世界银行-性别偏见_公民参与和人工智能（英）-2025.1_30页_959kb

论文主题： 本文探讨了性别偏见（社会、数据和算法）在AI驱动的公民参与分析中的作用。

研究背景与目标：
基于2023年拉丁美洲调查数据，使用决策树方法分析AI对公民参与的影响。重点评估性别偏见如何影响参与决策，并探索减少偏见的策略。

关键发现：

• 性别偏见显著抑制公民参与，特别是在拉丁美洲社会（高machismo norm）。
• 预测公民参与的关键因素：政治兴趣、高等教育、左翼观点。
• 男性在相同条件下需更低的性别偏见阈值参与；女性参与时性别偏见影响较小。
• AI分析（如意向树）显示，减少性别偏见（数据/算法）后，参与条件更易满足，但偏见持久影响决策。

方法论：

• 使用决策树挖掘非线性互动（如教育与性别偏见），增强模型可解释性。
• 纠正模型：去除性别数据、调整偏见分布、性别倒置等，验证结果鲁棒性。
• 基于拉丁美洲公民对性别偏见的自我报告，构建复合偏见指数。

政策启示：

• 需整合技术（如算法公平）、数据公平和公众政策以促进公民参与。
• 强调在更平等社会仍需降低性别偏见（如调整社会规范和政策干预），以提升参与阈值。
• 政策设计应考虑性别具体条件（如性别偏见的交互作用）。

结论：
AI有潜力分析社会动态，但需处理内置偏见。本文强调了减少性别偏见以增强包容性公民参与的必要性，并提供基于数据驱动的改进框架。