برای رسیدن به برابری جنسیتی در حوزه علوم کامپیوتری نزدیک به یک قرن زمان لازم است. این نتیجه تحقیقی است که اخیرا توسط محققان انستیتو هوش مصنوعی آلن در سیاتل انجام شده. در واقع اینطور به نظر می‌رسد که علوم کامپیوتر در مسیر اشتباهی حرکت می‌کند.
به گفته محققان، تحلیلی که روی 2.87 میلیون مقاله حوزه علوم کامپیوتر بین سال‌های 1970 تا 2018 انجام شده نشان می‌دهد که در خوشبینانه‌ترین حالت برابری جنسیتی تا سال 2100 به دست نخواهد آمد و اگر کمی واقع بینانه‌تر نگاه کنیم یک قرن هم زمان کافی برای رسیدن به این برابری فراهم نمی‌کند.
نموداری که محققان در مورد نابرابری جنسیتی در حوزه علوم کامپیوتر منتشر کرده‌اند که نسبت نویسندگان مقاله زن را به مردان و پیش‌بینی وضعیت آن طی قرون آینده را نشان می‌دهد.
این نابرابری در حوزه مقالات علوم پزشکی وضع بهتری دارد و احتمالا دو یا سه دهه دیگر شاهد رفع نابرابری‌های جنسیتی بین نویسندگان مقالات در این حوزه خواهیم بود. در واقع تحلیل‌های محققان نشان می‌دهد که روند همکاری دانشمندان جنس مخالف در زمینه‌های تحقیقاتی، نرخ نزولی را در پیش گرفته است.
محققان در این باره نوشته‌اند:
نرخ رشد پایین در گروه دانشمندان زنی که به حوزه علوم کامپیوتری وارد می‌شوند چالش بزرگی پیش روی آن‌ها می‌گذارد. با توجه به توزیع جنسیتی که در این حوزه وجود دارد و رفتارهایی که در زمینه نوشتن مقالات دیده می‌شود یافتن مشارکت برای زنان سخت‌تر از مردها خواهد بود. ما امیدواریم که این تحقیق انگیزه‌ای باشد تا فعالان حوزه علوم کامپیوتری به این رفتارها توجه کرده و در صدد بهبود نابرابری جنسیتی بر بیایند.
البته مشکل تفاوت در صنعت تکنولوژی بسیار متنوع است و جوانب زیادی را دربر می‌گیرد. یکی از نمودهای ان در توزیع بیشتر مردان سفید پوست در این حوزه است که از تاثیر سرویس‌هایشان بر دیگر اقشار مثل زنان و رنگین پوستان درک درستی نداشته یا به آن بی توجه‌اند.
این مشکل در شرکت‌های بزرگ مثل فیس‌بوک، مایکروسافت و گوگل که با تکنولوژی در حال شکل دادن آینده هستند بیشتر نمود پیدا می‌کند. شاید واضح‌ترین مثالی که در این زمینه وجود دارد رشد نظارت با متدهای تشخیص چهره است که با استفاده از هوش مصنوعی و یادگیری ماشین توسعه یافته‌اند. در این متدها مجموعه داده‌هایی که برای تشخیص چهره افراد سیاهپوست تخصیص داده شده بسیار کم است و همین مساله تشخیص‌های اشتباه هوش مصنوعی را افزایش می‌دهد.
وقتی صحبت از زنان سیاهپوست باشد عملکرد این الگوریتم‌ها بدتر می‌شود و 34.7 درصد افت می‌کند. این در حالیست که خطا در تشخیص چهره مردان سفیدپوست کمتر از 1 درصد است.
