«Hvordan forske på algoritmer når du ikke er programmerer?» Det var tittelen på en workshop ved Universitetet i Bergen, hvor jeg holdt et foredrag høsten 2019. Det var sånn sett en helt utmerket workshop, med smarte medieforskere, inspirerende diskusjoner og hyggelig selskap. Denne kommentaren har heller ingenting med selve workshopen å gjøre – bortsett fra nettopp tittelen. For tittelen er emblematisk på en type diskusjon og spørsmål som jeg jevnlig blir konfrontert med i faglig sammenheng, nemlig hva det vil si å være interessert i og forske på «teknologi» som medieviter. Ikke minst, hvordan man som medieviter kan forske på programvare, algoritmer eller kunstig intelligens uten kunne programmere selv. Spørsmål av typen «hva skal en humanist eller samfunnsviter kunne for å forstå algoritmer», eller enda mer direkte: «må man kunne programmere for å studere algoritmer?» er såpass tilbakevendende at jeg vil bruke årets siste kommentarartikkel på å gi et slags svar. Svaret er enkelt nok at hva man skal kunne for å forstå algoritmer kommer helt an på, og det finnes ikke noen meningsfylt måte å stille et absolutt krav til at en teknologiforsker skal kunne programmere for å ha nødvendig autoritet.

Det er nemlig noe ved disse spørsmålene som er grunnleggende problematisk. Først og fremst ligger det et slags mindreverdighetskompleks i måten slike kodespørsmål blir stilt gang på gang. Det er som om en medieviter per definisjon er dårlig egnet til å studere fenomener som tradisjonelt har tilhørt andre fagfelt, og at det som anses som medievitenskaplig kunnskap ikke er tilstrekkelig for å kunne tilnærme seg fenomener som algoritmer. Kodespørsmålene forutsetter at man må kunne mer, uten å kunne peke på hva som ligger i dette «mer». For det andre fungerer kodespørsmålet i mange sammenhenger dessverre som en samtalestopper. Når spørsmålet dukker opp ofte som det gjør, blir det sjelden mulighet til å komme seg videre eller stille andre typer spørsmål. På samme måte som med diskusjoner om algoritmer og den «svarte boksen», som jeg tidligere har omtalt som et retorisk villspor (Bucher, 2016; 2018), synes også «kodespørsmålet» å ha blitt en retorisk avledningsmanøver som tar oppmerksomhet vekk fra det som kunne ha blitt en langt viktigere diskusjon.

Kodespørsmålet

Hvis jeg hadde forsøkt å holde telling på hvor mange ganger jeg har støtt på eller blitt møtt med ulike varianter av kodespørsmålet, hadde jeg mistet tellingen for lenge siden. Mange instanser har kommet i forbindelse med diskusjoner rundt boka mi If...Then (2018). Det slo meg for eksempel som påfallende at det på den første presentasjonen av boka etter utgivelsen, for et tverrfaglig publikum i en relativt kort diskusjonsrunde, dukket opp to varianter av spørsmålet. «Er det ikke obligatorisk», lød det første spørsmålet, «å kikke på koden når man skriver om algoritmer?». Spørsmålsstiller nummer 2 bemerket at «det var veldig fint å se på diskurser og slikt, men hva så med materialiteten?». Begge bidragsyterne var kollegaer med tilsvarende humanistisk og samfunnsvitenskapelig bakgrunn som min egen, og begge var menn.

Kodespørsmålet har også dukket opp i skrift, som for eksempel i en anmeldelse av samme bok i Norsk medietidsskrift (Fagerjord, 2019). Her poengterer Fagerjord at det «er et stadig tilbakevendende spørsmål» om man må kunne programmere for å studere algoritmer. Spørsmålet aktualiseres, skal man tro anmelderen, fordi det nemlig kan gå galt av sted når en medieviter «skal forklare andre fagfelt». Han advarer masterstudenter i medievitenskap mot å «basere sin forståelse av maskinlæring eller grafteori på Buchers utlegning» fordi de da kan «havne ganske langt fra virkeligheten». Konklusjonen, ifølge anmeldelsen, er at det hadde vært bedre med «en informatiker som medforfatter». Eller aller helst et team av medforfattere, fordi man som enkeltforsker og medieviter umulig kan skaffe seg den nødvendige oversikten.

