolonizowane jako „niższe”, „infantylne” lub „predysponowane” do pracy fizycznej.
W tej samej epoce powstawały jednak także metody, które później umożliwiły rozbicie tego obrazu: statystyka demograficzna, metody porównawcze w językoznawstwie, archeologia. To, w czyich rękach znalazły się te narzędzia i jakie pytania zadano, zależało już wyłącznie od klimatu politycznego i społecznego.
Nauka jako narzędzie podboju: kartografia, higiena, medycyna tropikalna
Kolonializm nie byłby możliwy bez ogromnego zaplecza naukowego. Kartografia służyła wyznaczaniu granic, szlaków i szacowaniu zasobów. Geolodzy poszukiwali surowców, a botanicy roślin nadających się do masowej uprawy. Medycyna tropikalna rozwijała się nie z troski o zdrowie lokalnych społeczności, lecz głównie po to, by europejscy administratorzy i żołnierze mogli przeżyć w tropikach.
Tak powstały całe instytucje badawcze ulokowane w koloniach. Z jednej strony prowadziły badania wysokiej jakości nad malarią, żółtą febrą czy chorobami pasożytniczymi, z drugiej – traktowały lokalne populacje jako „materiał badawczy”, często bez realnej zgody pacjentów czy poszanowania ich godności. Przykłady:
- testowanie nowych terapii i szczepionek najpierw na mieszkańcach kolonii, a dopiero potem – po wstępnej „walidacji” – w Europie,
- badania nad żywieniem i wydajnością pracy, w których ciało kolonizowanego człowieka było postrzegane jako narzędzie produkcji,
- opisywanie chorób „typowych dla rasy”, co utrwalało stereotypy i wpływało na priorytety ochrony zdrowia.
Jednocześnie te same dane medyczne i demograficzne po latach stały się bazą dla krytycznych analiz i modeli, które obnażają skutki kolonialnego wyzysku: nadumieralność, niedożywienie, rozwarstwienie infrastruktury sanitarnej. Matematyczne równania epidemiologów i ekonomistów zaczęły w XX i XXI wieku demontować mity o „naturalnym zacofaniu” kolonii, pokazując systemowe źródła nierówności.
Segregacja rasowa a kierunki badań społecznych i biologicznych
W krajach, gdzie segregacja rasowa została wpisana w prawo (Stany Zjednoczone, RPA), wpływ na naukę był jeszcze bardziej bezpośredni. Czarnoskórzy i kolorowi naukowcy mieli utrudniony dostęp do edukacji, laboratoriów, funduszy. Często mogli studiować jedynie w nielicznych uczelniach „dla czarnych”, a ich prace uznawano za „mniej wiarygodne” lub „ideologiczne”, jeśli kwestionowały obowiązującą hierarchię.
Segregacja kształtowała również tematy badań. Dominowali badacze z grup uprzywilejowanych, więc pytania naukowe odzwierciedlały ich perspektywę. W naukach społecznych popularne były projekty:
- wyjaśniające „przyczyny przestępczości” wśród mniejszości bez analizy strukturalnego ubóstwa i dyskryminacji,
- opisujące „kulturę ubóstwa” jako utrwalaną przez same społeczności, a nie przez systemowe bariery,
- poszukujące „genetycznych” przyczyn gorszych wyników edukacyjnych zamiast patrzeć na segregację szkolną, finansowanie szkół czy język nauczania.
Tymczasem badacze wywodzący się z dyskryminowanych grup wprowadzali zupełnie inne spojrzenie. Przykładowo, afroamerykańscy socjologowie i ekonomiści zaczęli budować modele strukturalne, które uwzględniały segregację mieszkaniową, dostęp do rynku pracy i dyskryminację kredytową. Równania statystyczne, zamiast legitymizować nierówności, pokazywały, że wynikają one z konkretnych polityk publicznych, a nie z „naturalnych różnic rasowych”.
Eugenika i „nauki o doskonaleniu człowieka”
Jak nauka włączyła się w projekt segregacji „genetycznej”
Na przełomie XIX i XX wieku w wielu krajach zachodnich nastąpił gwałtowny rozwój eugeniki – ruchu, który łączył nowe odkrycia z zakresu dziedziczenia (Mendel, biologia populacyjna) z głęboko zakorzenionymi uprzedzeniami klasowymi i rasowymi. Eugenicy zakładali, że cechy społeczne – bieda, „przestępczość”, „niezaradność” – dziedziczą się w sposób podobny do koloru oczu.
W praktyce oznaczało to wspieranie:
- przymusowej lub „miękkiej” sterylizacji osób uznanych za „upośledzone umysłowo”, „zdegenerowane” czy „aspołeczne”,
- ograniczania imigracji z regionów uznanych za „gorsze genetycznie”,
- zachęcania „dobrze urodzonych” do posiadania większej liczby dzieci.
W krajach takich jak USA, Wielka Brytania, Niemcy czy kraje skandynawskie powstały liczne instytuty eugeniczne, a poważne towarzystwa naukowe publikowały artykuły legitymizujące te działania. Statystyka, biometria i wczesna genetyka zostały wprzęgnięte w politykę społeczną, która miała „unowocześniać” społeczeństwo, jednocześnie pogłębiając segregację – tym razem nie tylko rasową, ale także klasową, zdrowotną i „moralną”.
