在美国经济流动性的道路上,不公平的教育、健康、和就业系统,为了利益,留下许多色彩的儿童和家庭,陷入深深的车辙的种族、财富和邮政编码。真的有影响,我们必须看下面的表面理解导致不平等的因素。数据使我们能够得到根源和上游合作,创造公平的途径受阻的结构性种族主义。

装备社区工具来识别、收集和报告“系统数据”,延续种族差异在教育和就业结果可以帮助改变这一状况。社区可以使用数据与人们最影响系统性inequities-including黑色,土著,Latinx,亚洲青年和家庭,人们经历贫困然后破坏这些系统。定量和定性数据通知策略,指导社区识别、测试和改进策略来解决不平等问题的根源。数据燃料equity-centered协作改进方法来获得更好的结果。通过努力基本政策和制度变化,实践,资源,和权力结构,我们可以消除结构性种族主义和促进公平的结果。

严格使用定性和定量数据指导非营利我带领的演变。StrivePartnership早期以来,影响集体行动在辛辛那提,俄亥俄州和肯塔基州北部,我们知道我们可以积极影响通过使用数据来解决系统性障碍限制机会。早期的成功导致了民族运动,从摇篮到职业网络跨越30个州和近70个社区。现在被称为StriveTogether,我们不断学习社区加强数据实现全民使用结果。数据有助于网络成员挖掘结构性不平等的根源在教育、卫生、食品、住房、交通、金融、法律、和其他系统影响青年和家庭的幸福。数据还在测试和指导社区改善策略实现持久的结果。系统转换的最终目的是经济流动性创造公平的途径。网络成员使用数据强调不平等的学前教育经费,运输,和社区支持服务系统负责改善结果的年轻人。

阅读全文扰乱系统性的不平等通过詹妮弗Blatz斯坦福大学社会创新审查。