Sejak kelahiran novel-novel berbahasa Inggris modern pada tahun 1700-an, karakter pria dan wanita dari Paul Atreides hingga Elizabeth Bennet telah tertawa, menyeringai, merasakan dan bertindak melalui halaman-halaman mereka. Sebuah studi baru yang dilakukan dengan menggunakan algoritma pembelajaran mesin telah menawarkan perspektif baru tentang sejarah mereka. "The Transformation of Gender in English-Language Fiction, " yang diterbitkan minggu ini di jurnal Cultural Analytics, menganalisis penyajian gender di lebih dari 100.000 novel, menemukan paradoks ketika sampai pada novel-novel abad ke-20: sebagai peran gender yang kaku tampaknya menghilang, menunjukkan lebih banyak kesetaraan antara jenis kelamin, jumlah karakter wanita - dan proporsi penulis wanita - menurun.
Dibangun oleh penulis studi Ted Underwood, seorang profesor Bahasa Inggris dan Ilmu Informasi di University of Illinois, dan ilmuwan informasi penulis bersama David Bamman dari University of California di Berkeley, algoritme tersebut menganalisis karakter dan penulis 104.000 novel — jauh lebih banyak daripada Anda akan membaca seumur hidup. Underwood dan Bamman awalnya membangun algoritma untuk studi sebelumnya tentang karakterisasi: mereka bergabung dalam studi saat ini oleh rekan penulis Sabrina Lee, seorang mahasiswa pascasarjana di University of Illinois. Novel-novel tersebut dipilih terutama dari Perpustakaan Digital HathiTrust dan mewakili pilihan buku terlaris dari tahun 1703 hingga 2009. Daftar tersebut mencakup judul-judul populer seperti Pride and Prejudice, Dune dan beberapa novel Raymond Chandler.
Setelah melihat data dan mengelompokkannya berdasarkan waktu, para peneliti dapat melihat tren selama periode tertentu: antara sekitar 1800 dan 1970-an, misalnya, "penurunan terus-menerus" dalam proporsi penulis wanita — dari sekitar 50 persen menjadi kurang dari 25 persen. Pada periode yang sama, mereka melihat penurunan jumlah karakter wanita yang disebutkan. Tren-tren itu mulai berbalik di bagian akhir abad ke-20. Dan selama masa studi mereka, perubahan dramatis dan cepat dalam kata-kata yang digunakan untuk mengkarakterisasi gender - serta penurunan jumlah kata-kata khusus gender.
Banyak dari kata-kata itu tidak secara eksplisit bersifat gender, seperti "hati" atau "rumah, " meskipun kata-kata yang berpotensi gender seperti "rok" atau "kumis" tidak dikecualikan. Misalnya, pada 1800-an kata kerja "merasa" lebih terkait dengan wanita, sedangkan kata kerja "mendapat" lebih sering dikaitkan dengan pria. Tren ini menurun dari waktu ke waktu, hingga tahun 1900-an, kata-kata lain lebih menonjol dikaitkan dengan pria dan wanita. Pada 1900-an, kata-kata yang berhubungan dengan kegembiraan menjadi lebih terkait dengan wanita dan ada penurunan yang sesuai dalam penggunaan kata-kata itu dalam kaitannya dengan pria. "Wanita tersenyum dan tertawa, " tulis para penulis, "tetapi pria abad pertengahan, tampaknya, hanya bisa tersenyum dan terkekeh." Demikian pula, pada abad ke-19, ada lebih banyak diskusi tentang perasaan, pada awalnya sebagian besar berkaitan dengan karakter wanita. Pada abad ke-20, ada lebih banyak tentang tubuh dan pakaian — misalnya, pria abad pertengahan terus-menerus memasukkan barang-barang ke dalam saku atau mengeluarkannya.
Ini adalah jenis hasil yang menunjukkan perlunya pendekatan pembelajaran mesin, Underwood mengatakan: "Kenyataannya adalah, budaya tidak datang dengan definisi yang jelas tentang apa itu gender atau apa bahkan genre sastra, " katanya. "Dan pembelajaran mesin memungkinkan kita bekerja dengan konsep-konsep yang tidak jelas."
Metode ini lebih sering digunakan untuk bekerja dengan data perbankan atau untuk membantu mobil yang mengemudi sendiri tetap aman, sehingga mungkin tampak seperti kecocokan yang aneh untuk menganalisis novel. Tetapi Underwood, dan cendekiawan lain di bidang humaniora digital, melihat potensi besar.