Dlaczego „obiektywne” równania bywały narzędziem opresji
Eugenicy lubili operować liczbami. Tworzyli współczynniki „dziedzicznej obciążoności”, krzywe rozkładu „inteligencji” czy wskaźniki „degeneracji rodzin”. Modele matematyczne sprawiały wrażenie chłodnych i bezstronnych. Problem tkwił jednak w tym, jakie dane zbierano, jak zadawano pytania i jakie przyjmowano założenia.
Typowy schemat:
- Wybór próby: najczęściej ubogie dzielnice, domy poprawcze, zakłady dla osób z niepełnosprawnościami – a więc grupy już z góry stygmatyzowane.
- Interpretacja: korelację między biedą a problemami zdrowotnymi odczytywano jako dowód dziedzicznej „niższości”, ignorując czynniki społeczne (warunki pracy, brak opieki medycznej, brak edukacji).
- Model: tworzono równania dziedziczenia „aspołeczności”, nie testując innych hipotez.
Taki sposób myślenia ujawnia kluczowy mechanizm: nawet najbardziej matematyczny aparat badawczy nie jest odporny na uprzedzenia, jeśli założenia są skażone ideologią. Równania nie „segregują” same z siebie – robią to ludzie, którzy decydują, co mierzyć, kogo badać i jak interpretować wyniki.
Ekstremum: eugenika w nazistowskich Niemczech i reakcja powojenna
Nazistowskie Niemcy przeniosły eugeniczne idee na poziom totalitarnej polityki państwa. Segregacja rasowa została wpisana w prawo, a naukowcy z wielu dziedzin – medycyny, antropologii, prawa, psychologii – aktywnie tworzyli „uzasadnienie” dla ustaw norymberskich, sterylizacji, a w końcu ludobójstwa. Badania nad „czystością rasową” i „życiem niewartym życia” prowadzone były w oparciu o rzekomo obiektywne kryteria: pochodzenie, „normy” rozwojowe, „wydajność” w pracy.
Szok po II wojnie światowej doprowadził do głębokiej refleksji nad etyką badań. Powstały:
- Kodeks Norymberski – podkreślający konieczność dobrowolnej zgody uczestników eksperymentów medycznych,
- późniejsze deklaracje bioetyczne, które zaczęły uwzględniać także równość rasową i społeczną,
- ostry zwrot w biologii i genetyce – od języka „ras” ku analizie zmienności populacyjnej bez wartościowania.
Jednak echa eugeniki długo jeszcze brzmiały w polityce społecznej wielu państw, w tym tych demokratycznych. Badania nad dziedziczeniem cech społecznych, klasy i „inteligencji” powracały, choć zwykle w bardziej zawoalowanej formie. Społeczne lekcje z epoki eugeniki nie zostały odrobione od razu – potrzeba było dekad krytycznych badań, aby pokazać, jak głęboko uprzedzenia przeniknęły naukowy aparat pojęciowy.
Społeczne bariery w dostępie do nauki: płeć, klasa, pochodzenie
Dlaczego tak mało kobiet w równaniach i na tablicach
Przez stulecia kobiety miały ograniczony dostęp do formalnej edukacji, laboratoriów, towarzystw naukowych i katedr uniwersyteckich. W efekcie nie tylko nie mogły prowadzić oficjalnych badań, lecz także nie miały wpływu na to, jakie problemy uznawano za warte zbadania. Tematy związane z pracą opiekuńczą, zdrowiem kobiet, codziennymi technikami gospodarstwa domowego czy przemocą domową pozostawały poza głównym nurtem nauki.
Nieliczne badaczki, którym udało się zaistnieć, często pracowały jako „asystentki” znanych uczonych, nie mając szansy na własne katedry czy granty. Ich wkład bywał marginalizowany lub przypisywany mężczyznom. Klasycznym przykładem jest praca wielu kobiet nad obliczeniami astronomicznymi czy kodami w czasie wojen, podpisywana nazwiskami męskich przełożonych.
Brak kobiet w zespołach badawczych miał bardzo praktyczne konsekwencje:
- w medycynie – testy kliniczne leków i procedur diagnostycznych prowadzono głównie na mężczyznach, ignorując odmienną fizjologię kobiet,
- w psychologii – modele rozwoju osobowości i ról społecznych projektowano na bazie męskich biografii,
- w technice – projektowano przestrzenie i urządzenia, zakładając typowego użytkownika jako mężczyznę w określonym wieku i stanie zdrowia.
Klasa społeczna i pochodzenie jako filtry kariery naukowej
Oprócz płci, równie ważną rolę odgrywała klasa społeczna i pochodzenie. Uniwersytety przez długi czas były niemal wyłączną domeną elit – arystokracji, burżuazji, wysokiej klasy średniej. Dzieci robotników i chłopów miały realnie znikome szanse na karierę naukową, nawet jeśli wykazywały uzdolnienia. Bariery były proste:
- koszt edukacji i utrzymania w mieście akademickim,
- brak znajomości i „kapitału kulturowego” – obyczajów, języka, kodów środowiska naukowego,
- oczekiwania rodzin, by jak najszybciej podjąć pracę zarobkową.
Jak te bariery kształtowały pytania badawcze i wyniki
Ograniczony dostęp do nauki dla kobiet, osób z klas ludowych czy mniejszości etnicznych nie tylko odbierał im szansę na karierę. Przekładał się bezpośrednio na to, jakie równania powstawały i co w nich uwzględniano. Modele ekonomiczne budowane przez przedstawicieli klasy średniej i wyższej częściej traktowały bezrobocie jako „indywidualną porażkę” niż efekt struktury rynku pracy. W badaniach socjologicznych łatwiej było znaleźć analizy „patologii” ubogich dzielnic niż modeli pokazujących, jak polityka mieszkaniowa i płacowa generuje biedę.
