डिजिटल न्यायासाठी डेटा: माहितीच्या युगात लैंगिक समानता

Image Source: Getty

हा लेख ‘नेशन्स, नेटवर्क्स, नरेटिव्हज: वर्ल्ड टेलिकम्युनिकेशन अँड इन्फॉर्मेशन सोसायटी डे 2025’ या लेख मालिकेचा भाग आहे.

30 वर्षांच्या प्रगतीचा टप्पा गाठताना, 17 मे 2025 रोजी साजरा होणारा वर्ल्ड टेलिकम्युनिकेशन अ‍ॅण्ड इन्फर्मेशन सोसायटी डे (WTISD) यंदा ‘Digital Transformation in Gender Equality’ या विषयावर केंद्रित आहे. हे दोन जागतिक महत्त्वाच्या विषयांचं एकत्रित अधोरेखन करत आहे. डिजिटल क्रांती ही ‘समान संधी’ देणारी म्हणून ओळखली जाते, पण वास्तवात ती आजही आपल्या समाजात खोलवर रुजलेल्या जेंडर इनक्वालिटी रचना पुन्हा निर्माण करते किंवा अधिक बळकट करते. दुसरीकडे, जेंडर इक्वालिटीची लढाईही आता महिलांच्या वास्तव अनुभवांना डिजिटल आणि डेटा-आधारित प्रणालींमध्ये कशा पद्धतीने स्थान दिलं जातं किंवा दिलं जात नाही, यावर अधिकाधिक अवलंबून आहे. या सगळ्याच्या मध्यवर्ती एक विरोधाभास आहे. आपण इतिहासात कधीही नव्हता इतका डेटा निर्माण करत आहोत, पण अजूनही महिलांविषयी पुरेशी माहिती आपल्याकडे नाही.

आपण आजवरच्या इतिहासात कधीही निर्माण झाली नाही एवढा अधिक डेटा तयार करत आहोत, पण तरीही महिलांबद्दल पुरेशी माहिती आपल्याकडे अजूनही नाही.

डिजिटल डिव्हाईड (Digital Divide) म्हणजेच जेंडर डिव्हाईड (Gender Divide)

जगभरातील डिजिटल डिव्हाईडचा सर्वात मोठा फटका महिलांनाच बसतो आहे. आजही 2.6 अब्ज लोक इंटरनेटशी कनेक्ट नाहीत, आणि त्यात बहुसंख्य महिला आणि मुली आहेत. 2023 पर्यंत, कमी आणि मध्यम उत्पन्न असलेल्या देशांमध्ये महिलांकडे मोबाइल फोन असण्याची शक्यता पुरुषांपेक्षा 7 टक्क्यांनी कमी आहे, आणि मोबाइल इंटरनेट वापरण्याची शक्यता 19 टक्क्यांनी कमी आहे. दक्षिण आशिया (South Asia) मध्ये हे अंतर आणखी वाढतं, ते अनुक्रमे 15 टक्के आणि 42 टक्के इतके आहे. हा प्रश्न केवळ मोबाईल डिव्हाईस किंवा नेटवर्क स्पीडपुरता मर्यादित नाही, तर ही खोलवर रुजलेली सामाजिक आणि रचनात्मक असमानता यासंदर्भात आहे. जेव्हा महिलांचा डिजिटल स्पेसमधून सहभाग कमी होतो, तेव्हा त्यांची आर्थिक ताकद मर्यादित होते,  समाजातील डिजिटल चर्चेत त्यांची उपस्थिती कमी होते आणि समावेशक तंत्रज्ञानाच्या विकासात त्यांचा वाटा दुर्लक्षित राहतो. त्याचबरोबर, संधीचा अभाव, सामाजिक पूर्वग्रह, आणि संरचनात्मक अडथळे यामुळे महिलांशी संबंधित अनेक महत्त्वाच्या विकास सूचकांकांबाबत विश्वसनीय आणि सुसंगत डेटा मिळवणं अवघड होतं. स्त्रियांना डिजिटल स्पेसमध्ये संधी मिळाल्याशिवाय खऱ्या अर्थानं समावेशक आणि न्याय्य डिजिटल परिवर्तन शक्य नाही.

