综述：超越数字：定量批判理论中种族分类的反思性探索

这篇综述深入探讨了定量批判理论（QuantCrit）在种族分类研究中的应用，通过作者（Lucy Arellano和Carlos A Fitch）的反思性实践，批判传统定量方法中种族变量的简化处理，提出结合人工智能（AI）和交叉性理论（Intersectionality）的创新方向，倡导方法论正义（Methodological Justice）和去殖民化数据实践。

　　

引言

定量方法在种族研究中的局限性长期存在，而定量批判理论（QuantCrit）作为批判种族理论（CRT）的衍生，近十年逐渐兴起。本文通过一名教师和博士生的学术历程，聚焦QuantCrit第三原则——“分类既非自然亦非既定”，探讨种族分类的复杂性及其在量化研究中的重构可能。

我们的定量批判方法论启蒙

教师视角

硕士阶段的一堂统计课成为批判性思维的起点。当回归模型中“拉丁裔”身份以三颗星（*）标记“显著性”时，质疑随之而来：“如何将种族与其他变量（如收入）等同控制？”教师的回答暴露了传统量化方法对种族社会性的忽视。

学生视角

博士初期对量化研究的抗拒源于其“去人性化”倾向，直到QuantCrit课程揭示了统计技术（如集中趋势、回归系数）如何掩盖系统性压迫。第三原则对“非自然分类”的阐释，尤其与有色人种多重身份产生共鸣。

QuantCrit文献中的分类批判

学者们指出传统分类的三大问题：

1. 1.

   种族/民族聚合：如拉丁裔群体被简化为“墨西哥裔”“波多黎各裔”和“其他”，导致中美洲、南美洲多样性消失。

2. 2.

   交叉性缺失：性别、阶级等维度常被剥离，如调查表中“其他”选项加剧了酷儿/跨性别者的边缘化。

3. 3.

   语言暴力：Castillo等批判“未列出类别”等表述，主张自由文本输入以尊重参与者自我认同。

创新案例包括：

• •

  Vélez开发的职业指数，以社会经济地位挑战白人中心标准；

• •

  López设计的20类交叉框架，细化种族、性别、阶级的交织影响。

对既有研究的自我批判

一项获美国西班牙裔高等教育协会奖项的研究，因数据限制被迫将15,000名拉丁裔学生分为三类（墨西哥裔50%、波多黎各裔16.5%、其他拉丁裔38.5%）。尽管通过系数平衡测试弥补样本量差异，但“其他拉丁裔”内部（古巴人、萨尔瓦多人等）的异质性仍被掩盖。反思后提出：未来研究应采用开放式文本输入，结合AI技术解析多样化响应。

未来方向

人工智能的QuantCrit应用

AI可高效处理开放式身份数据，但需警惕算法偏见。例如，医疗影像领域已证明AI对少数族裔的误诊率更高，提示教育研究需建立伦理框架（如数据隐私、环境成本核算）。

交叉性的量化实现

当前研究仅能“统计交叉”（如同时分析种族+性别），但Crenshaw提出的“系统性权力交织”尚未量化。Fong建议将种族作为协变量，动态捕捉压迫叠加效应。

分类连续体

博士生Collins的创新实验中，参与者通过自评量表标注身份的权力/压迫程度，打破二元分类。这种“第三空间”方法呼应Trans QuantCrit对非二元性别的包容主张。

结论

QuantCrit不仅是方法革新，更是对学术霸权的挑战。从AI伦理到交叉性建模，其核心在于将“人”重新置于数据中心，正如文末呼吁：“回归祖先智慧，让数字为解放服务。”