综述：作为人机交互问题的算法公平性

《Current Opinion in Psychology》：Algorithmic fairness as a human–technology interaction problem

　　

算法塑造着社会中的高风险决策。算法在带来效率的同时，也引发了公平担忧。本文提出，算法公平性最好被理解为一个“人–技术”交互问题，而非纯粹的技术挑战。算法可以复制人类偏见，通过反馈循环放大这些偏见，或者通过目标设定、代理变量（proxies）及看似中立的变量产生新形式的不公平。然而，它们也可以使决策过程更加明确，使差异性更加可见，并积极减轻歧视。公平不仅取决于统计特性，还取决于算法如何被设计、使用以及受其决策影响的人们如何体验。因此，本文提供了一个跨学科视角，整合了社会正义、心理学、计算机科学、判断与决策研究以及管理学等领域的见解。

Introduction（引言）
算法日益支持或替代人类判断，出现在教育、金融、医疗、人力资源和营销等领域。例如招聘筛选算法承诺高效、可扩展、一致和准确，但若基于历史数据训练，可能学习到先前人类偏见，进而使已边缘化群体处于不利地位。围绕算法的公共争论常摇摆于“客观工具”与“歧视技术”两种片面观点之间。本文指出，算法并非在真空中部署，而是嵌入制度、历史不平等、组织激励与社会价值之中。因此，算法公平最好被理解为人–技术交互问题，而非纯技术属性。人类通过数据、目标和治理选择塑造技术；同时，算法通过偏差缓解和差异可视化促进公平。

What makes an algorithm fair?（什么使算法公平？）
公平是多维的，常按受保护属性（如性别、种族、民族、年龄、残疾状态或宗教）划分群体进行比较。社会心理学和组织公平研究区分了分配公平（结果与投入成比例）、程序公平（程序一致、无偏、准确、可纠正、代表性和道德）以及互动公平（人际尊重与信息充分性）。计算机科学中主要统计公平概念包括独立性（有利结果在群体间相似）、分离性（