自動化不平等

《自動化不平等》研究的不是未來失控的人工智慧，而是已在日常行政中決定誰能取得食物、醫療、住房和家庭完整性的系統。Virginia Eubanks 走進印第安納州福利資格自動化、洛杉磯無家者協調入住系統，以及阿勒格尼郡兒童福利風險模型，以當事人經歷說明：演算法沒有把政治移出決定，只是把資源短缺、懷疑貧困者和懲罰求助者的政策寫進新流程。

印第安納州展示「效率」如何成為拒絕服務的機器。福利行政交給私人承包商和遠端系統後，表格遺漏、錯過電話或文件傳遞失敗都可能被解釋為「不配合」；三年內約有一百萬份醫療、食物和現金援助申請被拒。錯誤不再由熟悉家庭處境的工作者修正，而分散在客服中心、資料庫與申訴程序間。自動化減少的不是貧窮，而是機構面對申請者並說明決定的責任。

洛杉磯的評分系統面對住房遠少於需求的現實。問卷把健康、創傷、暴力和街頭經驗轉成脆弱性分數，用來排列有限住房。排序或許比臨時決定一致，卻不能創造一間房；它還要求人們用極私密的歷史換取排隊位置。高分者仍可能等待多年，低分者則因「不夠脆弱」被排除。技術把「為何沒有足夠住房」的政治問題，改寫成更精細地管理匱乏。

兒童保護案例揭示資料如何混淆貧窮與危險。風險模型調用家庭使用公共服務的紀錄，低收入家庭本就較常與福利、醫療、司法機構接觸，因此留下更多可計算資料。富裕家庭購買私人照護而較少進入資料庫；貧困母親、黑人家庭、障礙父母和單親家庭則更容易被看見、通報和調查。預測形成回饋循環：監控產生紀錄，紀錄又成為需要更多監控的證據。

Eubanks 以「數位濟貧院」把案例連到美國長期的貧窮治理史。過去的濟貧院、資格審查和科學慈善區分「值得」與「不值得」的窮人，藉此限制援助；今日的資料比對、反詐欺和風險預測繼承同一倫理，只讓排除看似客觀。女性主義利害尤其直接：母親、照護者、障礙者和暴力倖存者更依賴公共系統，也更可能因求助受審。所謂反詐欺常把生存策略變成道德失敗。

本書並不主張技術天生邪惡，也不浪漫化人工官僚判斷。透明、可申訴且有足夠資源的系統可以減少部分任意性。問題是自動化被放進緊縮與懲罰框架，並先在權力最少的人身上試驗。三個美國案例不能代表所有國家或後來模型，系統和法律也會改變。持久問題不在某個參數，而在技術究竟擴大資源和自主，還是讓拒絕、監控與家庭分離更便宜。

對 FemRes 讀者而言，可用一組問題檢驗公共技術：系統處理需求，還是只替需求排序？當事人知道使用哪些資料嗎？能否理解並挑戰決定？誰可退出，誰必須交出隱私才能生存？誰修正錯誤，節省的成本又轉嫁給誰？與福利權利、廢除家庭監管、障礙正義和照護經濟研究並讀，本書的結論是：沒有分配正義，更聰明的系統只會把不平等管理得更順暢。