WOKÓŁ KRYTYCZNYCH TEORII TECHNOLOGII Wybrane podejścia teoretyczne w refleksji nad technologią 1.1.Współczesne wyzwania w analizie technologii 1.2.Czym jest technologia? 1.3.Co daje nam technologia? Od „potęgi obfitości" do „kwestii rozwarstwienia" 1.3.1.Komunikacja i relacje 1.3.2.Edukacja 1.3.3.Praca i biznes 1.3.4.Wolności i władza 1.3.5.„Kwestia rozwarstwienia" 1.4.Krytyczne podejścia do technologii: szkoła frankfurcka 1.5.Nowy materializm Technologia w kontekście teorii feministycznych oraz queer i krytycznych studiów nad rasą i kodem 2.1.Piersi Alana Turinga 2.2.Ustawienia domyślne 2.3.Technofeminizm 2.4.Cyberfeminizm i ksenofeminizm 2.5.Posthumanistyczna refleksja nad informacją N. Katherine Hayles 2.6.Abstrahowanie informacji z ciała 2.7.Przywracanie ciała w analizie danych 2.8.Feminizm danych (Catherine D'lgnazio i Lauren Klein) 2.9.„Oueerowanie" technologii (Wendy Chun) 2.10. Krytyczne studia nad rasą i kodem (Ruha Benjamin) Przywracanie ciał w narracjach: historia technologii z perspektywy wykluczeń 3.1.Muzeum 3.2.Założenia 3.3.U źródeł: historia technologii z perspektywy wykluczeń 3.4.Prekursorki 3.5.„Komputerowe dziewczyny" 3.6.„Brogramowanie". Od nerda do kąpieli z venture capitalists 3.7.Wykluczenie w technologii dziś 3.8.Poza płeć POMIAR, KLASYFIKACJA, DANE I ALGORYTMY Pomiar i systemy klasyfikacyjne 4.1.O problemach, jakie stawia przed nami raportowanie analiz 4.2.Bardzo krótka historia statystyki w naukach społecznych 4.3.Tyrania metryk, upadek przeciętności 4.4.Ocenianie, klasyfikowanie, ustawianie w szeregu Dane i algorytmy 5.1.Co to jest dana? 5.2.Big data 5.3.Czym są algorytmy? 5.4.W jaki sposób algorytmy „widzą" dane? 5.4.1. Widoczność/widzialność 5.5.Krytyczna analiza danych W stronę wykluczenia algorytmicznego 6.1.Glitch jako funkcja: czego analiza technologii uczy nas o nierównościach? 6.2.Czy technologia działa? Whistleblowers o przypadkach brzegowych 6.3.W stronę wykluczenia algorytmicznego 6.4.Czym jest stronniczość? 6.5.Przyczyny stronniczości w algorytmach. Przegląd wybranych taksonomii 6.6.Przykłady stronniczości w algorytmach 6.6.1.Nadmiar i niedobór danych: dane niewidoczne i niewidzialne 6.6.2.Nieoczywiste połączenia: dane niewidoczne, ale widzialne 6.6.3.Błędy w ocenie sytuacji: dane widoczne, ale niewidzialne 6.6.4.Nieobecni, wykluczeni 6.7.Łagodzenie skutków stronniczości w algorytmach METODOLOGIA I WYNIKI BADANIA WŁASNEGO Metodologia badania 7.1.Metodologia teorii ugruntowanej 7.2.Analiza dokumentów i wywiady eksperckie 7.3.Pytania badawcze 8.1.Badanie wykluczeń w algorytmach. Analiza dokumentów i wywiady eksperckie 8.3.Definiowanie wykluczenia algorytmicznego 8.4.Jakie są źródła wykluczenia algorytmicznego? 8.4.1.Kontekst 8.4.2.Organizacje 8.4.3.Ludzie 8.4.4.Dane 8.4.5.Każdy etap pracy na algorytmie oraz sam algorytm 8.5.Jak można przeciwdziałać wykluczeniu algorytmicznemu? 8.5.1.Kontekst 8.5.2.Organizacje 8.5.3.Ludzie 8.5.4.Grupy interesu 8.5.5.Dane 9.1.1.Czym jest wykluczenie algorytmiczne? 9.1.2.Jakie są źródła wykluczenia algorytmicznego? 9.1.3. Jak można przeciwdziałać wykluczeniu algorytmicznemu? 9.2.Jak wykorzystywać potencjał technologii bez szkody dla ludzi? Rekomendacje 9.3.Badanie wykluczeń w algorytmach