aiedtechethicswellbeingassessment

心理健康感測中的不平等來源與公平性風險分析

arXiv - Human-Computer InteractionHan Zhang, Vedant Das Swain, Koustuv Saha, Anind K. Dey, Jennifer Mankoff

本文探討被動感測技術在心理健康監測中，除了身份特徵外，還存在哪些深層的不平等來源與生命週期風險。

AI 幫你先抓重點

AI 重點 1

公平性不應僅限於事後的身份特徵審計

滑鼠懸停看 AI 判斷理由
傳統研究多關注模型對不同族群的表現差異，但本文提醒讀者，感測設備的硬體差異、行為模式的異質性等因素，會在模型訓練前就埋下不平等的種子。
AI 重點 2

關注感測技術在整個生命週期中的風險傳遞

滑鼠懸停看 AI 判斷理由
這改變了讀者對「公平性」的認知，從單純的演算法修正，轉向需要從研究設計、數據收集到系統部署進行全方位的治理與風險管理。

核心研究發現

  1. 1

    研究識別出五種情境化的不平等來源，例如監控的舒適度與行為規律性，這些因素會系統性地影響公平性風險。

  2. 2

    研究總結了橫跨感測生命週期的 15 種公平性風險，並針對從研究設計到實際部署的各階段提出了相應的緩解策略。

  3. 3

    研究發現實務中存在結構性障礙，限制了公平實踐的落實，需要研究者、資助機構與部署機構共同建立生態系統層級的治理。

對教育工作者的啟發

對於開發學習情緒監測或心理健康支持系統的教育科技開發者，建議在設計階段即納入「情境公平性」考量。不應僅依賴標準化的數據集，需考慮學生行為規律性的差異（如作息不規律者）以及對穿戴式設備的接受度。此外，應建立跨階段的風險評估機制，從研究設計、數據採集到最終在校園部署，皆需制定緩解策略，並尋求校方與資助機構的治理支持，以確保技術不會因學生生活習慣或設備差異而產生偏見。

原始文獻資訊

英文標題：
Sources of Inequity and Fairness Risks inWellbeing Sensing
作者：
Han Zhang, Vedant Das Swain, Koustuv Saha, Anind K. Dey, Jennifer Mankoff
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
/models/gemma-4-26B-A4B-it
閱讀原文

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。