Seth Long, seorang profesor bahasa Inggris di Universitas Nebraska yang juga bekerja di bidang humaniora digital, mengatakan hasil tak terduga ini menunjukkan kekuatan data besar untuk beasiswa humaniora. "Pemodelan statistik akan membutuhkan cara yang sangat berbeda untuk memahami sejarah sastra, " katanya. Algoritma adalah batu tulis kosong sampai diberikan informasi, tetapi begitu memiliki informasi itu, ia dapat menarik hal-hal yang tidak dapat dilakukan orang. Dalam hal ini, itu memotong asumsi ilmiah tentang bagaimana sejarah sastra harus mengikuti sejarah perkembangan sosial perempuan.
"Ketika Anda melihat [studi] bersama proyek-proyek sejarah sastra yang lebih tradisional, Anda dapat melihat koneksi yang mungkin tidak Anda lihat, " kata Claire Jarvis, seorang profesor bahasa Inggris di Stanford University. Itu menegaskan beberapa "firasat" yang dia miliki tentang jalur sastra, secara kuantitatif. Ini termasuk penurunan proporsi penulis perempuan selama periode waktu yang diteliti, yang mengejutkan Underwood.
"Saya akan mengharapkan untuk melihat beberapa kemajuan, hanya dalam hal kesetaraan representasi pada wanita dalam fiksi, " kata Underwood. “Mungkin tidak banyak kemajuan, tetapi beberapa kemajuan. Dan kami benar-benar tidak melihatnya. ”
Novel pertama yang menggunakan bahasa Inggris modern dipandang lebih sebagai hiburan dan kurang sebagai upaya sastra yang sah. Tetapi "ketika novel itu menjadi semakin dan semakin terhormat, " kata Jarvis, "itu menjadi kurang terkait dengan kepengarangan wanita." Dengan kata lain: laki-laki mulai menulis novel ketika mulai terlihat seperti pengejaran "serius".
Meskipun sejarawan sastra telah berbicara tentang kepergian perempuan dari novel pada titik-titik tertentu sebelumnya, kata Underwood, tidak ada yang melakukan jenis pekerjaan berskala luas yang akan menunjukkan tren berkelanjutan. Di situlah pembelajaran mesin masuk.
Lee mengatakan, "Sarjana sastra, kami sangat sadar bahwa ada keheningan, " - yaitu, tempat-tempat dalam sejarah sastra di mana buku tidak ditulis. Keheningan lain yang menurutnya penting adalah semakin tidak adanya tokoh perempuan dalam novel-novel yang diteliti. Dia adalah penggemar novel-novel pseudonim penulis Italia Elena Ferrante, dan mengatakan bahwa karakterisasi persahabatan perempuan dalam buku-buku Ferrante menyoroti "keheningan" persahabatan perempuan dalam fiksi di tempat lain, baik dari masa lalu dan sekarang. Baginya, penelitian ini menggarisbawahi hal yang sama, dan menyoroti "pentingnya bekerja dengan wanita melihat wanita." Ketiadaan wanita dari novel "telah diam-diam membentuk perasaan kita tentang sejarah sastra, " kata Underwood.
Para penulis mencatat bahwa penelitian mereka tidak mencakup semua novel yang ditulis selama periode waktu ini, dan kehilangan representasi dari genre fiksi seperti novel roman dan fiksi detektif, yang menjadi populer di abad ke-20. Namun, para peneliti mengambil langkah-langkah untuk memperbaiki bias mereka dengan menguji database mereka terhadap database lain. Buku-buku yang mereka pilih mewakili literatur yang dianggap penting oleh perpustakaan akademik, dan penulis mencatat bahwa ada lebih banyak pekerjaan yang harus dilakukan pada fiksi genre. “Jenis kelamin sastra dapat dibangun secara berbeda dalam genre yang berbeda, atau di berbagai bagian bidang sastra, ” tulis para penulis.
Metode pembelajaran mesin menawarkan cara baru untuk melihat keheningan dan kehadiran masa lalu — anehnya, melalui lensa prediksi. Secara umum, algoritma digunakan untuk membuat prediksi atau mendeteksi pola berdasarkan serangkaian informasi, tetapi Long mengatakan penggunaannya untuk sejarah adalah bahwa mereka dapat mendeteksi tren jangka panjang di masa lalu, serta saat ini atau masa depan. "Saya pikir itu cara yang sangat kuat untuk menjaga interpretasi kita sendiri terkendali, " katanya.