Podobny mechanizm działał w technice i informatyce. Zespoły projektowe składające się niemal wyłącznie z mężczyzn z klasy średniej tworzyły systemy, które w swoich założeniach miały „neutralnego użytkownika”. W praktyce był to ktoś bardzo podobny do nich: osoba z dostępem do stabilnej infrastruktury, określonego typu pracy i sposobu korzystania z technologii. Równania optymalizacji, prognozy obciążenia sieci czy modele ergonomiczne rzadko uwzględniały potrzeby osób pracujących zmianowo, zajmujących się opieką domową czy mieszkających w gorszych warunkach lokalowych.
Zmiana zaczęła się wtedy, gdy do głosu dochodziły grupy wcześniej wykluczone. Badaczki zdrowia publicznego wprowadzały do modeli epidemiologicznych zmienne związane z nieodpłatną pracą opiekuńczą. Socjologowie i socjolożki z klasy robotniczej pytali nie tylko „kto jest biedny?”, ale „jakie reguły rynku pracy i polityki podatkowej sprawiają, że bieda utrzymuje się mimo wzrostu PKB?”. Wraz z nowymi pytającymi zmieniały się równania – i wnioski.
Od biologicznych „ras” do statystycznych nierówności
Przełom w genetyce populacyjnej i rozpad pojęcia „rasy biologicznej”
Powojenna biologia, zwłaszcza genetyka populacyjna, pokazała, że zróżnicowanie genetyczne wewnątrz populacji jest większe niż między nimi. Badania porównujące zmienność DNA w różnych grupach etnicznych obnażyły arbitralność klasycznych podziałów rasowych. „Rasa” okazała się przede wszystkim kategorią społeczną i polityczną, nie zaś precyzyjnym pojęciem biologicznym.
Ten zwrot miał konsekwencje także dla sposobu budowania modeli. Zamiast szukać „genów rasy”, genetycy zaczęli tworzyć modele przepływu genów między populacjami, uwzględniające migracje, małżeństwa mieszane, dryf genetyczny. W równaniach częściej pojawiały się takie kategorie, jak „pochodzenie geograficzne” czy „częstość alleli w populacji X”, a rzadziej sztywne, wielkie litery „Rasa Biała”, „Rasa Czarna”.
To przesunięcie nie zlikwidowało jednak automatycznie rasizmu w nauce. W wielu krajach nazwy „rasa” zastąpiono terminami „pochodzenie etniczne” czy „grupa kulturowa”, ale praktyka pozostała podobna: grupy historycznie marginalizowane nadal częściej opisywano jako „ryzykowne”, „problematyczne”, „kosztowne dla systemu”. Zmienił się język, nie zawsze logika.
Gdy kategorie społeczne wracają do modeli: zdrowie, kryminologia, edukacja
W badaniach zdrowotnych, kryminologicznych czy edukacyjnych po II wojnie światowej coraz częściej korzystano z zaawansowanej statystyki. Regresje wielorakie, modele logistyczne, później modele hierarchiczne – wszystko to miało pomóc w „obiektywnym” wyjaśnianiu różnic między grupami. Jednak dobór zmiennych i sposób ich kodowania niósł w sobie całe dziedzictwo dawnych hierarchii.
Typowy przykład to badania nad „różnicami rasowymi” w zdrowiu. Wiele analiz wykazywało, że dana grupa etniczna częściej choruje na określoną chorobę lub ma krótszą oczekiwaną długość życia. Jeśli w modelu uwzględniano jedynie płeć, wiek i ogólny status ekonomiczny, automatycznie nasuwała się pokusa szukania „genetycznego wyjaśnienia”. Dopiero wprowadzenie do równań:
- szczegółowych wskaźników środowiskowych (zanieczyszczenie, hałas, dostęp do terenów zielonych),
- danych o dyskryminacji w systemie ochrony zdrowia,
- informacji o historii segregacji mieszkaniowej i rynku pracy,
pokazało, że większość obserwowanych „różnic rasowych” to efekt nierówności strukturalnych, a nie „wrodzonej podatności”.
Podobnie w kryminologii modele przewidujące ryzyko recydywy długo opierały się na danych, które mieszały czynniki społeczne z kategoriami rasowymi. Zmienna „miejsce zamieszkania” była w wielu miastach proxy dla segregacji rasowej i klasowej. Algorytmy „oceny ryzyka” traktowały to jako neutralny fakt statystyczny, choć w praktyce utrwalały krzywdy wynikające z wcześniejszej dyskryminacji policji czy sądów.
Cyfrowa era: algorytmy, dane i nowe formy segregacji
Uczenie maszynowe jako przedłużenie dawnych nierówności
Rozwój uczenia maszynowego i analizy wielkich zbiorów danych przyniósł wrażenie, że technologia „zobaczy więcej” i „policzy sprawiedliwiej” niż ludzie. Algorytmy oparte na milionach obserwacji, złożonych sieciach neuronowych i skomplikowanych funkcjach kosztu wydawały się odporne na stereotypy. Jednak podstawowa zasada pozostała ta sama: model uczy się na danych, które wytworzyło konkretne społeczeństwo.
