Temsil ve güzellik kültürü neden önemlidir?

Kaliforniya eyaleti Sen. Holly Mitchell’in altın dreadlock’ları, Senato odasında dururken omuzlarında gevşek sarmallar halinde kıvrıldı ve meslektaşlarından kendilerini Siyahların saçı hakkında eğitmelerini istedi.

22 Nisan 2019’du ve Los Angeles Demokratı, bir kişinin ırksal kimliği için gerekli olan yasal korumayı saça genişletmek için yasalar getiriyordu.

Şu anda Los Angeles County amiri olan Mitchell, “Açıkçası benimki gibi saç stillerinden bahsediyoruz, ki bu, önyargı ve klişeler olmasaydı, kuşkusuz bir profesyonellik imajına uyacaktı,” dedi.

Eski devlet Sen.  holly mitchell

You are. Holly Mitchell, işyerlerinde ve kamuda doğal saç veya yer, örgü ve kıvrım gibi stillerin ayrımcılığını yasaklayan ilk eyalet yasası olan CROWN Yasasını kaleme aldı. Damian Dovarganes / Associated Press

SB 188, Doğal Saçlar için Saygılı ve Açık Bir Dünya Oluşturma (TAÇ) Yasası, kısa süre sonra kabul edildi ve Kaliforniya’yı, saçları, özellikle doğal saçları ve dreadlocks ve örgüler gibi koruyucu saç stillerini ayrımcılıkla mücadele yasasına dahil eden ilk eyalet yaptı.

O zamandan beri, saç ayrımcılığı olayları – insanlardan reddedilen istihdamyapmaları gerektiğini söyledi bir güreş maçını kaybetmek veya reddetti kendi mezuniyetlerine giriş – viral hale geldi ve ulusal ırk incelemesinde ve kapsayıcılıktan ziyade pratikte standart yapma çağrısında önemli bir rol oynadı.

İnsanların kendilerine ve birbirlerine karşı yaklaşımlarını ve algılarını belirleyen önyargıları sürdürmede medyanın rolünü inceleyerek başlayacağız. Chronicle bu konuşmanın dışında durmuyor. 150 yıllık varoluşunda, olumsuz ırksal klişeler tarafından yönlendirilen saç tasvirleri yayınladı.

Chronicle, ABD’nin en eski moda dergilerinden biri olan Vogue’dan 20 yıla yayılan yaklaşık 10.000 görüntüyü analiz etti. Yayın, çoğu insanın yaşadığı deneyimi yansıtmayı amaçlamasa da, güzelliğin zirvesini tasvir etmeye çalışır. Birçok medya türü gibi, insanları nasıl görünmek istedikleri konusunda bilgilendirir.

Sonuçlar netti: Peri kesimler, midilli kuyruklar ve uzun, düz saçlar, afrolar gibi daha geniş ve yukarı doğru olan stillerden çok daha sık temsil ediliyor.

Medyada en çok (ve en az) hangi saç modelleri temsil ediliyor?

Bu basit bir soru ama cevaplaması zor bir soru.

Daha fazlasını okumak için kaydırmaya devam edin veya analize atla.

Dokudan stile, medyada saçın nasıl temsil edildiğini ölçebilmemizin birçok yolu var. Ancak binlerce görüntüden elde edilen verileri analiz etmek için, dokulu saçlarda normalde görülen hacmin görüntüler arasında yeterince temsil edilip edilmediğini gösteren saç şekline odaklandık.

1892 yılına kadar uzanan bir arşive sahip olan Vogue’daki fotoğrafları büyük ölçüde 2000 yılına kadar uzanan modern saç tasvirlerinin incelenmesine izin verdiği için analiz ettik. Her görüntüdeki yüzleri tespit etmek ve çevrelerini kırpmak için kod kullandık. Yukarıdaki yüzler aynı sayfadan kırpılmıştır.

Bir görüntünün hangi bölümünün saçtan yapıldığını bulmak için genellikle “yapay zeka” olarak adlandırılan bir süreç olan makine öğrenimini kullandık. Makine öğrenimi olmadan 10.000’den fazla görüntüyü saç şekline dönüştürmek mümkün olmazdı. Makine öğrenimi “modellerini” eğitme süreci mükemmel değildir; örneğin, dokulu veya baskılı arka planlar, düşük aydınlatma ve çözünürlük gibi gerçekten kötü sonuçlar verdi.

Bu tek resim aslında size medyadaki temsil hakkında çok şey söyleyebilir. Bu, analiz ettiğimiz tüm Vogue görüntülerinin “ortalama” temsilidir – piksel ne kadar beyazsa, görüntülerde o noktada o kadar sık ​​saç olur. Gördüğümüz şey, birçok resmin taç boyunca saç olduğu; ve daha fazla saçı olanlar, geniş veya hacimli şekiller yerine uzun stilleri gösterme eğilimindedir.

