通过人们对种族的不一致认知来检测种族偏见

《SCIENCE ADVANCES》：Testing for racial bias using inconsistent perceptions of race

本文提出一种新型种族偏见测试方法，通过比较同一人在不同时间被感知为不同种族时的处理差异，避免传统方法因遗漏变量导致的偏差。实证分析美国亚利桑那、科罗拉多和得克萨斯州警察交通拦截数据，发现被感知为拉丁裔的驾驶员更可能被搜查或逮捕（搜索率差异24%），且结果在控制多种混杂因素后仍显著。该方法适用于医疗、司法、雇佣等多场景的偏见检测，尤其适用于记录感知种族而非自我报告的长期观测数据。

　　在探讨种族偏见对社会各个领域的影响时，研究者通常关注不同种族个体在相似情境下是否被给予了不同的对待。然而，这种比较方法存在一个根本性的挑战：个体之间的差异不仅仅体现在种族上，还可能涉及其他因素，如年龄、性别、社会经济状况等。这些非种族相关的变量可能在分析中造成混淆，使得偏见的识别变得复杂。为了解决这一问题，研究者们提出了多种方法，包括随机对照实验、自然实验以及控制相关变量等。这些方法的核心目标是排除非种族因素的干扰，从而更准确地评估是否存在偏见。

本文提出了一种全新的方法，通过分析同一人在不同时间点因种族被不同感知而受到的差异性对待，来检测偏见。这一方法的优势在于，它不需要将不同种族个体进行直接对比，而是关注同一人因种族被感知不同而经历的不同结果。这种方法可以广泛应用于那些记录的是对个体的感知种族或性别，而不是自我报告种族或性别，并且同一人被多次观察的场景中。例如，在警务领域，我们可以利用同一驾驶员在不同时间被感知为不同种族而受到的搜索或逮捕率差异，来评估是否存在种族偏见。

研究者们在实际应用中发现，同一驾驶员在被感知为西班牙裔时，更有可能被警察搜索或逮捕。这一发现表明，警察在处理交通违规时，可能会对被感知为西班牙裔的驾驶员采取更严厉的措施。进一步的分析表明，这种差异不仅仅是统计上的巧合，而是具有实际意义的偏见表现。研究还指出，这种偏见的存在可能受到多种因素的影响，例如种族的感知与当地社会环境、经济状况和执法者的个人态度等有关。

本文的贡献在于，提出了一种新的偏见检测方法，该方法通过分析同一人在不同时间点因种族被不同感知而受到的不同对待，来评估是否存在种族偏见。这种方法可以广泛应用于其他领域，如医疗、教育、司法和儿童保护等，这些领域中同样存在对个体的感知身份与自我报告身份之间的差异。例如，在医疗领域，医生对患者的种族感知可能影响其诊断和治疗方式；在司法系统中，法官对被告的种族感知可能影响其判决结果；在教育领域，教师对学生的种族感知可能影响其教学态度和评估方式。

此外，本文还讨论了在实际应用中需要注意的几个关键点。首先，研究需要确保所使用的数据是基于执法者的感知，而不是自我报告。为了验证这一点，研究者们联系了三个州的执法部门，确认了数据的记录方式。其次，研究者们分析了不同州的数据，发现结果在各州之间具有一定的相似性，但也有细微的差异。这些差异可能与各州的执法政策、社会背景和数据记录的准确性有关。

在分析过程中，研究者们还考虑了多种可能的非偏见解释，例如时间因素、地点因素以及执法者的个人行为等。通过排除这些因素，研究者们确认了其核心发现的稳健性。他们还进行了敏感性分析，以评估不同模型和控制变量对结果的影响。结果显示，即使在排除了多种潜在的非偏见因素后，研究发现的偏见仍然显著。

总的来说，本文提出了一种新的方法，通过分析同一人在不同时间点因种族被不同感知而受到的不同对待，来检测偏见。这一方法不仅适用于警务领域，还可以广泛应用于其他领域，为识别和评估偏见提供了新的视角和工具。研究者们希望这一方法能够促进对社会偏见的更深入理解，并为减少偏见提供科学依据。