Helpen data diversiteit te bevorderen?

Beleidsmakers zijn dol op data. Net als onderzoekers. Vooral kwantitatieve data, cijfers, hebben een sterke overtuigingskracht en worden gebruikt voor allerhande onderbouwingen. Maar maken ze de wereld echt inzichtelijk? Helpen ze ons bijvoorbeeld de oorzaken van ongelijkheid herkennen en bestrijden?

Data zijn belangrijk. Data helpen ons de maatschappelijke realiteit in kaart te brengen, problemen te identificeren, en onderliggende mechanismen te begrijpen. Binnen het veld van diversiteit en inclusie kunnen we aan de hand van data laten zien dat er ongelijkheid is, hoe groot deze is, in welke domeinen deze het meest prangend is, en welke groepen het zwaarst getroffen worden.

Rapportages kunnen aanzetten tot actie en sceptici overtuigen. Vooral kwantitatieve data hebben dit effect. Maar is het effect wel zo positief? Dragen kwantitatieve rapportages niet juist bij tot ongelijkheid? Versterken deze data niet vooral het idee dat vrouwen en mannen van nature van elkaar verschillen, en dat burgers met een migratieachtergrond inherent ‘anders’ zijn dan burgers zonder migratieachtergrond?

Risico op essentialisering van verschil

Voor de meest gangbare manier om sociale ongelijkheid in termen van etniciteit weer te geven zoom ik in op het hoofdstuk ‘Onderwijs’ van het CBS Jaarrapport Integratie 2018. Zonder uitzondering presenteren alle grafische figuren in dit hoofdstuk een uitsplitsing naar etnische achtergrond, bijvoorbeeld het aandeel leerlingen op havo/vwo per etnische groep, slagingspercentages per etnische groep, gemiddeld eindcijfer per etnische groep, percentage schoolverlaters per etnische groep.

Zo kan de lezer de prestaties van de verschillende groepen vergelijken en bijvoorbeeld zien dat leerlingen met een Turkse, Antilliaanse en Marokkaanse achtergrond (de meeste zijn overigens geboren en getogen in Nederland) grofweg half zo vaak een havo- of vwo-advies krijgen als leerlingen met een Nederlandse achtergrond (p. 48; weergegeven in figuur 1). Dit is het plaatje waarmee de lezers, en dus ook de beleidsmakers van de ministeries, achterblijven.

Figuur 1. Aandeel groep-8-leerlingen met havo- of vwo-advies naar achtergrond

Bron: CBS 2018: 48

Het is gemakkelijk om nu te concluderen dat ‘Turkse leerlingen’ minder zouden slim zijn dan ‘Nederlandse leerlingen’ of ‘door hun cultuur’ minder goed zouden kunnen leren.

Zo’n uitsplitsing leidt tot essentialisering van verschil

Een enkelvoudige uitsplitsing naar etniciteit als demografische categorie stuurt de blik van de lezer naar betreffende groep zelf. Dit leidt al gauw tot ‘deficit-thinking’, vooral wanneer het geloof in de mythe van de meritocratie hoog is (het geloof dat ‘iedereen die goed genoeg is gelijke kansen heeft en kan doorstromen naar hoger onderwijs’).

Deficit-thinking gaat ervan uit dat groepen hun achterstandspositie aan zichzelf te wijten hebben en dat mensen uit deze groepen tekortschieten. Deze visie leidt in het slechtste geval tot (verdere) uitsluiting van deze groepen, wanneer lezers hun idee bevestigd zien dat deze groepen inderdaad ‘anders’ zijn en afwijken van de norm, en in het beste geval tot programma’s om deze ‘incapabele’ groepen te ‘helpen’.

Hoe dan ook, met het enkelvoudig presenteren van verschillen tussen demografische categorieën, lopen we het risico bij te dragen tot essentialisering van verschil en een hiërarchisch beeld te bestendigen waarin de ‘autochtone’ Nederlander de norm is. Wat nodig is, is een verschuiving van de blik naar maatschappelijke uitsluitingsmechanismen, zoals de vooroordelen van leerkrachten die een rol spelen bij het middelbare schooladvies.[1]

Maar er zijn meer valkuilen

Naast het essentialiseren van verschil en het bestendigen van een maatschappelijke hiërarchie, zijn er nog andere valkuilen bij het gebruik van data voor diversiteit en inclusie. Zo kennen we allemaal de zucht naar onderzoek als excuus voor uitblijven van actie.

Met het blote oog is duidelijk waarneembaar dat een organisatie weinig divers is – bijvoorbeeld in termen van etniciteit, huidskleur, of lichamelijke beperking – maar toch moet er eerst onderzoek gedaan worden om ‘formeel’ vast te stellen dat dit inderdaad het geval is, voordat overgegaan wordt tot actie.

Een andere valkuil is ons blind vertrouwen in de data. Echter, niet alles is meetbaar. Niet alle vormen van uitsluiting beïnvloeden slagingspercentages en promotiecijfers. Niet alle interventies leiden tot grootschalige effecten. Dat betekent echter niet dat deze vormen van uitsluiting onbelangrijk zijn, noch dat interventies dan maar stopgezet moeten worden.

