Les données désagrégées à l’ère des mégadonnées

Les données désagrégées à l’ère des mégadonnées

Durée : 4 minutes, 38 secondes.
Le téléchargement prendra peut-être un moment. Pour maximiser la fonctionnalité de cette page, veuillez activer le JavaScript.

La prononciation des données désagrégées est peut-être un virelangue, mais c’est d’abord et avant tout le point de départ important pour jeter un regard sur les expériences des groupes racialisés et marginalisés. Il faut recueillir de manière précise des données et créer des catégories qui tiennent compte des expériences individuelles de ces groupes. Atong Ater, membre central du Caucus des employés fédéraux noirs (CEFN) m’a expliqué pourquoi il est nécessaire d’avoir ces données pour commencer à atteindre l’équité raciale, pourquoi la catégorie des « minorités visibles » pose problème et pourquoi il est important de tenir compte des personnes qui interprètent les données après les avoir recueillies.

Pourquoi les données désagrégées sont-elles importantes?

« Nous sommes emballés en parlant de racisme au niveau individuel, mais les données nous permettent d’explorer sa nature systémique et son incidence. »

Comme nous vivons à l’ère des mégadonnées, une grande partie des décisions en matière de politiques publiques sont fondées sur les données recueillies. Pour prendre des décisions éclairées qui tiennent compte des intérêts supérieurs des différents groupes, il faut une représentation exacte de ce qui se passe. Atong donne un exemple de l’information précieuse que peuvent fournir les données désagrégées : « Si deux employés arrivent au même niveau, comment l’employé noir se compare‑t‑il à l’employé non noir en ce qui concerne l’avancement professionnel? Combien de temps restent-ils dans un certain poste, et le maintien en poste est-il un problème? » Atong explique que les données désagrégées révèlent le racisme systémique, « nous sommes emballés en parlant de racisme au niveau individuel, mais les données nous permettent d’explorer sa nature systémique et son incidence. » En même temps, elle dit qu’il est important de tenir compte du fait que la collecte de ces données n’est peut-être pas aussi simple qu’il y paraît; les groupes qui ont des antécédents de marginalisation ou de maltraitance sur le marché du travail peuvent être réticents à s’auto-identifier. Pour atténuer ce risque, il est essentiel de démontrer son engagement à utiliser les données pour faire une différence.

Pourquoi la catégorie « minorité visible » pose-t-elle un problème?

« Cela a pour effet de réduire les gens au silence, de leur dire que les données ne soutiennent pas leur expérience. »

Atong souligne que la catégorie des « minorités visibles » pose problème sur plusieurs fronts et qu’une partie du travail du CEFN consiste à tenter de la diviser en catégories plus précises. « Il se produit une dissimulation des minorités visibles lorsque vous gardez tout ensemble », dit-elle, il est possible qu’un sous-groupe connaisse un mouvement et une croissance particulièrement positifs sur le plan de l’avancement professionnel, mais ce n’est peut-être pas le cas pour les autres sous-groupes. » Différents groupes racialisés vivent différentes expériences, et les données devraient en tenir compte. Autrement, comme le dit Atong, « cela a pour effet de réduire les gens au silence, de leur dire que les données ne soutiennent pas leur expérience ».

Pourquoi est-il important de tenir compte des personnes qui interprètent les données?

« Il s’agit d’avoir des points de vue différents autour de la table afin que l’interprétation soit fournie à partir de différents points de vue. »

La collecte de données est une chose, mais Atong souligne que les gens qui analysent les données sont tout aussi importants. Étant donné les expériences individuelles de chacun, l’interprétation des données et l’histoire qu’elles racontent pourraient être très différentes. « Il s’agit d’avoir des points de vue différents autour de la table afin que l’interprétation soit fournie à partir de différents points de vue », dit Atong, « la représentation à tous les niveaux est cruciale. »

« Les données sont la première partie de la conversation. Les données en soi ne sont pas la justice. Elles vous disent ce qui se passe. Ce que vous en faites pour réparer les iniquités, c’est la conversation que nous essayons d’avoir avec les gens. »

La collecte de données désagrégées est un pas en avant, mais ce n’est que le début. Atong fait un dernier rappel, mais un rappel essentiel : « les données sont la première partie de la conversation. Les données en soi ne sont pas la justice. Elles vous disent ce qui se passe. Ce que vous en faites pour réparer les iniquités, c’est la conversation que nous essayons d’avoir avec les gens. »

Après-propos

Le Secrétariat du Conseil du Trésor du Canada a franchi la première étape en publiant des ensembles de données désagrégées, soit une ventilation détaillée de la représentation des Autochtones, des personnes handicapées et des membres des minorités visibles dans l’ensemble du gouvernement du Canada (GC) afin de tenir compte des données propres aux sous-groupes. L’exploration continue de ces ensembles de données détaillées sera essentielle pour mieux comprendre la composition de la fonction publique et pour éclairer davantage les mesures concrètes nécessaires pour combler les lacunes et éliminer les obstacles au sein du GC. Le , le GC a annoncé ses priorités pour accroître la diversité et l’inclusion dans la fonction publique.

 
Signaler un problème ou une erreur sur cette page
Veuillez sélectionner toutes les cases qui s'appliquent :

Merci de votre aide!

Vous ne recevrez pas de réponse. Pour toute question, contactez-nous.

Date de modification :