Jeśli w danych historycznych policja częściej zatrzymywała osoby z określonych dzielnic, a sądy surowiej karały osoby z konkretnych grup etnicznych, to algorytm przewidujący „ryzyko przestępczości” odtworzy ten wzorzec. Równanie minimalizujące błąd predykcji nie odróżnia sprawiedliwości od niesprawiedliwości – „wie” jedynie, co się działo w przeszłości. Gdy model ma maksymalizować trafność, może powielać i wzmacniać segregację, tym razem w postaci cyfrowych ocen i wskaźników.
Algorytmiczne profile: kredyt, praca, ubezpieczenia
W finansach, rekrutacji czy ubezpieczeniach coraz częściej używa się algorytmów do oceny „ryzyka” i „wiarygodności”. Z zewnątrz wygląda to jak czysta matematyka: wektor cech, funkcja scoringowa, próg akceptacji. Jednak wewnątrz kryją się decyzje, które przypominają stare praktyki segregacyjne.
W modelach kredytowych uwzględnia się na przykład:
- historię zadłużenia – ukształtowaną przez wcześniejszy brak dostępu do taniego kredytu,
- stabilność zatrudnienia – zależną od rodzaju pracy dostępnej w danej klasie czy regionie,
- adres zamieszkania – który w wielu miastach jest pochodną historycznej segregacji mieszkaniowej.
Gdy algorytm ocenia, że mieszkańcy określonych dzielnic częściej mają problemy ze spłatą, może automatycznie proponować im gorsze warunki lub odmawiać kredytu. W ten sposób statystyczna regularność zamienia się w samospełniającą się przepowiednię: brak taniego finansowania utrwala niższy status materialny tych samych społeczności.
Analogiczne mechanizmy pojawiają się w rekrutacji. Systemy automatycznego filtrowania CV uczą się na danych o „udanych pracownikach” z przeszłości. Jeśli w firmie stanowiska techniczne zajmowali głównie mężczyźni z określonych uczelni, algorytm może zacząć premiować podobne profile, odsuwając kandydatki czy osoby z innych ścieżek edukacyjnych. Formalnie nie „widzi płci” ani klasy społecznej, lecz operuje na sygnałach, które je zastępują.
Nierówne dane, nierówne wyniki: przykład rozpoznawania twarzy i medycyny
Dwa głośne obszary, w których cyfrowe modele szczególnie wyraźnie odtworzyły segregacyjne wzorce, to systemy rozpoznawania twarzy i medyczne algorytmy wspomagające diagnozę.
Systemy rozpoznawania twarzy trenowano przez lata na zbiorach zdjęć, w których nadreprezentowani byli biali mężczyźni z krajów Globalnej Północy. W efekcie modele osiągały wysoką skuteczność w tej grupie, natomiast znacznie gorzej radziły sobie z twarzami kobiet oraz osób o ciemniejszej skórze. Błąd identyfikacji był więc nierówno rozłożony – dla jednych system stawał się wygodnym narzędziem logowania, dla innych potencjalnym źródłem niesłusznych podejrzeń czy zatrzymań.
W medycynie z kolei pojawiły się algorytmy mające szacować „poziom ryzyka” pacjentów i pomagające w przydziale zasobów (np. dodatkowej opieki, konsultacji specjalistycznych). Tam, gdzie jako wskaźnik zdrowia używano głównie historycznych wydatków medycznych, algorytmy uznawały, że grupy, które dotąd otrzymywały mniej usług – często mniejszości rasowe i osoby uboższe – są „zdrowsze” i wymagają mniejszej interwencji. Model rzetelnie odtwarzał historię nierównego dostępu do ochrony zdrowia, lecz w praktyce utrwalał ją na kolejne lata.
Matematyka nierówności: od opisów do narzędzi zmiany
Ekonomia nierówności i nowe modele podziału dochodu
Od drugiej połowy XX wieku coraz silniej rozwijała się ekonomia, która zamiast zakładać „naturalną” skłonność rynku do równowagi, zaczęła opisywać trwałe mechanizmy generowania nierówności. Modele Piketty’ego i jego poprzedników, analizy współczynnika Giniego czy badania ruchliwości międzypokoleniowej opierały się na dużych zbiorach danych historycznych, rejestrach podatkowych i statystykach dochodowych.
Nowością był sposób wykorzystania równań. Zamiast szukać „winnych” nierówności w cechach jednostek, badania te pokazywały, jak:
- polityka podatkowa i dziedziczenie majątku wpływają na koncentrację bogactwa,
- system edukacyjny może zarówno łagodzić, jak i wzmacniać przewagi klasowe,
- zmiany technologiczne przesuwają dochody od pracy do kapitału.
Takie podejście nie usuwa automatycznie wartościowań, ale zmienia wektor rozumowania: zamiast pytać, „dlaczego ci ludzie są biedni?”, badacz pyta „jakie instytucje i reguły sprawiają, że bieda i bogactwo utrwalają się przez pokolenia?”. Równania przestają służyć do stygmatyzowania grup, a stają się mapą pokazującą, które polityki publiczne podtrzymują istniejący podział.
Modele sprawiedliwości społecznej: od filozofii do symulacji
Filozoficzne koncepcje sprawiedliwości, takie jak te proponowane przez Johna Rawlsa czy Amartyi Sena, coraz częściej łączy się z narzędziami ilościowymi. Pojawiają się modele symulacyjne, które pozwalają testować, jak różne systemy podatkowe, transfery socjalne czy regulacje rynku pracy wpływają na rozkład szans życiowych.