Ook oppervlakkige (opportunistische) normatieve conclusies zijn een valkuil. Wat is divers genoeg? Wat is inclusief genoeg? De bevinding dat 13 procent van de studenten op de Universiteit van Amsterdam een niet-Westerse migratieachtergrond heeft, verleidde het College van Bestuur tot de onmiddellijke, opgeluchte conclusie dat de UvA dus ‘geen wit bolwerk’ is. Is dat een gerechtvaardigde conclusie? De normatieve evaluatie van uitkomsten is belangrijk, want deze bepaalt de koers. Tegelijkertijd is deze ingewikkeld en vraagt om zorgvuldige afwegingen.

Meer een uitdaging dan een valkuil vormt het gebrek aan benodigde data, door de moeilijke toegang ertoe. Veel dimensies van diversiteit zijn slecht meetbaar, en toegang tot data over etniciteit (een belangrijke dimensie binnen vraagstukken van maatschappelijke ongelijkheid) is door de AVG sterk bemoeilijkt.

Vijf tips om data te gebruiken voor een rechtvaardiger maatschappij

Ondanks deze valkuilen ben ik ervan overtuigd dat data een belangrijk instrument vormen bij het streven naar een rechtvaardiger maatschappij en het diverser en inclusiever maken van organisaties. Om deze kansen te benutten en de valkuilen te vermijden doe ik enkele suggesties.

Op de eerste plaats: dig deeper. Het in kaart brengen van verschillen tussen categorieën, zoals het CBS doet, is het beginpunt, maar mag nooit het eindpunt zijn. Het vaststellen van achterstanden moet opgevolgd worden door de vraag: waardoor komt dit?

Ten tweede: focus op context en hanteer een ‘institutional approach’.[2] Het contrasteren van afdelingen of faculteiten heeft het onmiddellijke effect dat de blik verschuift van het (vermeende) tekort van bepaalde individuen naar de institutionele context. Figuur 2 is een voorbeeld hiervan. Waarom ging het op de Erasmus Universiteit bij Gezondheidzorg en Rechten beter dan bij Gedrag en Maatschappij? Waarin verschilt het onderwijs? Mooie bijkomstigheid is dat in de institutionele context de knoppen zitten waar je vanuit het beleid aan kan draaien.

Figuur 2. Slagingspercentages na 4 jaar bachelorstudenten Erasmus naar migratieachtergrond/vooropleiding, studiesector en cohort

Bron: M. Slootman, R. Wolff, M. Crul (verschijnt in 2020). 'Diversiteit en ongelijkheid in het hoger onderwijs: het belang van de meso-institutionele context’. Tijdschrift voor Hoger Onderwijs.

Op de derde plaats is het belangrijk om te vergelijken. Is de UvA toch een wit bolwerk? Niet in vergelijking met de Rijksuniversiteit Groningen. Wel in relatie tot de Vrije Universiteit Amsterdam.[3] Interpretatie van cijfers vraagt om een weloverwogen vergelijking.

Ten vierde moeten we meer waarde hechten aan kwalitatieve data. Als we de complexiteit, gelaagdheid, intersectionaliteit en individualiteit van ervaringen en veranderingen willen begrijpen zijn diepte-interviews waardevoller. Daarnaast versterken verhalen inleving en empathie.

En tot slot: relativeer de betekenis van data. Het ontbreken van rapportages moet geen reden vormen om daadwerkelijke actie uit te stellen.

Marieke Slootman werkt als Diversity Officer Education en socioloog aan de Vrije Universiteit Amsterdam.

 

Noten:

[1] Inspectie van het Onderwijs (2016). De staat van het onderwijs. Onderwijsverslag 2014/2015. Utrecht: Inspectie van het Onderwijs.

[2] Stevens et al. 2019: 820. https://link.springer.com/chapter/10.1007%2F978-3-319-94724-2_19 Zie ook M. Crul & J. Schneider (2010). Comparative Context Integration Theory. Journal of Ethnic and Racial Studies, 34(4), 1249-1268.

[3] G. Wekker, M. Slootman, R. Icaza, H. Jansen & R. Vazquez (2016). Diversiteit is een werkwoord. Rapport Commissie Diversiteit Universiteit van Amsterdam. Amsterdam: University of Amsterdam, p. 32

 

Foto: Chris Khamken (Flickr Creative Commons)

Dit artikel is 1177 keer bekeken.

Reacties op dit artikel (1)

  1. Ook statistiek is niet waardevrij!

    Statistische verbanden zijn nog geen theoretische verbanden. Er is ook een goede theoretische grondslag nodig om vanuit cijfers conclusies te trekken.
    Kale cijfers zeggen dus nog niets. De culturele en maatschappelijke context moet hierbij betrokken worden zoals de schrijver terecht zegt.
    Statistische cijfers zijn niet zonder meer een objectief gegeven. Zo vormen werkloosheidscijfers de weergave van een criterium van werkloosheid (iemand die minder dan 6 uur in de week werkt en niet meer op zoek gaat naar werk).
    Zo wordt het officiële lage werkloosheid percentage op 3,5% bepaald (CBS) terwijl 350.000 mensen in de WW zitten en meer dan 400.000 in de Bijstand en meer dan 500.000 mensen in de WAO (verborgen werkloosheid).
    Zo wordt werkloosheid dus in de statistiek weggewerkt hetgeen beleidsmakers en politici goed uitkomt. Statistieken zijn nooit zonder meer te vertrouwen. Je moet goed letten op de context waarbinnen zij is gemaakt. Ook statistiek is niet waardevrij!

Reageer

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *