1. 《自然》(Nature)期刊社論:〈為何多樣性有助於產生更強大的研究〉

網址:https://www.nature.com/articles/d41586-018-07415-9

研究環境中的性別多樣性可以推動科學上的發現,但若要充分發揮創新研發的潛力,在研發的各項層面,從研發團隊至社會大眾,皆需重視「包容性」的培養。〈讓性別多樣性為科學的發現與創新服務〉一文中,即提出了3種性別多樣性在研究中的發展面向:研究團隊中的多樣性、研究方法的多樣性以及研究問題的多樣性。性別多樣性經常被簡化為團隊成員的性別組成,但若想充分發揮科學發現和創新的潛力,就必須在產出科學知識的同時,關注採用的研究方法和提出的研究問題。

詳細文章內容請參閱:Nielsen, M. W., Bloch, C. W., & Schiebinger, L. (2018). Making gender diversity work for scientific discovery and innovation. Nature Human Behaviour, 2, 726–734. https://www.nature.com/articles/s41562-018-0433-1

 

2. 兩則檢測公平性的新演算法:

(1) 反事實分析(Counterfactual analysis):藉由改變數據中每個人的性別去測試演算法,並研究預測的變化。詳細內容請參閱:Kusner, M. J., Loftus, J., Russell, C., & Silva, R. (2017). Counterfactual fairness. Advances in Neural Information Processing Systems, 4066-4076. https://papers.nips.cc/paper/6995-counterfactual-fairness

(2)更精確的審查有關識別亞族群人種(例如亞裔美州人)時系統性的錯誤,並提出克服偏見的建議,使演算法在種族、年齡、性別等面向間能做出更公平的決策。詳細內容請參閱:Kim, M. P., Ghorbani, A., & Zou, J. (2019, January). Multiaccuracy: Black-box post-processing for fairness in classification. In Proceedings of the 2019 AAAI/ACM Conference on AI, Ethics, and Society (pp. 247-254). ACM. https://arxiv.org/abs/1805.12317