Shira Mitchell 等人於 2021 年發表的綜述〈Algorithmic Fairness: Choices, Assumptions, and Definitions〉整理預測模型公平研究中的多種定義,指出公平評估會依賴對預測決策、錯誤成本、基準率與使用情境的假設。Stefan Buijsman 於 2023 年發表、2024 年刊於《AI and Ethics》的文章則指出,常見統計公平指標可能彼此無法同時最佳化,公平與準確度之間也可能存在取捨。
因此,選擇公平指標本身就是倫理與政治決策:誰承擔假陽性、假陰性或資源分配錯誤,往往比單一總體分數更重要。技術指標可用來診斷差異,但無法自行決定何種差異在特定社會脈絡中可接受。
思與行
- 在選擇公平指標前,先與利害關係人確認哪一類錯誤最可能傷害誰,以及為何。
- 同時報告多個指標與指標衝突,不以單一總分宣稱系統已經公平。