Det siste tilfellet av spørsmålet jeg kom over var i en Zoom-samtale med medieforsker Bernhard Rieder om hans nye eksemplariske bok Engines of Order (2020). I diskusjonsrunden etter samtalen var det også her kunnskapsspørsmålet som publikum syntes å være mest opptatt av. Zoom-chatten ble kjapt overfylt med varianter av spørsmålene jeg nevner ovenfor: «Hjelp, jeg er humanist, hvordan kan jeg studere algoritmer? Hva må jeg kunne?», «Hvor mye teknisk kunnskap er nødvendig for å kunne forske på informasjonssystemer?», og nær sagt selvfølgelig: «Må man kunne kode for å kunne si noe om algoritmer»? Nå skal det sies at Bernhard Rieder selv tar opp lignende spørsmål i boka si, så det er bare naturlig at publikum også gjør det. Samtidig tar Rieder også opp et hundretalls andre spørsmål, så det er påfallende at det er akkurat «kodespørsmålet» som får desidert mest oppmerksomhet i spørsmålsrunden.

Problematiske premisser

Spørsmål om hvilke ferdigheter og kunnskap som trengs for å studere teknologi er både viktige og legitime. Men nå har spørsmålet blitt så altoverskyggende og tilbakevendende at diskusjonen sjelden rekker å komme seg videre. Og jeg vil påstå at de ulike variantene av spørsmålet er problematiske av i hvert fall de følgende årsakene:

1. «Er det ikke obligatorisk å se på kode når en skriver om algoritmer?» Det korte svaret på dette er egentlig bare et «nei». Ingenting er obligatorisk, å antyde noe annet er i beste fall uredelig. Ideen om at man er nødt til å kikke på koden vitner først og fremst om et essensialistisk algoritmebegrep. Det er sant at en funksjonell algoritme innebærer en kildekode, men det er noe helt annet å gå ut ifra at koden er algoritmens essens. Hvilket lag eller nivå det gir mening å studere avhenger av forskningsspørsmålet og målet for undersøkelsen. Grovt sett kan man si at en informatiker som forsker på algoritmer eller en programmerer som forstår algoritmer typisk vil interessere seg for algoritmers yteevne, skalerbarhet, effektivitet, gjenbrukbarhet og/eller modularitet.1 En samfunnsviter eller humanist som forsker på algoritmer, derimot, er som regel interessert i helt andre aspekter ved algoritmer. Det at medievitere, sosiologer, antropologer, kulturvitere og idéhistorikere (for å nevne noen) kikker på algoritmer ut i fra for eksempel deres historiske kontekst (Chun, 2021; Rieder, 2020), kulturelle påvirkning (Finn, 2017; Striphas, 2015), organisatorisk praksis og implementering (Brayne and Christin, 2020; Christin, 2017). De kan også se på algoritmer som en kulturell forestilling (Bucher, 2018; Duffy, 2020), eller produksjonsstudier av programmeringskulturer (Seaver, 2017), og ingen av disse tilnærmingene gjør at de diskvalifiserer seg som algoritmeforskere.

Hva er det egentlig man ønsker å oppnå ved å kunne trekke ut essensen av en algoritme? På samme måte som vi vet at en essensialistisk kulturforståelse av typen «alle nordmenn er født med ski på bena» ikke er sann, burde vi unngå lignende reduksjonisme når det gjelder algoritmebegrepet. Istedenfor å gjenta spørsmålet om det obligatoriske ved å se på koden, er det kanskje på tide å spørre om det er en god grunn til at det nettopp ikke er kodestudier vi driver med i samfunnsvitenskapelige og humanistisk forskning på algoritmer?

