算法權力落差與鄉村振興的潛在困境：理論分析與情境推演

作者：蔣濤

摘要

本文採用理論分析與情境推演的方法，系統性探討人工智慧（AI）在鄉村振興脈絡下，如何引發算法偏見與權力落差兩大潛在困境。研究指出，此問題根植於鄉村地區既有的數位鴻薄與社會不平等結構，並可能透過資源分配與公共服務進一步固化弱勢群體的邊緣地位。結論認為，若缺乏以在地參與和數據治理為核心的審慎框架，AI技術恐將侵蝕鄉村振興的公平與包容性目標。

關鍵詞：人工智慧、算法偏見、鄉村振興、數位活薄、數據治理

一、AI 在鄉村資源分配與公共服務中的偏見風險

人工智慧（AI）被視為提升鄉村治理效能與促進資源公平分配的潛力工具，然而，在台灣地區獨特的鄉村脈絡下，AI 的引入若未審慎考量其內在限制與社會意涵，則可能非但無法消弭既有落差，反而會製造或加劇偏見，對鄉村振興構成潛在威脅。

AI 系統的決策品質高度仰賴其所學習的數據基礎，但台灣鄉村地區，特別是偏遠山區、離島或高齡人口比例極高的社區（如雲林台西、屏東滿州等），其數位基礎設施的普及度、居民的數位近用能力與數據產製的活躍度，相較於都市地區仍存在明顯的「數位活薄」。這直接導致了可用於 AI �練的鄉村數據，可能面臨「量寡質劣」的窘境，甚至根本性的「數據缺席」。

試想，若一套用於評估農漁業天然災害救助資格的 AI 系統，其主要訓練數據來自於那些資訊化程度較高、善於利用線上系統通報災損、且作物或養殖類型較為主流行銷通路的農漁民。那麼，對於那些仍依賴傳統方式耕作養殖、不熟悉數位工具，或者種植/養殖的是地方特色但市場規模較小品項的年長農漁民，他們的數據可能難以被系統完整捕捉或正確解讀。在這種情況下，AI 模型從一開始就可能因為數據的代表性不足與系統性偏誤，而對這些「數據隱形人」做出不利的判斷，使其在資源分配中處於更加弱勢的地位。這恰恰印證了算法偏見往往源於社會既存的「不平等真相」。在鄉村，這種「不平等」首先就體現在數據的可得性與真實反映在地樣貌的能力上。

當前許多應用於公共服務的 AI 模型，其開發與驗證過程往往以都市環境為主要場景，其內建的邏輯與參數設定，可能不自覺地帶有「都市中心主義」或「主流群體預設」的色彩。若這類模型未經充分的在地化調適與脈絡化考量，便直接推行至鄉村地區，其對鄉村獨特的社會經濟結構、多元文化樣貌（如原住民部落的傳統規範、客家聚落的產業特色、新住民社群的生活需求）以及居民的異質性需求，便可能出現「視而不見」或「格格不入」的「脈絡盲點」。

例如，一個在都市地區用於優化公共交通路線與班次調度的 AI 系統，若簡單套用於幅員廣闊、聚落分散、高齡人口出行需求特殊的鄉村地區（如嘉義山區的公車服務），則可能因為無法理解鄉村居民對彈性預約、共乘服務或特定時段（如農產品採收期、廟會活動）的特殊交通需求，而做出不符實際效益的資源配置。這種對在地脈絡的忽視，實質上構成了對鄉村特殊性的一種結構性偏見，使得 AI 的「智慧」難以真正回應鄉村的真實痛點。

AI 系統在處理涉及鄉村弱勢群體（如獨居長者、經濟困難的單親家庭、身心障礙者、數位能力匱乏的新住民婦女等）的資訊時，即便沒有明確的歧視性規則，其底層的數據模式與算法邏輯也可能潛藏著不易察覺的負面標籤或資源排擠效應。借鑒「恐貧症」的分析視角，AI 可能在看似客觀的數據分析中，無意間複製了社會對特定群體的刻板印象或隱性偏見。