जरा विचार करा: जेव्हा आर्टिफिशियल इंटेलिजन्स सिस्टिम्स शिक्षणापासून ते वित्तीय सेवा पर्यंत सार्वजनिक सेवांमध्ये अधिकाधिक वापरल्या जात आहे,  पण या "सिस्टिम" तयार करताना कोणत्या प्रकारचा "डेटा" वापरला जातो?  आणि तो डेटा तयार कोण करतं? जर महिलांचा सहभाग "डेटासेट" मध्येच नसेल, तर त्यांच्या गरजा, इच्छा आणि अनुभव हे त्या "सिस्टिम" मध्ये प्रतिबिंबितच होत नाहीत. परिणामी, महिलांचा विचार न करता, भविष्यातील निर्णय घेणाऱ्या "सिस्टिम्स" तयार होतात, ज्या त्यांच्या वास्तवाशी अजिबात जुळत नाहीत आणि अशा पद्धतीने त्यांचा भविष्यातील धोरणनिर्मितीवरचा प्रभाव कमी होतो.

जरा विचार करा: जेव्हा आर्टिफिशियल इंटेलिजन्स सिस्टिम्स शिक्षणापासून ते वित्तीय सेवा पर्यंत सार्वजनिक सेवांमध्ये अधिकाधिक वापरल्या जात आहे,  पण या "सिस्टिम" तयार करताना कोणत्या प्रकारचा "डेटा" वापरला जातो?  आणि तो डेटा तयार कोण करतं?

महिलांचा "डेटा"मधून वगळला जाण्याचं मुख्य कारण म्हणजे इतिहासातील महिलांना स्थान दिल गेलं नाही. पितृसत्ताक रचना हे कायम ठरवत आली आहे की काय मोजायचं, कोण मोजणार आणि त्याचे निष्कर्ष काय ठरवायचे. आज हे स्पष्ट होतंय की, "जेंडर इक्वॅलिटी"चं भविष्य हे "डेटा इकॉनॉमी"पासून वेगळं ठेवून विचार करता येणार नाही. अनेक अहवालांनी हे दाखवून दिलं आहे की "जेंडर डेटा" केवळ अपुरा नाही, तर अनेक वेळा तो वेळोवेळी अद्ययावतही केला जात नाही. मात्र, SDGs (सस्टेनेबल डेव्हलपमेंट गोल्स) मधील गोल 5 "जेंडर इक्वॅलिटी" यामुळे "जेंडर डेटा"कडे लक्ष वाढलं आहे. "इक्वल मेजर्स 2030" या संस्थेने तयार केलेला "SDG जेंडर इंडेक्स" हा एक महत्त्वपूर्ण टप्पा ठरला आहे. हा "इंडेक्स" 17 पैकी 14 "SDG" उद्दिष्टांवर जगभरातील देशांच्या प्रगतीकडे "जेंडर" चष्म्यातून पाहतो, आणि तो उत्तरदायित्वासाठी एक प्रभावी साधन ठरतो.

डेटा उपलब्ध असला तरी तो आपोआप उपयोगी होतो असे नाही. जरी लिंगानुसार विभाजित (sex-disaggregated ) डेटा मोठ्या प्रमाणावर असला तरी, डिजिटल परिवर्तनासाठी जेंडर डेटा (Gender data) वापरायला आम्हाला तीन मुख्य आर्थिक आणि संस्थात्मक आव्हाने आहेत:

1) इन्फॉरमेशन मार्केटचे अपयश आणि वेगळ्या डेटा इकोसिस्टम (data ecosystems) मुळे समस्या: जेंडर डेटा (Gender data) अनेकदा इतर विकासाशी संबंधित डेटा  (data) जसे की कामगार, आरोग्य, हवामान आणि शिक्षण यापासून वेगळा असतो. त्यामुळे या डेटा (data) चे एकत्रित विश्लेषण करणे कठीण होते, ज्यामुळे तंत्र आणि सामाजिक असमानता समजायला अडथळा येतो. एकत्रित डेटासेट्स (datasets) नसल्यामुळे जेंडर डेटा (gender data) ची विश्लेषण क्षमता कमी होते, हे एक प्रकारचे इन्फॉरमेशन मार्केट चे अपयश आहे जिथे महत्त्वाचे संसाधने असूनही ते योग्य प्रकारे वापरले जात नाहीत कारण योग्य इन्सेन्टिव्ह (incentives) आणि इन्फ्रास्ट्रक्चर (infrastructure) उपलब्ध नाहीत.

