AI 公平不是只處理模型準確率,而是從資料如何生成、分類目標如何設定、錯誤成本由誰承擔,一路追問到制度本身是否正當。交織性分析能看見不同權力關係如何共同塑造群體風險。

flowchart LR
 A[歷史與制度不平等] --> B[資料收集與分類]
 B --> C[模型目標與標籤]
 C --> D[預測與決策]
 D --> E[群體差異與錯誤成本]
 E --> F[公平指標選擇]
 F --> G[公共審議與制度修正]
 H[交織性] --> B
 H --> E
 I[資料正義] --> B
 I --> G
 J[申訴與救濟] --> G

概念連結:演算法公平、交織性、資料正義、自動化偏見、自動化不平等、公共利益。

研究連結:Gender Shades研究證明人臉分類錯誤會沿種族與性別交織分布、演算法公平研究指出公平定義包含不可迴避的價值選擇、種族科技論指出自動化可能用中立外觀延續既有種族階序、福利自動化可能把貧困者轉化為風險分數與監控對象。