公平的范畴

《ACM Journal on Responsible Computing》：The Reach of Fairness

公平与机器学习 首次提出公平性应涵盖消除机会壁垒等非群体歧视形式，强调算法决策需平衡组织公平与社会机会平等，基于罗尔斯理论分析AI大规模部署对收入分配、政治自由及公共讨论的影响。

　　

摘要

在探讨Barocas、Hardt和Narayanan的《公平与机器学习》（Fairness and Machine Learning, FaML）一书时，我们旨在拓展关于机器学习和算法决策的规范性讨论范围。基于将自由和平等的人之间的公平合作视为基本政治价值的理解，我们认为对公平性和机器学习的关注需要在三个方面得到扩展。首先，不公平和歧视不仅仅是系统性群体 subordinate 的问题；我们还关注其他形式的不公平现象——这些现象并非针对弱势群体，而是涉及消除机会障碍，并提出了对算法决策的实际影响建议。其次，虽然我们在很大程度上赞同FaML关于公平组织决策的方法，但我们强调仅关注公平组织决策在促进社会机会平等方面的局限性。最后，借鉴罗尔斯的理论，我们提出了一个公平社会的多个方面，这些方面并不仅仅是机会平等的问题，并探讨了算法和人工智能对社会公平性的更广泛、尚未充分研究的潜在影响。具体而言，我们分析了大规模部署人工智能对收入和财富的公平分配、政治自由以及公共讨论等方面的影响。