W takich modelach kluczowe jest to, by wprost zapisać w równaniach pewne zasady: minimalny poziom bezpieczeństwa socjalnego, dostęp do edukacji, maksymalnie dopuszczalne nierówności. Dzięki temu spór polityczny zyskuje wymiar liczbowy, a scenariusze – od „państwa minimalnego” po szeroką redystrybucję – mogą być porównywane pod kątem zarówno efektywności gospodarczej, jak i równości szans.
Nie usuwa to konfliktów interesów, ale zmienia charakter rozmowy. Zamiast deklaracji typu „tak już jest, że niektórzy są na górze, inni na dole”, można pokazać, jak konkretne parametry – stawki podatków, zasady dziedziczenia, sposób finansowania szkół – przekładają się na mobilność społeczną. Matematyka staje się narzędziem politycznej wyobraźni, a nie tylko opisem zastanego świata.
Uczenie równości: jak edukacja matematyczna i naukowa może zmieniać perspektywę
Od „zadania z życia wzięte” do krytycznej analizy danych
Tradycyjne nauczanie matematyki często przedstawiało zadania „z życia codziennego”, które w praktyce odtwarzały jeden, wąski styl życia: rodzinę nuklearną, stabilny etat, brak bezrobocia czy migracji. Uczniowie i uczennice, których doświadczenie było inne, dostawali sygnał, że ich świat nie mieści się w „normalności” opisanej w podręczniku.
W wielu miejscach na świecie zaczęto rozwijać podejście zwane pedagogiką krytyczną danych. Zamiast abstrakcyjnych procentów od nieokreślonego „towaru”, uczniowie pracują z realnymi statystykami:
- porównują wydatki na edukację w różnych dzielnicach miasta,
- analizują rozkład czasu dojazdu do szkoły w zależności od miejsca zamieszkania,
- liczą, jak zmienia się liczba dostępnych lekarzy na 1000 mieszkańców w poszczególnych regionach.
Takie zadania uczą nie tylko rachunków, ale także zadawania pytań: dlaczego te różnice istnieją, które decyzje polityczne je stworzyły, jakie byłyby skutki zmiany parametrów? Matematyka przestaje być zbiorem neutralnych ćwiczeń, staje się narzędziem rozumienia i krytykowania rzeczywistości.
Widoczność nieobecnych: kto tworzy równania, kto w nich występuje
Za każdym równaniem stoi ktoś, kto je ułożył. Przez dziesięciolecia nauka i technologia były tworzone głównie przez wąską grupę – mężczyzn z uprzywilejowanych klas i regionów. To oni decydowali, jakie pytania zadać, jakie zmienne zebrać, które różnice uznać za istotne, a które pominąć. Skutki widać w tym, kogo w danych w ogóle nie ma.
Klasycznym przykładem są badania medyczne, w których przez lata nadreprezentowano mężczyzn, a pomijano kobiety, osoby starsze czy mniejszości etniczne. Modele ryzyka chorób serca czy dawkowania leków budowano na populacji, która nie odzwierciedlała różnorodności społeczeństwa. W efekcie „przeciętny pacjent” w równaniach nie pokrywał się z realnymi pacjentami, a konsekwencje najdotkliwiej odczuwały grupy i tak marginalizowane.
Podobne mechanizmy występowały w badaniach społecznych. Dane statystyczne zbierano głównie w instytucjach formalnych – szpitalach, urzędach, zakładach pracy – ignorując szarą strefę i nieodpłatną pracę opiekuńczą, którą wykonywały głównie kobiety. W arkuszach statystycznych prosty fakt „brak zatrudnienia” ukrywał pełnoetatową opiekę nad dziećmi, osobami starszymi czy osobami z niepełnosprawnościami. To, czego nie ma w danych, nie trafia do równań, a więc i do polityk publicznych.
Coraz więcej zespołów badawczych próbuje to odwrócić. Włączają osoby z dotąd pomijanych społeczności nie tylko jako „obiekty badań”, lecz jako współtwórców: projektantów badań ankietowych, analityczki danych, konsultantów interpretacji wyników. W ten sposób zmienia się nie tylko treść modeli, ale również sama definicja tego, co uznajemy za problem wymagający matematycznej analizy.
Między neutralnością a odpowiedzialnością: nowe standardy w nauce danych
Rozwój sztucznej inteligencji i uczenia maszynowego wymusił debatę o odpowiedzialności projektantów modeli. Dawne założenie, że „naukowiec tylko opisuje świat”, coraz słabiej pasuje do realiów, w których algorytmy przydzielają kredyt, filtrują kandydatów do pracy czy sugerują wyroki. Projektowanie modeli stało się formą sprawowania władzy.
W odpowiedzi zaczęły powstawać standardy etyczne, kodeksy postępowania i regulacje prawne. Coraz częściej wymaga się:
- audytów równościowych – sprawdzania, jak model zachowuje się dla różnych grup społecznych,
- przejrzystości cech – jawnej listy danych wykorzystywanych w modelu i sposobu ich pozyskania,
- udziału osób dotkniętych decyzjami modelu w procesie projektowania i oceny skutków.
W praktyce oznacza to, że zespół budujący system scoringowy do kredytów nie może ograniczyć się do statystycznej optymalizacji. Musi zadać pytania o to, czy użycie kodu pocztowego albo historii zatrudnienia nie działa jak pośredni wskaźnik klasy, pochodzenia czy rasy. Jeśli tak – konieczne staje się przeprojektowanie modelu lub uzupełnienie go o mechanizmy kompensujące historyczne nierówności.
