← 返回 8 大影響構面
IA-03 公平性與反歧視Fairness & Non-discrimination
評估 AI 系統輸出是否會不公平地偏袒或歧視特定的個人、群體或社會部分，避免因演算法偏見、不平等待遇或文化隔閡造成受保護族群與弱勢群體之權益損害。
🎯 正面效益 Benefits透過去偏誤資料與公平性審計，實現公正、無偏見的資源與機會分配（如普惠金融、公平招募），擴大多元客群覆蓋率。
⚠️ 負面危害 Harms / Risks模型承襲或放大歷史資料偏見，對特定族群（如性別、種族、年齡）產生不平等待遇、系統性排除或強化社會刻板印象。
服務品質差異
定義評估 AI 系統的表現對特定人口群體（年齡、性別、種族等）是否存在差異。
🎯 正面效益 Benefits確保 AI 系統對不同人口統計群體（口音、文化、性別、年齡）提供等效高品質之服務，避免效能分層落差。
⚠️ 負面危害 Harms / Risks系統對特定少數族群、口音或身心障礙者之辨識失敗率明顯偏高，導致該群體承擔不對稱之操作時間與服務阻礙。
機會分配不均
定義評估 AI 系統輸出是否導致對不同人口群體的機會分配不均。
🎯 正面效益 Benefits消除演算法與歷史資料集偏見，保障信貸、招募、教育及資源分配等關鍵決策中各族群獲得平等機會。
⚠️ 負面危害 Harms / Risks模型承襲歷史社會偏見或透過代理變數 (Proxy Variables) 產生間接歧視，系統性調降特定性別或種族之評分。
代表性情境S0026 歷史資料中的社會偏誤S0079 信用評分族群偏誤S0081 招募篩選性別偏誤S0083 代理變數造成間接歧視S0085 資源分配結果不平等S0086 交叉特徵歧視放大
刻板印象強化
定義評估 AI 系統輸出是否強化、抹煞或貶低某些人口群體的刻板印象。
🎯 正面效益 Benefits對生成內容與推薦模型實施多樣性審計，預防系統固化、抹煞或貶低特定少數或弱勢族群之刻板印象。
⚠️ 負面危害 Harms / Risks生成系統於描繪職業或角色時持續產出單一族群或性別形象，或合成帶有偏見與貶低傾向之行銷與教材內容。
代表性情境S0027 訓練資料代表性不足S0029 合成資料放大既有偏誤S0030 多語言資料分佈失衡S0031 刻板印象被學習並固化S0084 群體表徵不公與消抹S0197 文化表達與認同受衝擊
可及性排除
定義評估相關利益方是否因殘疾或缺乏數位技能而被排除在外。
🎯 正面效益 Benefits遵循無障礙與包容性設計原則，防範特定使用者因數位技能不足或介面門檻而承擔不對稱之操作負擔。
⚠️ 負面危害 Harms / Risks流程設計缺乏無障礙支援，強迫高齡者或數位弱勢群體付出數倍時間進行多次嘗試，甚至因障礙而選擇放棄權益。
代表性情境S0131 服務日誌暴露敏感輸入S0139 使用者負擔不均S0187 推薦機制影響選擇自主S0196 能力發展機會受阻