例如，一個用於篩選社會福利或急難救助申請資格的 AI 系統，若其訓練數據中，「成功」獲得補助的案例更多呈現出某些「典型」的困境敘事或易於量化的困難指標。那麼，對於那些處境同樣艱難，但其困境樣態較為複雜、難以透過標準化數據呈現，或是不符合主流社會對「理想求助者」想像的鄉村弱勢個案，AI 系統便可能因為其特徵與「常態」模式的偏離，而給予較低的優先級，甚至將其排除在潛在的服務對象之外。這種基於算法的隱性歧視，將使得鄉村中那些本就處於「看不見的角落」的弱勢群體，在 AI 時代面臨被進一步邊緣化與資源剝奪的風險，與鄉村振興旨在促進包容與公平的目標背道而馳。

二、鄉村脈絡下的算法權力運作與不對等

AI 系統在鄉村地區的應用，不僅帶來了潛在的偏見風險，更可能在權關係上產生新的不對等。算法的設計、部署與運作過程，往往由特定的技術精英、政策制定者或商業機構主導，鄉村社群本身在其中的話語權與掌控力相對薄弱。這種權落差，可能使 AI 成為強化既有不平等，甚至製造新興支配關係的工具。

AI 系統的複雜性與技術門檻，對許多鄉村居民而言，構成了一道難以跨越的鴻薄。無論是 AI 決策的底層邏輯、數據的收集與使用方式，還是系統輸出的解釋與申訴途徑，鄉村社群往往處於資訊不對等的弱勢地位。例如，當地方政府引入一套 AI 系統來輔助農地利用規劃或災害潛勢評估時，一般農民可能難以理解系統是如何做出判斷的，更遑論對其決策提出有效的質疑或參與到系統的改進中。這與 Veale 等人在公共部門觀察到的，即便是公務員也可能對 AI 系統的運作缺乏充分理解，從而產生過度依賴或選擇性採納的問題，在鄉村情境下，這種資訊落差可能更為嚴重。

在台灣地區的鄉村，許多高齡者或教育程度相對較較低的居民，其數位素養本就有限。若 AI 系統的操作界面不夠友善，或相關的培訓與說明不足，他們更容易在 AI 時代被邊緣化。看似旨在「賦能」鄉村的 AI 技術，若缺乏對在地使用者能力的充分考量與支持，反而可能成為一種新的「剝權」機制，使得鄉村居民從技術的使用者淪為被動的數據提供者與決策接受者。

AI 系統的設計與部署過程，往往缺乏鄉村社群的實質參與。決策權力常集中在中央政府、地方政府的技术官僚、或外部的 AI 解決方案提供商手中。鄉村居民、地方組織、甚至基層公務員的在地知識、實際需求與價值關懷，在技術主導的開發流程中，可能被忽視或簡化。這呼應了 Sampath 對全球南方國家在 AI 發展中，本地社群參與不足、易受外部力量主導的擔憂。

例如，在推動「智慧農業」的過程中，若 AI 系統的開發過度偏重於追求產量提升或成本降低的單一目標，而忽略了小農對生態永續、農產品質、或鄉村文化傳承等多元價值的重視，則可能導致技術方案與在地需求脫節。台灣許多鄉村地區擁有獨特的自然環境與人文特色（如原住民部落的傳統領域、客家村落的文化景觀），若 AI 系統的規劃未能充分納入在地居民的意見，尊重其生活方式與價值選擇，則可能引發「誰的鄉村？誰的 AI？」的質疑，甚至產生「AI 為誰服務？」的權衝突。這種「被決定」的風險，將嚴重削弱鄉村社群的主體性與地方自主發展的動能。

當鄉村地區的 AI 系統主要依賴外部（如都市的大型科技公司或跨國企業）提供技術、平台與數據分析服務時，需要警惕其可能帶來的「技術殖民」風險。外部主導的 AI 解決方案，可能挾帶其開發者（通常是都市精英或西方文化背景）的價值觀與商業邏輯，而這些未必與鄉村的在地脈絡相契合。這種類比於 Sampath 所指的全球南方國家可能面臨的「數位殖民」或「數據依賴」困境，在城鄉關係中也可能以不同形式出現。