Zmienia się też rola samych równań. Zamiast jednego „najlepszego” modelu coraz częściej powstają rodziny modeli, w których cel optymalizacji uwzględnia nie tylko dokładność, ale również miary równości. Projektant wybiera wtedy punkt na powierzchni kompromisów – świadomy, że większa sprawiedliwość może oznaczać nieco niższą precyzję predykcji dla całej populacji, ale mniejszą krzywdę dla konkretnych grup.
Demokratyzacja liczb: od ekspertyzy zamkniętej do wspólnego modelowania
Przez większą część XX wieku modele ekonomiczne, statystyczne czy fizyczne powstawały w zamkniętych środowiskach ekspertów. Publiczność miała przyjąć ich wyniki na wiarę – równania były zbyt skomplikowane, żeby laicy mogli o nich sensownie dyskutować. Taki podział ról wzmacniał hierarchie: jedni decydowali, jak opisać świat, inni mieli się w tym opisie odnaleźć.
Rozwój narzędzi do wizualizacji danych, otwartych zasobów statystycznych i prostych języków programowania zaczął ten układ rozszczelniać. Aktywiści miejscy tworzą własne mapy zanieczyszczeń powietrza, rodzice analizują dane o liczebności klas, a organizacje lokatorskie modelują skutki podwyżek czynszów w konkretnych dzielnicach. Matematyka wychodzi z laboratoriów na podwórka i zebrania wspólnot.
Ten ruch ma dwa skutki. Po pierwsze, ujawnia błędy i uprzedzenia w oficjalnych statystykach: brakujące kategorie, zawyżane mediany, uśrednienia ukrywające skrajne przypadki. Po drugie, zmusza instytucje do tłumaczenia własnych modeli w sposób zrozumiały. Jeśli algorytm przydziału dzieci do szkół generuje kontrowersyjne wyniki, rodzice coraz częściej domagają się nie tylko korekty list, ale też wyjaśnienia logiki równania.
Wspólne modelowanie – z udziałem mieszkańców, organizacji społecznych, naukowców i urzędników – zmienia sens takich narzędzi. Zamiast gotowego „wyroku”, algorytm staje się punktem wyjścia do negocjacji. Parametry można modyfikować, scenariusze porównywać, a skutki sprawdzać na danych historycznych i symulowanych. W ten sposób liczby zaczynają pracować na rzecz demokracji, a nie tylko administracyjnej wygody.
Nowe pola walki o równość: klimat, migracje, bezpieczeństwo
Kolejne wielkie wyzwania cywilizacyjne – kryzys klimatyczny, migracje, bezpieczeństwo cyfrowe – również stają się areną sporów o to, jak używać matematyki. Modele klimatyczne, prognozy ruchów ludności czy analizy „ryzyka terrorystycznego” opierają się na zaawansowanych równaniach, ale ich skutki są bardzo materialne: kto musi się przenieść, kto dostaje wsparcie, kto trafia pod zwiększony nadzór.
W prognozach klimatycznych pojawia się pytanie, kto ponosi koszty błędów modelu. Jeśli niedoszacujemy tempa wzrostu poziomu morza, ucierpią przede wszystkim mieszkańcy wybrzeży w krajach o mniejszych zasobach – często potomkowie tych, których bogate państwa kiedyś kolonizowały. Z kolei przeszacowanie ryzyka może prowadzić do inwestycji ochronnych głównie tam, gdzie istnieje polityczna siła przebicia, kosztem obszarów peryferyjnych.
W modelach migracyjnych i bezpieczeństwa granic dane historyczne odzwierciedlają wcześniejsze konflikty, dyskryminację i nierówny rozwój. Jeśli na ich podstawie przewidujemy „prawdopodobne kierunki nielegalnych przekroczeń”, łatwo popaść w spiralę: więcej patroli w jednym regionie to więcej wykryć, co „potwierdza” skuteczność modelu i prowadzi do dalszego wzmacniania kontroli – znów przede wszystkim wobec tych samych grup.
Alternatywą jest łączenie równań z analizą sprawiedliwości globalnej. Modele mogą uwzględniać historyczną odpowiedzialność za emisje CO2, nierówny dostęp do technologii czy różnice w możliwościach adaptacyjnych. Zamiast pytać jedynie, ile ton dwutlenku węgla trzeba zredukować, można modelować, jak rozkładać te redukcje i koszty, aby nie powtórzyć schematów kolonialnych w nowej, „zielonej” szacie.
Matematyka jako wspólna opowieść o przyszłości
Od predykcji do deliberacji: modele w procesach decyzyjnych
Modele statystyczne i algorytmy predykcyjne kojarzą się z przewidywaniem przyszłości: jaki będzie wzrost gospodarczy, ile miejsc pracy zniknie, ile osób zachoruje. Coraz częściej wykorzystuje się je jednak nie po to, by ogłosić jeden „prawdopodobny scenariusz”, lecz by budować pole do wspólnej deliberacji.
W miastach, które prowadzą konsultacje społeczne przy planowaniu transportu czy zieleni, różne warianty – nowa linia tramwajowa, strefa ograniczonego ruchu, przebudowa skrzyżowań – są symulowane na danych o przepływach ludzi i pojazdów. Mieszkańcy nie oglądają suchych równań, ale skutki zmian parametrów: czas dojazdu z peryferii, poziom hałasu, dostępność terenów rekreacyjnych. Za każdą mapą stoi jednak konkretny model, w którym można wprost zapisać priorytety: skrócenie czasu dojazdu czy zmniejszenie emisji? Liczy się średnia, czy najgorsza sytuacja w najbardziej obciążonych dzielnicach?
