公平性

想找份理想工作？你得先通過AI這一關
編譯／劉大維

當越來越多的企業採用AI徵才，如何寫一份機器看得懂的履歷，成為網路時代必備的求職技能。

AI的參與式設計正義
編譯／江彥成、黃思齊

AI的判斷是否會比人類更公平，讓世界變得更美好？參與式設計是否讓我們又向公平AI更進一步？

當演算法決策結果對自己有利時，我們才會覺得公平嗎？
撰文／楊期蘭（日本東京大學學際情報學）

我們未來能不能通過智慧系統的判斷取得工作或入學資格、通過考試、通過信用評等，都會有演算法的介入。當越來越多事情交由演算法決定後，你會不會好奇這些決定我們得到多少機會的演算法到底「公不公平」？一起來看看人機互動研究者們如何透過線上實驗發現：當演算法結果對個人有利時，即便我們明知這是一個帶有偏見的演算法，也會認為它是公平的？！既然如此，數位素養能夠改變我們對公平的感受嗎？

偏差的模型比想像中致命
編譯／劉大維

當前這個萬物聯網的世界每天都產生海量的大數據，用來訓練機器的資料不虞匱乏，但如何篩選及處理才是問題所在。因為用來訓練的資料，關係到模型的成效表現。使用偏差、失衡的資料來訓練機器，更會有災難性的後果。

性盲信用評比中的性別偏見
編譯／陳宣豪

2019年11月的某個清晨，紐約金融服務部對高盛集團展開一項性平調查。原因是David Heinemeier Hansson（網頁應用開發框架Ruby on Rails的原創者）在Twitter上發文，指控蘋果公司信用卡Apple Card的核卡制度不利於女性申辦人。在自己與妻子同時以聯合納稅申報表申辦的前提下，核發給自己的刷卡額度竟是妻子的20倍！對此，委託管理Apple Card的高盛，在聲明中強調內部信用評估所使用的演算法完全不考慮「性別」這項因子。這凸顯了AI公平性這項議題上的一個弔詭：當電腦完全不知道某人性別時，如何去歧視？

打造對身障者友善的AI
編譯／陳宣豪

人臉辨識系統無法辨識黑人女性，或將黑人視為潛在罪犯，種種AI表現出針對特定種族或性別的認知偏差，已引發廣泛的關注。即使研究人員已努力設法解決這些潛在的社會歧視問題，但仍有部分弱勢團體往往在這類討論中被忽略，尤其肢體或精神障礙者。

偏見如何形成？由人類到AI
編譯／黃柏瑋

偏見，針對特定個體或族群產生難以事實或其他跡證撼動的既定印象，看似一種涉及高等認知能力、專屬於人類的社會現象。即使許多電腦演算法的公平性受到質疑，但多被歸因於訓練集中無法完全剔除的人類「偏見」所致，演算法最多只是忠實反映人類社會中既有的種族或性別問題。然而英國卡地夫大學與美國麻省理工學院共同主持的一篇研究，卻認為看似「不經大腦」的「有樣學樣」或許正是促使偏見形成的禍首。