2. «Å se på diskurser er vel og bra, men ignorerer du ikke dermed materialiteten?» Dette spørsmålet er langt mindre reduksjonistisk enn det forrige, og kanskje også en mer utbredt variant i de mange spørsmålsrundene og debattene jeg etter hvert har deltatt på. Vanligvis pleier jeg å besvare dette med at materialiteten mangler i perspektivet jeg presenterer, kun dersom man ser på diskurs og materialitet som uavhengige størrelser. Legger man til grunn en forståelse av diskurs som en uatskillelig del av materialiteten og omvendt, gir spørsmålet langt mindre mening.2 Jeg aksepterer heller ikke det underliggende premisset som sidestiller materialitet med en idé om det ikke-menneskelige. Heller vil jeg inkludere de menneskelige og diskursive aspektene i forståelsen av materialitet. Spesielt når det gjelder maskinlæringsalgoritmer synes det å opprettholde en binær forestilling om diskurs/materialitet, mennesker/algoritmer problematisk. Konklusjonen blir dermed et mot-spørsmål, om hvordan kritikken på algoritmeforskning ville sett ut, dersom man inkluderer menneskene i hva man tar algoritmens bestanddeler for å være?

3. «Spørsmålet er hvor mye (programmering) en bør kunne», men også «hva slags teknisk kunnskap som forventes av den humanistiske algoritmeforskeren»? Kunnskap kan verken kvantifiseres eller settes i bås på denne måten, og igjen kommer det selvsagt helt an på forskningsspørsmålet. Å spørre «hvor mye» eller «hva slags kunnskap» som er «nok» kan fort gi et uheldig inntrykk av at det finnes et knippe ferdigheter som man bare kan krysse av for, for å forstå algoritmer. Det er ingen som betviler at det er nyttig med kodeferdigheter, om enda bedre med kunnskap om statistikk, eller at det ville være en fordel å vite mer om systemkomponenter og teknisk infrastruktur. Men det er ikke så enkelt som å si at man skal kunne programmere for å kunne forske på algoritmer. Min basale kunnskap i programmeringsspråket Java gjør meg dessverre ikke i stand til å kunne si noe om hvordan Facebooks algoritmiske systemer påvirker sosial samhandling, eller hvorvidt YouTubes anbefalingssystemer kan virke radikaliserende. Ideen om programmering som en slags magisk vei til sikker kunnskap om dagens medieplattformer er like banal som den er utbredt. Like lite som en statsviter som analyserer politiske systemers virkemåte og politikkens praksiser trenger selv å være politiker eller å ha jobbet i forvaltning, eller en litteraturviter ikke må ha skrevet en roman eller dikte på fritiden, er det en forutsetning for en medieforsker å kunne programmere for å analysere algoritmers betydning og praksiser.

Derfor er det kanskje mer interessant i denne sammenhengen å diskutere grensesettingens og den teknisk ekspertisens politikk. Jeg har gjort meg den erfaringen at det følger helt ulike reaksjoner på om svaret på «kodespørsmålet» er «ja» eller «nei». Svarer man «ja, jeg kan programmere» stilles nærmest ingen oppfølgingsspørsmål. Svarer man «nei», eller snakker ned de basale kunnskapene man har, havner man fort i en kunnskapsdiskusjon. Det at det ikke stilles noe videre spørsmål ved omfanget eller dybden på programmeringskunnskapene, sier nok mer om faglige fordommer og uvitenhet hos den som spør enn det sier noe om forskerens utilstrekkelighet. Spørsmålet er altså hvorfor det synes nok å svare ja på kodespørsmålet enn å stille spørsmål ved kodeferdighetenes anvendelighet i møte med forskningsobjektet?

4. «Hjelp, jeg er humanist, hvordan kan jeg studere algoritmer? Hva må jeg kunne?». Dette spørsmålet er relatert til det forrige, men handler ikke direkte om programmeringskunnskap. Spørsmålet handler om det langt mer diffuse begrepet «teknisk kunnskap» og «teknisk ekspertise». Ideen om teknisk kunnskap og ekspertise har blitt en gjenganger i de aller fleste sammenhenger hvor det diskuteres samfunnsaktuelle saker. Den humanistiske aller samfunnsvitenskapelige tilsynelatende «utilstrekkelighet» i møte med den digitale verden bunner ofte i en implisitt antagelse om mangel på kunnskap. Kanskje det er på tide å snu blikket innover igjen, å heller spørre hva det er en medieviter, eller sosiolog for den saks skyld, rent faktisk kan? Men også, hvorfor man som informatiker eller programmerer slipper unna en tilsvarende holdning til sin faglige tilnærming? Hvorfor stilles sjelden det spørsmålet om hva en informatiker burde kunne om etikk, historie, psykologi eller sosial samhandling, for å programmere gode nok systemer?

