公共部門優先化算法的悖論
arXiv - Human-Computer InteractionErina Seh-Young Moon, Matthew Tamura, Shion Guha
揭示公共部門優先化算法在資源稀缺時加劇族群不平等。
AI 幫你先抓重點
AI 重點 1
優先化可能無意中擴大族群不平等，需納入交叉性考量。
滑鼠懸停看 AI 判斷理由
若忽略交叉身份，公平評估將失真，政策制定者可能錯誤判斷資源分配效益，進而加深社會分裂。
AI 重點 2
效率論調掩蓋資源限制，實務設計必須考慮真實可用資源。
滑鼠懸停看 AI 判斷理由
將資源限制納入模型可避免過度承諾，提升透明度與公眾信任，並促成更可持續的公共服務。
核心研究發現
- 1
在資源日益稀缺的情境下，優先化機制會產生明顯的相對差距，特別是跨身份群體之間。
- 2
受影響個體對不平等的感知被優先化加劇，進一步削弱對公共服務的信任。
- 3
效率說辭忽視實際資源限制，導致算法工具的效能與公平性被高估。
對教育工作者的啟發
建議在設計優先化工具時，先確定交叉身份指標，並使用相對差距指標評估公平性；在模擬不同資源稀缺情境下測試算法，確保效能與公平兼顧；與受影響社群共同制定透明度高的溝通策略，減少對不平等的感知；最後將實際資源限制納入優先化模型，避免效率說辭帶來的誤導。
原始文獻資訊
- 英文標題：
- The Paradox of Prioritization in Public Sector Algorithms
- 作者：
- Erina Seh-Young Moon, Matthew Tamura, Shion Guha
- 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。