為算法系統共同設計組織正義指標
arXiv - Human-Computer InteractionFujiko Robledo Yamamoto, Nicholas Mattei, Pradeep Ragothaman, Robin Burke, Amy Voida
本文以組織正義框架為基礎，透過共設計工作坊為Kiva微貸推薦系統制定可落地的公平性指標，促進內部討論與透明配置。
AI 幫你先抓重點
AI 重點 1
將組織正義作為公平性框架，可整合分配性與其他規範性關注，提升算法評估的全面性。
滑鼠懸停看 AI 判斷理由
此觀點突破傳統公平性僅以分配為核心的限制，將倫理、程序與分配正義統合，幫助設計者在多重價值間做出更平衡的取捨，並使評估結果更具說服力與可操作性。
AI 重點 2
共設計工作坊能捕捉實務人員的正義需求，產出可落地的指標，促進透明與責任感。
滑鼠懸停看 AI 判斷理由
透過實務人員參與，研究不僅得到理論指導，還獲得具體可執行的衡量工具，這使得算法系統的部署能在組織內部得到更廣泛的接受與監督，降低倫理風險。
核心研究發現
- 1
研究發現，機器學習公平性常被限定於分配性比較，無法涵蓋利益相關者提出的更廣泛正義議題。
- 2
工作坊中，Kiva員工根據部門角色表達不同的正義優先級，並協同定義了多項衡量指標。
- 3
最終提出一套可供Kiva監測推薦系統對組織正義影響的指標，並促成內部討論合適配置與部署。
對教育工作者的啟發
對於教育科技或非營利機構的實務工作者而言，本文提供了可直接套用的流程：首先確定組織內部的正義維度（程序正義、分配正義、互動正義等），接著召集不同部門的關鍵人員進行共設計工作坊，讓他們共同討論並列出具體的衡量指標。這些指標不僅能量化算法系統的影響，也能作為內部審查與持續改進的依據。實務上，建議在系統部署前先進行小規模試點，利用所設指標監測效果，並根據數據迭代調整參數或介面設計。最後，將指標與組織治理文件結合，形成透明的監督機制，提升使用者與受眾的信任度。
原始文獻資訊
- 英文標題：
- Co-Designing Organizational Justice Indicators for Algorithmic Systems
- 作者：
- Fujiko Robledo Yamamoto, Nicholas Mattei, Pradeep Ragothaman, Robin Burke, Amy Voida
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。