Takie podejście przenosi ciężar dyskusji z abstrakcyjnych sporów ideologicznych na spór o parametry i założenia. Gdy mieszkańcy widzą, że niewielka zmiana wagi przydzielonej bezpieczeństwu pieszych znacząco poprawia sytuację dzieci idących do szkoły, łatwiej im bronić konkretnego wariantu. Z kolei decydenci, którzy dotąd zasłaniali się „modelem eksperckim”, muszą ujawnić, jakie kompromisy zostały w nim zaszyte.
Język liczb a język doświadczenia
Matematyka nie zastąpi opowieści o tym, jak się żyje w określonych warunkach. Może jednak z nimi współpracować. W ostatnich latach pojawiają się projekty badawcze i miejskie, w których dane ilościowe łączy się z relacjami mieszkańców: wywiadami, dziennikami, mapami tworzonymi ręcznie.
Przykładowo, analiza „pustyń transportowych” – obszarów słabo skomunikowanych – może opierać się na modelu sieci połączeń i czasów przejazdu. Ten sam model nabiera innego znaczenia, gdy zestawi się go z historiami osób, które muszą wstawać przed świtem, by zdążyć do pracy na drugi koniec miasta, albo rezygnują z wizyt u specjalistów, bo dojazd jest zbyt uciążliwy. Liczby pokazują skalę, opowieści nadają wagę.
Takie podejście jest też formą zabezpieczenia przed nadużyciami równania. Jeżeli model „udowadnia”, że dostępność usług jest „wystarczająca”, a jednocześnie z relacji mieszkańców wynika chroniczne przemęczenie i brak czasu, sygnał ostrzegawczy jest wyraźny. Gdzieś między danymi wejściowymi a wskaźnikiem końcowym zgubiono istotny wymiar doświadczenia. Powstaje wtedy impuls, by do modelu dodać nowe zmienne – na przykład liczbę przesiadek czy przewidywalność kursów – które wcześniej uznano za „detale”.
Przyszłe równania: uczenie maszynowe w służbie równości
Uczenie maszynowe, kojarzone głównie z automatyzacją i komercją, może stać się narzędziem wspierającym równość społeczną. Już teraz powstają systemy, które:
- analizują rozkład inwestycji publicznych i sugerują obszary systematycznie pomijane,
- pomagają organizacjom pozarządowym identyfikować „białe plamy” w dostępie do pomocy prawnej czy psychologicznej,
- symulują długofalowe skutki różnych programów socjalnych, uwzględniając złożone interakcje między rynkiem pracy, edukacją i zdrowiem.
Kluczowe jest to, w jaki sposób definiuje się cel takiego modelu. Zamiast maksymalizacji zysku czy minimalizacji ogólnego kosztu, pojawiają się funkcje celu, które wprost premiują zmniejszanie nierówności, poprawę sytuacji najgorzej położonych czy zwiększenie mobilności międzypokoleniowej. W świecie algorytmów oznacza to inne ważenie błędów: fałszywe odrzucenie wniosku o pomoc osoby w krytycznej sytuacji traktuje się jako poważniejszy błąd niż przyznanie wsparcia komuś, kto poradziłby sobie sam.
Tak zdefiniowane systemy wymagają nowych kompetencji. Inżynierowie uczą się języka polityk publicznych, a socjologowie – programowania i analizy danych. Przy jednym projekcie spotykają się osoby z doświadczeniem pracy terenowej, specjaliści od baz danych i prawnicy zajmujący się prawami człowieka. Równania przestają być domeną jednej profesji i zaczynają krążyć między różnymi światami wiedzy.
Równania jako pamięć i ostrzeżenie
Historia segregacji rasowej, klasowej i płciowej pozostawiła ślady nie tylko w architekturze miast czy strukturach instytucji, ale również w tabelach i formułach. Dawne kryteria wykluczające – adres, kolor skóry, płeć, status majątkowy – były przez dekady zapisywane w regulaminach, arkuszach kalkulacyjnych, algorytmach. Dzisiejsze modele, oparte na „obiektywnych danych”, często nieświadomie przejmują te ślady.
Świadoma praca z równaniami może jednak tę historię ujawniać, zamiast ją zacierać. Analiza starych formularzy kredytowych, zapisów o „wiarygodności moralnej” klientów czy zasad przyjmowania do szkół pokazuje, jak wprost kodowano nierówności w procedurach. Porównanie ich z obecnymi modelami scoringowymi uświadamia, że zmienił się język – z moralnego na statystyczny – ale stawka bywa podobna: kto otrzyma szansę, a kto zostanie na marginesie.
Najczęściej zadawane pytania (FAQ)
Jak segregacja rasowa wpłynęła na rozwój nauki?
Segregacja rasowa ograniczała dostęp wielu osób do edukacji, laboratoriów i finansowania badań. W praktyce oznaczało to, że głos mieli głównie badacze z grup uprzywilejowanych, a nauka odzwierciedlała ich perspektywę i interesy.
Wpływało to także na dobór tematów: chętniej finansowano badania szukające „deficytów” wśród mniejszości niż projekty analizujące systemową dyskryminację. Jednocześnie naukowcy z dyskryminowanych grup, gdy już zdobywali wykształcenie, wprowadzali alternatywne modele – pokazujące, jak segregacja mieszkaniowa, szkolna czy na rynku pracy kształtuje wyniki zdrowotne i ekonomiczne.
Na czym polegał związek kolonializmu z narodzinami „ras” w nauce?