Analizimiz, görüntülerin çoğunda saçın çerçevenin çok azını kapladığını gösteriyor. Başka bir deyişle, Vogue çok az sayıda büyük saç resmi gösteriyor. Çerçevede daha az saç bulunan bu görüntülerin çoğu, peri kesimleri ve uzun saçları at kuyruğuna geri çekilmişti.

Görüntülerin 1/3’ünden fazlası ilk üç çubukla temsil edilir

29 görüntü en az yüzde 40 saçtı. Çubukları grafikte zar zor görünüyor.

Bir görüntüdeki saç miktarına bakmanın yanı sıra, görüntüde en fazla saçı nerede bulabileceğinizi de aradık. Saçın ortalama konumu tepeye yakın mıydı? Kenarlar? Bu bize Vogue’un fotoğraflarında hangi saç türlerinin temsil edildiği hakkında daha fazla bilgi verebilir.

Görüntüde daha fazla saç olduğunda, saçın görüntünün altına doğru olma eğiliminde olduğunu bulduk. Bu nedenle, bir peri kesiminden daha fazla saç olduğunda, bu saçın geniş veya dikey olmaktan ziyade uzun olması daha olasıdır; bu, hacimli ve dokulu saç görüntülerinden beklediğimiz şeydir.

Analize ırk (veya kabaca herhangi bir ırk tahmini) dahil edilmemiş olsa da, bulgularımız doğal Siyah saç modellerinin diğer saç stillerinden çok daha az temsil edildiğini gösteriyor.

Bu analiz, medyaya yönelik çeşitliliği daha iyi anlamak için sadece bir adımdır. Sizi metodolojimiz hakkında daha fazla okumaya ve aşağıdaki düğmeyi tıklayarak modele kendi resminizi yüklemeye davet ediyoruz.

İnsan deneyimiyle ilgili tüm çalışmalar mil cinsinden değil, inç cinsinden yapılmalıdır, çünkü veriler ve kaynaklarda her zaman sınırlamalar olacaktır. Örneğin, analizimiz saç boyutuyla sınırlıydı ve stilleri veya dokuları içermiyordu. Bu analizin uyarılarını daha fazla araştırma için davetiye olarak görüyoruz.

Gelecek bölümlerde saçları ele alacağız: sevinçler, zorluklar ve aradaki her şey. Girişimcilerden, eğitimcilerden, politika yapıcılardan ve saçları hakkında söyleyecek sözü olan insanlardan haber alacağız. Özellikle insanlara, dünyamızı kimsenin saçlarının yerinde olmadığını hissettirmediği bir yer haline getirmek için ne gerektiğini soracağız.

metodoloji

Temel bir soruyla başladık: Medyada en çok (ve en az) hangi saç modelleri temsil ediliyor? Bu basit bir nicel soru, ancak engellerle dolu. Bu soruyu cevaplayabilecek hangi veriler hem erişilebilir hem de temsiliydi? Neyi ölçmeye çalışmalıyız? Sonuç olarak, analize yanlılık getirmeden nelerin yapılabileceği ve neleri veri setinden çıkarabileceğimizle ilgilendik.

Veri

Görüntü setimiz için, kendimizi 2000’den en son içeriğe kadar Vogue Arşivi ile sınırladık (analiz sırasında, Selena Gomez’in omzu açık çiçekli muhteşem bir elbise içinde yer aldığı Nisan 2021 sayısıydı). siyah kürk). Vogue, elbette, tüm medyayı temsil etmiyor. Ancak dünyadaki en üretken moda ve güzellik yayınlarından biridir. Ve çoğu kişinin internet bağlantısı ve kütüphane kartı ile erişebileceği bir arşivi var. Vogue Arşivi veritabanının bir fotoğraf içerdiğini belirttiği tüm içeriği manuel olarak indirdik.

Burada sınırlamalar var: Birincisi, reklamlar gibi temsili anlamak için çok fazla önemli içerik yakalamıyoruz. Kapaklar, moda çekimleri ve makalelerle sınırlı kaldık. İkincisi, verileri indirdiğimiz web sitesi olan ProQuest’in kısıtlamaları nedeniyle, listelenen her makale için yalnızca ilk sayfayı veya çift sayfa yayılmasını aldık. Örneğin altı sayfalık bir makale için, en fazla içeriğin ilk üçte birlik kısmından görüntüler alırdık.

Tüm verileri PDF’lere indirdikten sonra, her sayfada yüzleri bulmak için yüz algılamayı (yüz tanıma ile aynı şey değil!) kullandık ve ardından insanların yüzlerinin etrafındaki görüntüleri kırpıp PNG dosyalarına yazdık.

Tam dergi sayfalarından ve kapaklarından önceki metin, her zaman olmasa da, genellikle yayın tarihini içeriyordu. Temsilin zaman içinde nasıl değiştiğine dair daha derinlemesine bir analiz yapmayı ummuştuk, ancak içeriğin çoğu yayın tarihleri ​​olmadan listelendiğinden başaramadık.

