Prioritizing the people: developing a method for evaluating a collection’s description of diverse populations

Brian Clark & Catherine Smith

Cataloging & classification quarterly, ISSN 1544-4554, Vol. 60, n. 6-7, 2022, p. 560-582

Muchas bibliotecas están evaluando opciones para remediar el lenguaje problemático utilizado en sus catálogos. Este artículo presenta un método para evaluar los encabezamientos de materias de la Library of Congress (LCSH) correspondientes a poblaciones históricamente marginadas (mujeres, afroamericanos, pueblos indígenas y personas LGTBQIA+), midiendo la coocurrencia entre la LCSH y la clasificación de la Library of Congress (LCC) dentro de una colección. Para ello, se empezó con un muestreo de 468.100 registros MARC, se extrajeron los datos con Python y se organizaron y expusieron gráficamente con R. Los resultados ofrecen una perspectiva holística del lenguaje descriptivo asignado a estas poblaciones, y produjo datos que pueden ayudar en el desarrollo de la colección y en las normas locales de descripción de materias. La cuestión de la representación en los catálogos se suele dividir en tres categorías muy interrelacionadas: infrarrepresentación y borrado; representación errónea debido a errores fácticos; y representación errónea debido a clasificaciones históricas basadas en sentimientos tendenciosos o prejuicios de supremacía. La falta de una guía común de principios de catalogación éticos llevó a la creación del “Cataloguing  Code  of  Ethics” por parte de la American  Library  Association en 2021. Para realizer este artículo, la biblioteca de la University of Alabama utilizó la lista de “Problemas de la LCSH” creada por Violet Fox como punto de partida. Se identificó un subconjunto de términos de materia relacionados con los grupos seleccionados para su exploración en el catálogo de la biblioteca: mujeres, afroamericanos, pueblos indígenas y personas LGTBQIA+. El siguiente paso fue la utilización de la herramienta PyMARC, que permite la lectura, escritura y modificación de registros MARC, y el programa R, que permite el análisis de datos y la creación de representaciones gráficas. Esta metodología resultó ser un medio efectivo para evaluar y mostrar varios aspectos de los datos de descripción de materias. Se descubrió que los grupos marginalizados en realidad contienen más encabezamientos de materia que la media, pero esto puede ser producto de asignaciones dobles de encabezamientos que usan para un único recurso tanto el encabezamiento de materia por defecto como encabezamientos “marcados” (por ejemplo, “Algonquinos, mujeres” y “Mujeres algonquinas”), en lugar de asignar encabezamientos más precisos. Los datos producidos utilizando este método demuestran lo bien o lo pobremente representadas que están las comunidades seleccionadas para su estudio en los catálogos de las instituciones.

https://www.tandfonline.com/doi/full/10.1080/01639374.2022.2090042