例如，若鄉村地區的健康存摺 AI 系統，其疾病診斷模型或治療建議主要基於都市人口的數據進行訓練，則可能忽略鄉村特有的遺傳背景、生活習慣或環境因素對疾病的影響，從而影響其在鄉村的適用性與準確性。更進一步，過度依賴標準化的、由外部提供的 AI 系統，也可能導致鄉村在地積累的寶貴知識（如傳統農法、地方性草藥知識、社區互助網絡的運作經驗等）被邊緣化甚至消解。Zajko 強調社會學應關注 AI 如何影響權關係，在鄉村脈絡下，這也包含對在地知識體系與外部技術體系之間權消長的審視。鄉村振興的目標之一是活化在地特色與資源，若 AI 的引入未能與在地知識有效融合，反而形成對在地智慧的排擠，則與鄉村振興的初衷背道而馳。

總之，AI 在鄉村的應用，若未能正視並積極處理技術門檻、參與不足以及外部主導等問題所引發的算法權力運作不對等，AI 不僅難以成為促進鄉村公平發展的工具，反而可能深化既有的權力結構，使鄉村社群在數位時代面臨新的困境與挑戰。

三、對鄉村振興目標的潛在衝擊

台灣的鄉村振興政策，無論是早期的農村再生，還是近年強調的地方創生，其核心目標均包含促進區域均衡發展、活化在地經濟、提升生活品質，並特別強調社會公平與包容性，力求讓鄉村的每一份子都能共享發展的果實。然而，前述分析的 AI 在鄉村應用中所潛藏的偏見風險與權力運作不對等，若未能得到有效管控，則可能對這些崇高的政策目標構成直接且深遠的負面衝擊。

（一）算法偏見對社會公平與包容性發展目標的侵蝕

社會公平與包容性是鄉村振興政策的基石，旨在縮小城鄉差距，並確保鄉村內部不同群體間的機會均等。然而，算法偏見的存在，可能使得 AI 系統在資源分配與公共服務決策中，不自覺地複製甚至強化了既有的社會不平等，從而侵蝕政策的公平性基礎。

例如，若一套用於評估「地方創生」提案補助優先級的 AI 系統，其訓練數據或內建的評估指標過度偏重於可量化的經濟效益、技術創新性或過往成功的都市案例，則可能使得那些更側重於文化傳承、生態保護、社區營造或關懷弱勢的鄉村提案（例如，一個由部落長者主導的傳統工藝復興計劃，或一個由新住民媽媽們發起的在地食材推廣合作社），因其「非主流」或「難以量化」的特性，而在評分排序中處於劣勢，導致補助資源流向更符合主流想像的計畫。這不僅未能促進鄉村發展的多元性與包容性，反而可能扼殺了真正具有在地特色與社會價值的草根創新。

再者，如前所述，AI 系統對鄉村弱勢群體（如高齡者、原住民、經濟弱勢戶）的潛在歧視，可能使其在獲取社會福利、醫療資源、就業機會或金融服務時遭遇隱性的障礙。例如，若一套用於偏鄉長照資源媒合的 AI 系統，因數據偏誤而低估了某些交通不便地區獨居長者的實際需求，或因模型設計的盲點而未能充分考慮原住民部落特殊的家庭結構與照顧文化，則可能導致長照資源的錯配，使得最需要幫助的長者反而「被遺忘」。這種基於算法的資源分配差異，直接違背了鄉村振興政策中強調的「照顧弱勢」、「不遺漏任何人」的社會公平原則，可能形成一種「AI 時代的公平悖論」——即以追求效率與客觀為名的技術，反而製造了新的不公。

（二）算法權力落差對鄉村弱勢社群的進一步邊緣化

算法權落差，即鄉村社群（尤其是弱勢群體）在 AI 系統的設計、部署、運作與監督過程中的話語權與掌控力不足，將可能使其在鄉村振興的過程中被進一步邊緣化，擴大既有的社會差距。