Algılanan bir yüzün etrafında kırpıldığında, makine öğrenimi modelimizin kabul etmesi için yeterince yüksek çözünürlükte olmayan görüntüleri analizimizin dışında tuttuk. Ayrıca, bir yüzün hatalı şekilde algılandığı tüm görüntüleri manuel olarak da kaldırdık. Bir makale sayfasını paylaşan içeriğin genellikle çapraz listelenmesini temsil ederken, aynı zamanda görsel yeniden yayınlandığı için bazen birden fazla kez göründükleri için, atmadığımız çok sayıda yinelenen resim vardı. Sonunda, analiz edilecek 11.000’den fazla görüntümüz oldu.

model

Veri kümesini derlemeye ek olarak, bir görüntüdeki kılları tanımlamak için makine öğrenimi modelini de eğitmek zorundaydık; bu süreç “bölümleme” olarak bilinir. Daha spesifik olarak, model bir görüntüyü kabul etti ve belirli bir pikselin saç olma olasılığının gri tonlamalı bir temsilini verdi – aşağıdaki model çıktı görüntülerinde (makine öğreniminde genellikle “etiketler” veya “maskeler” olarak anılır), piksel o kadar hafiftir , model, görüntünün karşılık gelen koordinatındaki pikselin saç olduğu ve bunun tersi olduğu daha kesindi.

Bir sonraki bölüm daha da teknik olmak üzere, bu yüzden bağlanın. Daha önce makine öğrenimi ile ilgilenmediyseniz, aşağıdaki terimlerden bazıları size tanıdık gelmeyebilir.

Analizimiz için makine öğrenimi uzmanı Elle O’Brien’dan ve The Pudding’in The Big Data of Big Hair adlı çalışmasından ilham aldık. O’Brien gibi biz de bir U-NET modeliyle başladık.
Modeli, İtalya, Brescia’daki Brescia Üniversitesi’ndeki araştırmacıların manuel olarak “etiketlediği” 1.050 görüntü içeren Figaro1K veri kümesi üzerinde eğittik (yani her bir görüntüyü incelediler ve siyah beyaz olanlara çok benzeyen maskeler oluşturdular). bakıyorduk). Model ilk eğitimini aldıktan sonra, kendi verilerimizi işledik ve elle etiketlediğimiz bazı görüntülerle birlikte orijinal U-NET modelini yeniden eğitmek için en iyi çıktıyı elle seçtik.

Dik bir öğrenme eğrisini biraz savurma ve düzeltmeden sonra, bu parçada analiz için kullanılan son model 1.501 görüntü üzerinde eğitildi. Model mükemmel değil. Düşük aydınlatma ve çözünürlüğün yanı sıra dokular ve bazı şapkalarla mücadele ediyor.

Nihai model veri kümesini işledikten sonra, gri tonlamalı görüntüleri “eşikleme” adı verilen bir işlemi kullanarak ikili etiketlere dönüştürdük — temel olarak, model pikselin saç olduğundan en az %50 eminse, pikseli beyaza çeviririz; bundan daha az bir şey ve onu siyaha çevirdik. Daha sonra maskeleri tekrar taradık, onları görüntülerle karşılaştırdık ve tanımlanan saçın görüntüdeki başka bir kişiden açıkça olduğu veya modelin büyük ölçüde temel dışı olup olmadığı (yani beyaz piksellerin çoğu açıkça değildi) herhangi bir veriyi göz ardı ettik. görüntüdeki saç veya siyah piksellerin çoğu, açıkça görüntüdeki saçlardı). Bu süreç, hatalara yol açabilecek bir yargılama çağrısıydı.

Analiz

Daha sonra görüntülerden çıkardığımız verileri ölçtük. İlk olarak, saçtan oluşan her görüntünün yüzdesini hesapladık – büyük saçın ne sıklıkla temsil edildiğini ölçmenin basit bir yolu.

Ayrıca görüntüdeki bu saç piksellerinin dağılımını daha iyi anlamak istedik, bu nedenle saç şekillerinin ağırlık merkezini (görüntüde ortalama x değerini ve ortalama y değerini temsil eden nokta) hesapladık. Ayrıca, çizgilerin dışında en az 98 pikselin (her görüntüdeki ortalama saç pikseli sayısının %1’i) yakalandığı bir sınırlayıcı kutu ekledik. Bu, kutunun birkaç hatalı pikseli saçın en dış kenarı olarak yorumlamasını engelledi. Model görüntünün bölgelerini uygun olmayan bir şekilde kategorize ettiğinde bile, sınırlayıcı kutular genellikle bu hatalara karşı sağlamdı ve anlamlı, doğru sonuçlar verdi.

Leave a Comment