2) अस्तित्त्वातील विविधतेच्या अभावामुळे दडलेली असमानता: जरी लिंगानुसार वेगवेगळे डेटा असले तरी जात, वय, समाज, अपंगत्व यांसारख्या इंटरसेकशनल (intersectional) बाबींचा त्यात समावेश नसतो. त्यामुळे सामान्य सरासरीवर आधारित निष्कर्ष काढले जातात, जे अल्पसंख्याक आणि अत्यंत दुर्बल गटांच्या वेगळ्या अडचणी लपवतात. धोरण तयार करताना हा मुद्दा लक्षात घेणं गरजेचं आहे कारण असं करणं अपर्याप्त आणि परिणामकारक ठरत नाही.

3) ज्ञानापासून धोरणापर्यंतच्या प्रक्रियेत इप्सटेमिक बायस (epistemic bias): संशोधन आणि धोरण ठरवणारे जास्त वेळा मुख्य प्रवाहातील आणि सामान्य दृष्टीकोनातून विचार करतात. जेंडर डेटा (Gender data) ला कधी कधी निशे (niche) किंवा कमी महत्वाचं मानलं जातं, अगदी विकासाच्या संदर्भातही. त्यामुळे जेंडर डेटा (gender data) ची महत्त्वाची भूमिका, जी डिजिटल सार्वजनिक मालमत्तेप्रमाणे सर्व क्षेत्रांसाठी उपयोगी आहे, ती कमी लेखली जाते.

जेंडर डेटा न वापरल्यामुळे होणारी मोठी हानी

डिजिटल इकॉनॉमीमध्ये महिलांना वगळल्यामुळे होणारा आर्थिक तोटा खूप मोठा आहे. मॅककिंजी ग्लोबल इन्स्टिट्यूट (McKinsey Global Institute) च्या अभ्यासानुसार, कामगारांमध्ये भागीदारी, वेतन आणि नेतृत्वातील जेंडर गॅप (gender gap) कमी केल्यास 2025 पर्यंत जागतिक जीडीपी (GDP) मध्ये US$28 ट्रिलियन पर्यंत वाढ होऊ शकते. निरंतर डिजिटलचा विचार न केल्यास हे अंतर आणखीच वाढण्याचा धोका निर्माण करते. जेव्हा महिलांना डेटा आणि डिजिटल टूल्सचा ऍक्सेस (access) नाही, तेव्हा त्या डिजिटायझेशन (digitisation) मुळे होणाऱ्या उत्पादकता आणि कार्यक्षमता (productivity and efficiency) च्या फायद्यापासून वंचित राहतात. त्याचबरोबर नवोपक्रम (innovation) देखील बाधित होतो. विविध टीम्स इन्क्लुसीव प्रॉडक्ट्स (inclusive products), सर्विसेस (services) आणि सोल्युशन्स (solutions) विकसित करण्यात अधिक यशस्वी होतात. उदाहरणार्थ, स्टीम (STEM) आणि डेटा सायन्स (data science) मध्ये महिलांचे कमी प्रतिनिधित्व हे केवळ टॅलेंट (talent) कमी म्हणून नाही, तर डिसाईन बायस (design bias) देखील कायम ठेवत सांकेतिक पूर्वाग्रहांचा विस्तार करतो. जसे की, चेहऱ्याची ओळख प्रणाली (facial recognition algorithm) ज्यामुळे डार्क रंगाच्या महिलांना चुकीच्या पद्धतीने ओळखले जाते किंवा पुरुषांच्या डेटावर (Male-centric data) आधारित प्रशिक्षित केलेले व्हॉईस सहाय्यक यामुळे त्या पूर्वग्रहांना अधिक बळ मिळते.

खऱ्या अर्थाने जेंडर इक्वालिटी (gender equality ) साठी डिजिटल ट्रान्सफॉरमेशन (digital transformation )चा फायदा घ्यायचा असेल, तर डेटा आणि धोरण रचनेमधील अंतर मिटवणं गरजेचं आहे. यासाठी जेंडर डेटा (gender data) ला एका महत्त्वाच्या आधारस्तंभाप्रमाणे पाहणं आवश्यक आहे. जेंडर डेटा (gender data) ला केवळ बाजूचा डेटा समजून न पाहता, डिजिटल इन्फ्रास्ट्रक्चर (digital infrastructure) च्या मूलभूत स्तरासारखं, जसं रस्ते किंवा वीज यंत्रणा यावर काम करणं खूप गरजेचं आहे, नाहीतर समान विकास अशक्य आहे.

