Para estudiar si hay diferencias en las palabras usadas para describir a hombres y mujeres en la literatura, una científica&nbsp;computacional de la Universidad de&nbsp;Copenhague&nbsp;(Dinamarca) junto a investigadores estadounidenses utilizaron&nbsp;machine learning (aprendizaje automático)&nbsp;para analizar millones de libros publicados en inglés entre 1900 y 2008.&nbsp;"Hermosa" y "sexy" son dos de los adjetivos más utilizados para describir a las mujeres;&nbsp;"justo", "racional" y "valiente" los más utilizados para los hombres. 
Lo que hicieron fue extraer adjetivos y verbos asociados a sustantivos específicos de género, tales como "prima" o "camarero". Luego categorizaron esas palabras de acuerdo a si representaban algo negativo, positivo o neutral. 
Los análisis mostraron que verbos asociados negativamente con el cuerpo y la apariencia eran cinco veces más frecuentemente utilizado para&nbsp;mujeres que hombres. Además, los adjetivos que describen el aspecto físico aparecían el doble de veces&nbsp;más en mujeres, en tanto que a los hombres se los describía&nbsp;de acuerdo a su comportamiento y sus&nbsp;cualidades personales. 
“Podemos ver claramente que las palabras utilizadas para las mujeres se refieren mucho más a sus apariencias que las&nbsp;utilizadas para describir a los hombres. Por lo tanto, pudimos&nbsp;confirmar una percepción generalizada, solo que ahora a nivel estadístico ", dijo Isabelle Augenstein, informática y profesora asistente del Departamento de Informática de la Universidad de Copenhague. 
<div style="text-align:center"> 
 <figure class="image" style="display:inline-block"> 
 <img alt="" data-height="719" data-size="w:889,h:800" data-width="800" hspace="5" src="https://assets.dev-filo.dift.io/img/2019/08/28/male-female-adjectives-neurosciencnews.jpg_1881311700.jpg" title="" vspace="5"> 
 <figcaption>
 &nbsp;Lista de los 11 adjetivos más frecuentes, distribuidos en categorías. 
 </figcaption> 
 </figure> 
</div> 
Augenstein señala que aunque muchos libros fueron publicados hace varias décadas todavía juegan un papel activo ya que muchas de las aplicaciones actuales para comprender el lenguaje —como la función de texto predictivo— toman información de material disponible online. Es decir,&nbsp;adoptan el lenjuage que utilizamos las personas y&nbsp;eso se refleja luego en prejuicios y estereotipos de género. 
Es&nbsp;importante entonces, a medida que la inteligencia artificial se vuelve más relevante en la sociedad, desarrollar modelos de machine learning que usen textos menos sesgados o tratar de que esos sesgos sean ignorados o contrarrestados.

De acuerdo a un algoritmo que implementa&nbsp;machine learning y analiz&oacute;&nbsp;3.5 millones de libros,&nbsp;los hombres son generalmente descritos con palabras que hacen referencia a su comportamiento, mientras que las mujeres con t&eacute;rminos asociados a su apariencia f&iacute;sica.&nbsp;

De acuerdo a un algoritmo que implementa&nbsp;machine learning y analiz&oacute;&nbsp;3.5 millones de libros,&nbsp;los hombres son generalmente descritos con palabras que hacen referencia a su comportamiento, mientras que las mujeres con t&eacute;rminos asociados a su apariencia f&iacute;sica.&nbsp;

Las mujeres son hermosas, los hombres racionales

Inteligencia artificial

Todos los años las empresas acuden a universidades tales como Harvard y Stanford para reclutar ingenieros para su primeros trabajos postuniversitarios. Este primer encuentro entre los posibles empleados y las empresas es donde estas últimas suelen pifiarla, según un <a href="https://journals.sagepub.com/doi/full/10.1177/0306312718756766" target="_blank">estudio</a> del <a href="https://gender.stanford.edu/" target="_blank">Instituto Clayman de Investigación en Género</a>&nbsp;(Universidad de Stanford). A pesar de las políticas para integrar a mujeres y minorías al mundo de la tecnología, los números siguen dando en contra. 
Muchas investigaciones anteriores han demostrado cómo las experiencias educativas disminuyen el interés de las&nbsp;jóvenes en la búsqueda de campos STEM&nbsp;(siglas en inglés para Ciencia, Tecnología, Ingeniería y Matemáticas). De los hombres con títulos en STEM, el 40% se encuentra trabajando en carreras técnicas; mientras que en las mujeres ese número desciende al 26%. Algunos de los problemas comienzan en las sesiones preliminares de reclutamiento, afirma&nbsp;Alison Wynn,&nbsp;becaria postdoctoral, autora del paper y&nbsp;profesora de sociología en Stanford. 
Utilizando datos&nbsp;observacionales&nbsp;de 84 sesiones de reclutamiento organizadas por compañías de tecnología en una universidad&nbsp;estadounidense, se encontró que sus representantes&nbsp;a menudo&nbsp;tienen comportamientos que crean un ambiente "frío" para las mujeres. Es decir:&nbsp;intimidante,&nbsp;desalentándolas a participar&nbsp;inhibiendo su autoestima, su confianza y/o sus aspiraciones;&nbsp;contribuyendo así a la escasez de mujeres en STEM. 
Otos estudios en el campo de la&nbsp;psicología social, mostraron&nbsp;que&nbsp;ciertos entornos pueden disminuir su&nbsp;interés y sentido de pertenencia&nbsp;mediante factores como: referencias sexualmente explícitas, imágenes estereotipadas, referencias al conocimiento cultural, pasatiempos y comportamientos culturalmente asociados a los hombres y la masculinidad, exclusión de las mujeres en las conversaciones, entre otras cosas&nbsp;(podés leer sobre esto <a href="http://tll-dev.mit.edu/sites/default/files/library/Cheryan_2009.pdf" target="_blank">acá</a>, <a href="https://www.tandfonline.com/doi/full/10.1080/19378620902721322" target="_blank">acá</a>&nbsp;y&nbsp;<a href="https://www.ncbi.nlm.nih.gov/pubmed/17894605" target="_blank">acá</a>). Las mujeres, además, suelen tener estándares más altos que los hombres y requieren más evidencia de sus capacidades para sentirse&nbsp;competentes.&nbsp;Incluso para mujeres altamente calificadas y motivadas en STEM, los estereotipos&nbsp;pueden tener un efecto negativo significativo. 
Algunas de las cosas que, por el contrario, mostraron tener un impacto positivo, fueron&nbsp;más mujeres ingenieras como modelos a seguir (ya sea como reclutadoras, explicando el contenido técnico o incluyéndolas&nbsp;en los videos e imágenes que proyectan) y presentar el trabajo técnico como&nbsp;accesible y comprensible. 
Estos hallazgos son relevantes al darnos conocimiento de que, particularmente en los campos dominados por hombres, las empresas tienen la oportunidad de aumentar la representación de las mujeres al ser más conscientes de las imágenes que proyectan en las sesiones de reclutamiento, entrevistas y el lugar de trabajo en general.

Un estudio de la Universidad de Stanford muestra como las empresas desalientan a las mujeres a trabajar en STEM ya desde las entrevistas laborales.

roles-de-género

Las mujeres son hermosas, los hombres racionales

¿Por qué hay pocas mujeres en tecnología?

¡No te pierdas las últimas noticias!

roles-de-género

Las mujeres son hermosas, los hombres racionales

¿Por qué hay pocas mujeres en tecnología?