5. «Hvis det er umulig for en medieviter å skaffe seg oversikten over plattformmedier og algoritmer, blir det ikke overmodig å la enkeltforskere studere dem alene»? Eller, i det minste å sørge for at man har en «informatiker» som medforfatter? Igjen er det korte svaret «nei», fordi målet med forskningen heller ikke nødvendigvis er skaffe seg «oversikt», ei heller er det så enkelt som å tenke på en informatiker som en redningsbøye. For det er ofte slik det ofte fremstår, ikke bare i anmeldelsen av boka mi jeg nevnte over, men i diskurser om humanistisk kunnskap og/eller tverrfaglighet mer generelt. Bare man har en informatiker med på laget står man liksom på tryggere grunn. Men hvor mye handler om innhold og hvor mye er egentlig bare ren framtoning?

Både forlaget mitt og jeg hadde selvfølgelig såpass mye respekt for tverrfagligheten i prosjektet at vi involverte relevant ekspertise fra teknologi- og informatikkfeltene i gjennomlesning og vurdering av manus. Jeg har også presentert arbeidet mitt på informatikkfaglige konferanser, fått boken lest gjennom i PhD-seminarer på informatikk, og diskutert de mest teknisk detaljerte delene av boka med forskere på maskinlæring og folk som jobber i Facebook. Denne respekten for tilgrensende fagfelt og andres ekspertise har tilsynelatende båret frukter, for i etterkant av utgivelsen har boka vært å finne på pensum for medie- og informatikkstudenter ved blant annet Berkeley, Colombia og Stanford.

Jeg har ikke lykkes i å få noen presis forklaring på hva Fagerjord har funnet av feil som gjør beskrivelsene av maskinlæring i boka uegnet for mediestudenter.3 Og jeg spør meg selv om boka, uavhengig av hvorvidt mine kollegaer fra informatikk eller Fagerjord har rett, hadde framstått som mer presis dersom en informatiker hadde satt navnetrekket sitt på som medforfatter? Eller aller helst om bokas avsender var et team av eksperter fra ulike fagfelt, som anmeldelsen virker å ønske seg? Jeg tror dessverre at det handler om mye av det samme som med kodespørsmålet, som stilner bare man svarer ja på om man kan kode. Merkelapper som «informatiker» og «teknolog» fungerer alarmerende avvæpnende og betryggende. Men det er det ingen annen grunn til enn retorikk og politikk.

Troen på medievitenskap

At medievitenskap blir beskrevet som et Mikke Mus-fag har vi hørt mange ganger før. Som Lars Nyre (2009) skriver i Norsk medietidsskrift, har medievitere tidligere blitt fremstilt som «liksomforskere» som bare ser på TV og er lite interesserte i ny teknologi. Medievitenskapen, skriver Nyre, er preget av faglig toleranse og tverrfaglighet. Men da synes jeg det er noe besynderlig ved at man så absolutt skal spenne bein på seg selv, ved å diskvalifisere mediefaglig kunnskap når så mange medievitere faktisk er interessert i og forsker på ny teknologi. Hvorfor lar vi oss blende av kodespørsmålet og teknologen som den eneste riktige veien til kunnskap? Hvorfor aksepterer vi det feilaktige premisset om at de ulike fagfeltene alltid snakker om det samme statiske fenomenet, stiller de samme forskningsspørsmålene eller har de samme målene med forskningen?

