面向人工智慧的資料女性主義

Lauren Klein 與 Catherine D’Ignazio 並未把《Data Feminism》的七項原則包裝成替現成模型評分的檢查表。這篇發表於 2024 年 FAccT 會議的理論論文，重新說明為何資料女性主義仍是理解 AI 的必要方法：問題不只在模型是否有偏差，也在誰能決定研究議程、誰的資料被蒐集與解釋、誰掌握基礎設施，以及系統的收益和代價如何分配。作者將交織性視為分析結構性權力的方法，而不是在模型中多加幾個身分標籤。論文沿用《Data Feminism》的七項原則；環境影響與同意則是作者提出、值得繼續發展的兩個方向，並非已定稿的新原則。官方會議論文 PDF（印刷頁 100–112；會議日期為 2024 年 6 月 3–6 日）。

「檢視權力」在文中並非抽象口號。作者以美國租客篩查服務為例：系統彙整驅逐紀錄、逮捕紀錄與信用分數，推測租客支付房租的能力；這些資料品質參差，又出自高度種族化的住宅制度，因此自動評分可能把既有排斥重新包裝成中立預測。論文進一步指出資訊權力的不對稱：房東可以透過資料了解租客，租客卻缺乏工具追查房東不當驅逐或住房維護問題。女性主義 AI 設計的目標因而改變——不是替房東更有效率地篩選人，而是設想能增加租客集體知情與行動能力的工具（印刷頁 102–103）。這也提醒讀者，單獨改善準確率，未必會改變系統服務誰、鞏固何種制度。

論文對「情境知識」與「身體經驗」的討論，追問誰的警告會被當成知識。作者回看 Joy Buolamwini 以自身面孔檢驗人臉辨識的稽核，也討論由黑人女性研究者帶頭揭露 LAION 多模態資料集中厭女、種族主義與色情暴力內容的工作；論文強調，研究者的經驗並非損害客觀性的干擾，而是辨識技術傷害的重要認識位置。問題也在於知識權威如何分配：相關擔憂在由史丹佛白人研究者重複驗證後，才更受資料集組織重視（印刷頁 104–105）。這段分析將「代表性」從樣本是否多元，推進到誰有資格解釋證據、誰的判斷會被機構採信。

更有力的例子來自跨美洲女性主義資料行動者參與設計的一項新聞分類工具。研究團隊原想用機器學習辨識女性殺戮（feminicide）相關新聞，以減輕行動者整理工作的負擔；但參與者反對將流程完全自動化，因為女性殺戮的定義無法脫離具體情境而普遍化，而記錄與辨認遇害者也是一種記憶正義，不能簡化為提高處理速度的任務。共同設計因此不只是上線前徵詢意見，而是讓相關社群改變工具的目的與自動化界線；論文指出，這個專案後來被人權監測團體採用（印刷頁 105–106）。這個案例最值得追問的不是「AI 能不能分類」，而是當演算法把政治記憶轉成可擴展的工作流程時，誰能說不，以及拒絕是否真的改變設計。

「讓勞動可見」則把視線從螢幕上的智能轉向支撐它的人。資料標註與內容審查常被放在技術職業階序的底端；作者將這種地位與薪酬分層，連結到性別化、種族化與殖民勞動結構。論文提到 ChatGPT 發布後，有調查報導指出肯亞工作者即時篩查潛在有害回答，藉此揭示所謂「人工智慧」依賴具體的人類勞動，而成本常被轉嫁給全球南方的低薪工作者（印刷頁 107–108）。這不是論文新做的一項勞動調查，而是它用來展開原則的既有案例。把這些工作者重新放回 AI 故事，也改變「自動化」的意義：被隱去的不是人，而是他們的工作條件、報酬與發言權。

討論部分把環境影響與同意視為未來需要繼續發展的議題。作者將 AI 的水、電等資源消耗放進資本主義與殖民式資源提取脈絡，指出環境代價依地理與性別不均地落在人群身上；同時，傳統上把同意理解為個人、二元而一次性的許可，未必足以回應訓練資料來源、親密影像遭未經同意合成，或彼此依存的社群關係。作者因此提出進一步思考集體、相互依存與酷兒同意的可能性（印刷頁 108–109）。這兩部分是討論與研究議程，不是已提供的操作規範；其價值在於指出「公平模型」評估常忽略的基礎設施成本與關係責任。

這篇論文的界線同樣重要：它是綜合既有研究、案例與七項原則的理論論述，不是比較多個 AI 模型後證明某套原則有效的實證評估；具體案例也各有其政治與地理脈絡，不應被概括成所有社群都有相同經驗。延伸閱讀可以與《Data Feminism》對讀，回看七項原則如何形成；再接讀《Feminist Data Visualization》，觀察同一作者群如何將女性主義認識論落實到資料呈現。原文見 FAccT 會議論文 PDF，書目記錄與 DOI 見 ACM Digital Library。