Predicting Author Gender Using Machine Learning Algorithms: Looking Beyond the Binary

• Main Author: Kaylin Land
• Format: Article
• Language: English
• Published: Open Library of Humanities 2020-10-01
• Series: Digital Studies
• Subjects: machine learning algorithms; feminist theory; queer theory; author gender; gender performance; algorithmic criticism
• Online Access: https://www.digitalstudies.org//articles/362

This paper explores the relationship between digital humanities studies that utilize computer algorithms to identify author gender and feminist and queer literary theory. I argue that utilizing computer algorithms to sort literature into the categories “authored by a male” or “authored by a female” is too reductive in its treatment of gender as binary. However, I suggest computer algorithms could be utilized to explore the performative aspects of author gender and to ask larger questions about algorithmic criticism, the author as a subject, and the relationship between morphological and cultural properties of texts.   Résumé Cet article explore la relation entre les études des humanités numériques, qui se servent d’algorithmes informatisés afin d’identifier le genre d’un auteur, et la théorie féministe et homosexuelle. Je soutiens que l’usage d’algorithmes informatisés pour catégoriser la littérature comme « écrit par un homme » ou « écrit par une femme » est trop réducteur par rapport à son traitement binaire de genre. Cependant, je suggère que les algorithmes informatisés peuvent être employés dans le but d’explorer les aspects performatifs du genre de l’auteur, ainsi que dans le but de soulever de plus grandes questions sur la critique d’algorithme, sur l’auteur en tant que sujet et sur le lien entre les caractéristiques de textes morphologiques et culturels.     Mots-clés: algorithmes d’apprentissage automatique; théorie féministe; théorie queer; genre d’auteur; expression de genre; critique algorithmique