Som vi vet fra vitenskaps, – og teknologistudier (STS) er det ikke slik at ferdigheter er objektive og nøytrale størrelser. Som den feministiske teknovitenskapen gjentatte ganger har vist, er våre oppfattelser av hva som kvalifiserer som «teknisk kunnskap» sterkt knyttet til kjønn (Cockburn, 1985; Oldenziel, 1999; Wajcman, 2004). I sin Ph.d.-avhandling skriver Kate Miltner (2019) om hvordan kodespørsmålet må ses i historisk sammenheng, og at det ikke er en selvfølge hva som kvalifiserer som teknisk kunnskap, eller hvem som i det hele tatt anses som legitim innehaver av denne kunnskapen. Som historiker Nathan Ensmenger påpeker: «programming was not born male, but rather had to be made masculine» (2015: 44). De første programmererne var kvinner, og det var ikke før på 1960-tallet, i takt med at programmering ble ansett som krevende og komplekst, at det gradvis ble ansett som et maskulint anliggende (Abbate, 2012; Hicks, 2017). Hvor velmenende og relevant kodespørsmålet enn er, kan vi ikke helt se bort i fra den diskursive konstruksjonen og makten som historisk ligger i avgrensningen og definisjonen av hva som gjelder som teknisk ekspertise eller ei.

Før vi som medievitere, samfunnsvitere og humanister mister gangsynet på hva slags kunnskap som kreves i en teknologisk verden, og tenker vi må begynne å skrive alle bøkene og artiklene med en teknolog eller informatiker som medforfatter, la oss ta et skritt tilbake. Når det snakkes om humanistisk kompetanse eller mediestudenters ferdigheter, fremheves gjerne først og fremst evnen til å tenke kritisk og analytisk. Å studere medievitenskap handler om å fortolke, beskrive og undersøke den medierte verden og vår opplevelse av den. Debatten om humaniora og tverrfaglighet er sånn sett heller ikke akkurat ny, og har versert i forskjellige former og grader opp igjennom årene (Røe Isaksen, 2017; Skretting, 2014). Medievitenskapen selv er et dypt tverrfaglig prosjekt som i sin tid ble etablert i skjæringspunktet mellom humaniora og samfunnsvitenskapen. Hvorvidt denne tverrfagligheten har vært samlende eller polariserende har ved jevne mellomrom blitt debattert både i dette tidsskriftet (Rønning, 2008; Ytreberg, 2008), og i mer uformelle samtaler ved kaffemaskinen.

Uansett hvor spennende slike debatter og fortellinger om faglige ekskluderings, – og inkluderingsmekanismer måtte være, kan det i lengden bli både repeterende og for abstrakt. Det kan godt hende noen vil lese denne kommentaren reaktivt, som et forsvar mot ideen om en teknisk omstilling av medievitenskapen. Det ville i så fall være en feilslutning. I mine syv år ved Københavns Universitet, hvor jeg underviste og forsket i et grunnleggende tverrfaglig miljø i skjæringspunktet mellom medier og kommunikasjon og informatikk, har jeg lært mye om toleranse og respekt for andres fagligheter, og ikke minst om mine egne faglige begrensinger og styrker. For eksempel har jeg lært at statistisk kunnskap ikke er det motsatte av kritisk humanistisk tenkning, men at statistisk kunnskap gjør en i stand til kritisk analyse. Etter å ha undervist fag som konseptutvikling og IT-innovasjon har jeg sett hvordan kreative designferdigheter må kombineres med kunnskap om forretningsmodeller og organisatorisk forankring, hvis prototypene skal ha en sjanse til å leve et lengre liv enn på tegnebrettet. Ikke minst ble det tydelig at kodeferdigheter i Python eller det å designe databaser, som studentene mine måtte lære, ikke nødvendigvis gjorde dem i bedre stand til å analysere hvordan Facebooks nyhetsstrømmer fungerer, eller hvordan Spotifys algoritmiske anbefalinger kan føre til en mer ensidig musikkultur.

Poenget er at det er fullt mulig å være teknologiforsker uten å være praktiker. Medievitere ville hatt godt av å tro mer på seg selv og fagets egenskaper i møte med digital teknologi. Det er ingen motsetning mellom det å hevde at man er medieviter og algoritmeforsker, humanist og teknologikyndig. Det er på tide at vi tar oss selv mer seriøst, og ikke bare tenker på hva vi mangler av kunnskap, men også hva vi kan bidra med i teknologidebatter og teknologiforskning nettopp på bakgrunn av det vi allerede vet i kraft av å være medievitere. Neste gang noen roper etter en teknolog eller en informatiker, spør dem hva det rent konkret innebærer og hvorfor denne kompetansen kreves. Neste gang det etterspørres realfaglig ekspertise for å forstå hvordan kunstig intelligens er i ferd med å bre om seg, gjør det klart og tydelig at kritisk og analytisk kunnskap om mennesker, samhandling, og fortolkning av verden er minst like viktige egenskaper for å forstå den digitale omstillingen. Neste gang noen mener man må kode for å kalle seg algoritmeforsker, vær akkurat litt mer sikker på at dette bare er et retorisk villspor.