हे साध्य करण्यासाठी, लिंग आधारित आणि पारस्परिक डेटा (gender-disaggregated and intersectional data) चा संग्रह आणि विश्लेषण मॅक्रोइकॉनॉमिक मॉडेलिंग (macroeconomic modelling) , डिजिटल पब्लिक इन्फ्रास्ट्रक्चर (digital public infrastructure) आणि एआय (AI) धोरणांमध्ये समाविष्ट करावं लागेल. त्यामुळे लक्ष्यित सबसिडी, कर्ज योजना, डिजिटल लिटरसी प्रोग्राम (digital literacy programmes ) आणि कामगार बाजारातील हस्तक्षेप अधिक प्रभावी होतील. याशिवाय, धोरणनिर्मात्यांमध्ये आणि धोरण प्रभावित करणाऱ्यांमध्ये जेंडर डेटा लिटरसी (gender data literacy) वाढवणं तातडीचं आहे, जेणेकरून ते जेंडर डेटा (gender data) नीट समजू शकतील आणि योग्यरित्या वापरू शकतील.

जेंडर डेटा (gender data) ला फक्त एक बाजूचा डाटासेट (dataset) म्हणून न पाहता, डिजिटल इंन्फ्रास्ट्रकचर (digital infrastructure) च्या मूलभूत स्तरासारखे जसं रस्ते किंवा वीज यंत्रणा असतात तसंच पाहणं अत्यंत गरजेचं आहे. याशिवाय समान विकास साध्य होणं अशक्य आहे.

ओपन डेटा स्टँडर्ड्स (Open data standards) आणि डिजिटल पब्लिक गुड्स (digital public goods) च्या माध्यमातून डेटा संकलनाला प्रोत्साहन देणं गरजेचं आहे. त्यामुळे जेंडर डेटासेट्स इंटरोपेरेबल (gender datasets interoperable), ओपन सोर्स (open-source) आणि डिजिटल पब्लिक गुड्स (digital public goods) )प्लॅटफॉर्ममध्ये समाविष्ट होऊ शकतील. तेव्हाच हे डेटा स्थानिक नवोन्मेष, (start-up ecosystem) आणि community-driven solutions साठी उपयोगी ठरतील.

डिजिटल ट्रान्सफॉरमेशन (digital transformation) मध्ये जेंडर इनक्लिसिव्ह (gender-inclusive) होणं म्हणजे सर्वांसाठी आणि सर्वत्र संधी निर्माण करणं. जसं WTISD’25 चं ध्येय आहे, जेंडर डेटा (gender data) फक्त तांत्रिक बाब म्हणून न पाहता, डिजिटल न्यायाचा मुद्दा म्हणून पाहणं गरजेचं आहे. समावेशी डिजिटल इकॉनॉमीचा मार्ग फक्त माहितीच्या आधारेच मोकळा होऊ शकतो, पण ती माहिती समान, इंटरसेकशनल (intersectional) आणि उपयुक्त असली पाहिजे. म्हणूनच, जेव्हा देश त्यांच्या डिजिटल भविष्याची आखणी करतात, तेव्हा महिलांना फक्त डिजिटल सिस्टम वापरणाऱ्यांपुरतं मर्यादित न ठेवता, त्यांना नियम, स्टॅंडर्ड (standards) आणि डाटासेट्स (datasets) मध्ये तयार करणाऱ्यांमध्येही सहभागी करायला हवं. त्यामुळे केवळ माहिती तंत्रज्ञानाचा आधार मजबूत होणार नाही तर जेंडर इक्वालिटी (gender equality), सामाजिक बदल आणि सुज्ञ धोरणनिर्मितीही पुढे जाईल.

देबास्मिता सरकार ह्या ऑब्झर्वर रिसर्च फाउंडेशनच्या सेंटर फॉर न्यू इकॉनॉमिक डिप्लोमेसीच्या असोसिएट फेलो आहेत.

अंबर कुमार घोष हे ऑब्झर्वर रिसर्च फाउंडेशनचे असोसिएट फेलो आहेत.

• GENDER ISSUES
• Cyber and Technology
• India
• Cyber and Technology
• gender eqality and digital transformation
• Gender Equality in Telecommunication
• GENDER ISSUES
• India
• World Telecommunication and Information Society Day
• World Telecommunication Day
• World Telecommunication Day 2025
• wtisd 2025

The views expressed above belong to the author(s). ORF research and analyses now available on Telegram! Click here to access our curated content — blogs, longforms and interviews.

PREV NEXT