Kolonializm stworzył zapotrzebowanie na „naukowe” uzasadnienie podboju i hierarchii między Europejczykami a ludami kolonizowanymi. Urzędnicy, misjonarze i badacze katalogowali wygląd, języki i zwyczaje podbitych społeczeństw, a następnie porządkowali je w rzekomo obiektywne kategorie rasowe.
W XVIII i XIX wieku powstawały skale „cywilizacji” i „dzikości”, które przedstawiały Europejczyków jako rasę „wyższą”, a inne ludy jako „niższe” lub „predysponowane” do pracy fizycznej. Te teorie, choć ubrane w język nauki (pomiary czaszek, statystyki), służyły przede wszystkim utrwalaniu polityki kolonialnej.
Jak nauka była wykorzystywana jako narzędzie kolonialnego podboju?
Nauka dostarczała kolonialnym imperiom praktycznych narzędzi: kartografia ułatwiała kontrolę terytoriów, geologia wskazywała złoża surowców, a botanika – rośliny nadające się do plantacyjnej uprawy. Rozwój medycyny tropikalnej miał głównie chronić zdrowie europejskich administratorów i żołnierzy, a nie lokalnych społeczności.
W koloniach tworzono wyspecjalizowane instytuty badawcze, które często traktowały mieszkańców jako „materiał badawczy”. Testowano na nich nowe leki i szczepionki, prowadzono badania nad „wydajnością pracy” czy chorobami „typowymi dla rasy”. Dopiero z czasem te dane posłużyły także do krytycznych analiz, ujawniających skalę wyzysku i nierówności zdrowotnych.
Czym była eugenika i jak łączyła się z nauką?
Eugenika była ruchem, który na przełomie XIX i XX wieku próbował połączyć wczesną genetykę z pomysłami „doskonalenia” społeczeństwa. Zakładano, że cechy społeczne, takie jak bieda czy „przestępczość”, dziedziczą się podobnie jak kolor oczu. W efekcie promowano przymusową sterylizację, ograniczenia imigracji i „hodowanie” pożądanego typu obywatela.
Statystyka, biometria i biologia populacyjna były wykorzystywane do tworzenia wskaźników „degeneracji” czy „dziedzicznej obciążoności”. Choć wyglądały na obiektywne, opierały się na stronniczych danych i założeniach, a w praktyce wzmacniały segregację klasową, rasową i zdrowotną.
Dlaczego „obiektywne” modele matematyczne mogą wzmacniać nierówności?
Modele matematyczne są tak obiektywne, jak dane i założenia, na których się opierają. Jeśli zbieramy dane tylko z ubogich dzielnic czy zakładów karnych, a następnie ignorujemy kontekst społeczny (warunki pracy, dostęp do ochrony zdrowia, dyskryminację), to równania „potwierdzą” z góry przyjęte stereotypy.
W historii nauki działo się tak m.in. w eugenice oraz w częściach psychologii i socjologii, gdzie korelacje między biedą a „patologią” interpretowano jako dowód dziedzicznej niższości. Dziś podobny problem pojawia się przy algorytmach i sztucznej inteligencji, które mogą powielać uprzedzenia zakodowane w danych historycznych.
Jak dawne praktyki segregacji wpływają na współczesne kontrowersje w nauce i technologii?
Dzisiejsze spory o uprzedzenia w algorytmach, modele ekonomiczne ignorujące część społeczeństwa czy nierówny dostęp do ochrony zdrowia mają korzenie w długiej historii kolonializmu, segregacji i eugeniki. Wiele współczesnych baz danych czy kategorii (np. rasowych) powstało pierwotnie w celach kontrolnych, a nie emancypacyjnych.
Zrozumienie tej historii pozwala lepiej projektować badania i technologie: świadomie dobierać dane, pytać, kogo nie widać w statystykach, oraz sprawdzać, czy wyniki nie wzmacniają dawnych wzorców wykluczenia. Dzięki temu nauka i matematyczne modele mogą służyć nie utrwalaniu, lecz demaskowaniu i zmniejszaniu nierówności.
Najważniejsze lekcje
- Nauka rozwija się w ścisłym związku z kontekstem społecznym i politycznym – od struktur władzy i segregacji po konflikty klasowe – co wpływa na to, jakie pytania się zadaje i jakie wyniki uznaje za „obiektywne”.
- Kolonializm napędzał powstanie „ras” jako kategorii naukowych: antropologia i wczesna biologia często służyły racjonalizacji hierarchii rasowych, tworząc pseudo-naukowe skale „cywilizacji” i „dzikości”.
- Nauka była kluczowym narzędziem kolonialnego podboju (kartografia, geologia, botanika, medycyna tropikalna), przy czym lokalne populacje traktowano głównie jako „materiał badawczy”, a nie podmiot troski.
- Te same dane i metody – statystyka demograficzna, modele epidemiologiczne i ekonomiczne – które kiedyś wspierały kolonialny porządek, dziś pozwalają ujawniać systemowe źródła nierówności i podważać mity o „naturalnym zacofaniu” kolonii.
- Segregacja rasowa w państwach takich jak USA czy RPA ograniczała dostęp dyskryminowanych grup do kariery naukowej i kształtowała agendę badań zgodnie z perspektywą uprzywilejowanej większości.
- Dominujące nurty badań społecznych często obwiniały mniejszości (np. poprzez koncepcje „kultury ubóstwa” czy hipotezy genetyczne), ignorując strukturalne czynniki, takie jak segregacja szkolna, mieszkaniowa czy nierówny dostęp do rynku pracy.