Referanser

Abbate, J. (2012). Recoding gender: Women's changing participation in computing. Cambridge, Mass.: MIT Press.

Barad, K. (2007). Meeting the universe halfway: Quantum physics and the entanglement of matter and meaning. Durham: Duke University Press.

Brayne, S., & Christin, A. (2020). Technologies of Crime Prediction: The Reception of Algorithms in Policing and Criminal Courts. Social Problems.

Bucher, T. (2018). If... then: Algorithmic power and politics. New York: Oxford University Press.

Bucher, T. (2016). Neither black nor box: Ways of knowing algorithms. I Innovative methods in media and communication research (s. 81–98). Palgrave Macmillan, Cham.

Christin, A. (2017). Algorithms in practice: Comparing web journalism and criminal justice. Big Data & Society, 4(2), 2053951717718855.

Chun, W.H.K. (2021). Discriminating Data. Cambridge, Mass.: MIT Press.

Cockburn, C. (1985). Machinery of Dominance: Men. Women and Technical Know-How. London: Pluto.

Duffy, B. E. (2020). Algorithmic precarity in cultural work. Communication and the Public, 2057047320959855.

Ensmenger, N. (2015). “Beards, sandals, and other signs of rugged individualism”: masculine culture within the computing professions. Osiris, 30(1), 38–65.

Fagerjord, A. (2019). Taina Bucher: If…Then: Algorithmic Power and Politics. Norsk medietidsskrift 1(26): https://www.idunn.no/nmt/2019/01/taina_bucher_ifthen_algorithmic_power_and_politics

Finn, E. (2017). What algorithms want: Imagination in the age of computing. MIT Press.

Hacking, I. (1999). The social construction of what? Cambridge, Mass.: Harvard University Press.

Hicks, M. (2017). Programmed inequality: How Britain discarded women technologists and lost its edge in computing. Cambridge, Mass.: MIT Press.

Miltner, K. (2019). Anyone can code? The coding fetish and the politics of sociotechnical belonging. Upublisert Ph.d.-avhandling. University of Southern California.

Nyre, L. (2009). Mikke Mus-faget slår tilbake. Norsk medietidsskrift 1(16): https://www.idunn.no/nmt/2009/01/leder

Oldenziel, R. (1999). Making technology masculine: men, women and modern machines in America, 1870-1945. Amsterdam: Amsterdam University Press.

Orlikowski, W. J., & Scott, S. V. (2015). Exploring material-discursive practices. Journal of management studies, 52(5), 697–705.

Rieder, B. (2020). Engines of order: A mechanology of algorithmic techniques. Amsterdam: Amsterdam University Press.

Røe Isaksen, T. (2017). Hva skal vi med humaniora? Nytt Norsk Tidsskrift 01 (34).

Rønning, H. (2008). Medieforskningens utfordringer og Espen Ytrbergs stråmenn. Norsk Medietidsskrift 4 (15): https://www.idunn.no/nmt/2008/04/medieforskningens_utfordringer_og_espen_ytrebergs_stramenn

Seaver, N. (2017). Algorithms as culture: Some tactics for the ethnography of algorithmic systems. Big Data & Society, 4(2), 2053951717738104.

Skretting, K. (2014). Debatten om humaniora. Norsk Medietidsskrift, 01 (21): https://www.idunn.no/nmt/2014/01/debatten_om_humaniora

Striphas, T. (2015). Algorithmic culture. European Journal of Cultural Studies, 18(4-5), 395–412.

Wajcman, J. (2004). Technofeminism. Cambridge: Polity Press.

Ytreberg, E. (2008). Metodeutfordringer etter polariseringens tid. Norsk medietidsskrift, 1(15): https://www.idunn.no/nmt/2008/01/metodeutfordringer_etter_polariseringens_tid