當 AI 系統的引入主要由外部技術精英或上級政府主導，而鄉村居民缺乏有效的參與管道與能力時，他們的需求與聲音很容易被忽略。例如，在推動「智慧觀光」的過程中，若 AI 系統的建置（如景點推薦、遊客行為分析）僅僅從提升觀光產值的角度出發，而未能充分徵詢在地居民對觀光發展模式、環境承載力及文化衝擊的意見，則可能導致觀光利益分配不均，甚至引發在地居民與觀光發展之間的衝突，使得鄉村振興的美意變質質。

更令人擔憂的是，技術門檻與資訊不對稱，可能使得鄉村中的弱勢群體在面对 AI 決策時，處於一種「無力反抗」的境地。他們可能不理解 AI 是如何做出不利於他們的決策，也缺乏有效的申訴或救濟途徑。例如，若一個 AI 系統將某個原住民部落的傳統領域劃定為不適宜發展特定產業的區域，但其決策依據與部落的傳統知識和意願相左，部落成員若缺乏足夠的科技素養與法律資源來挑戰此一決策，則其發展權益便可能受到侵害。這種情況下，AI 系統不僅未能賦權鄉村，反而成為一種新的支配力量，使得弱勢社群在鄉村發展的議程中更加失語，其獨特的文化與需求也更難被看見與尊重。這種權結構的固化，將使得鄉村振興淪為少數精英的遊戲，而無法真正惠及所有鄉村居民，特別是那些最需要被拉一把的弱勢社群。

總之，算法偏見與權落差猶如鄉村 AI 應用這枚硬幣的兩面，共同對鄉村振興的公平性、包容性與在地主體性目標構成嚴峻挑戰。若不能正視並積極應對這些潛在衝擊，AI 技術的引入恐將與鄉村振興的初衷漸行漸遠。

四、結論與政策啟示

（一）主要論點總

本研究透過對相關核心文獻的梳理與理論分析，旨在探討人工智慧（AI）於鄉村振興脈絡下，在資源分配與公共服務決策中可能引發的算法偏見與權力落差困境。綜合前文的論證，本研究提出以下主要論點：

AI 應用於鄉村振興的潛力與風險並存，算法偏見與權力落差是必須嚴肅面對的潛在困境。儘管 AI 技術被寄予厚望，能夠為鄉村發展帶來效率提升、資源優化等契機，然而，其在鄉村地區的實際應用，不可避免地會遭遇由數據貧瘠與失真、模型設計的脈絡盲點，以及對鄉村弱勢群體隱性歧視所構成的偏見風險。與此同時，技術門檻、參與機制不足以及外部技術主導等因素，亦可能在鄉村內部形成新的算法權運作不對等。這些偏見與權落差若未能得到有效識別與治理，AI 不僅難以實現其促進鄉村振興的初衷，反而可能成為加劇既有不平等、侵蝕社會公平的新推手。

這些困境並非純粹的技術缺陷，而是深植於社會結構、權關係與治理實踐之中的複雜問題。算法偏見的根源，並不僅僅是數據的「髒污」或模型的「不完美」，更深刻地反映了 Zajko 所謂的社會「不平等的真實基礎」。鄉村地區長期存在的城鄉差距、數位活薄、資源分配不均，以及特定群體在社會結構中的弱勢地位，都可能被 AI 系統不自覺地複製、延續甚至放大。同樣地，算法權力的運作，也與既有的地方政治經濟結構、治理模式的透明度與問責性、以及公民社會的參與能力緊密相關。正如 Sampath 對全球南方國家的觀察，若缺乏健全的治理框架與對在地脈絡的充分尊重，技術的引入反而可能強化既有的權失衡。因此，試圖僅從技術層面尋求偏見的「修復」或權力的「平衡」，而忽略其背後深層的社會結構性因素與治理機制，將是徒勞無功的。

（二）政策啟示

為應對 AI 在鄉村應用中可能引發的算法偏見與權力落差，並確保技術發展能真正服務於鄉村振興的公平與包容目標，本研究基於對核心文獻的分析，並考量台灣地區鄉村的特殊脈絡，提出以下政策啟示：

數據治理與在地參與：建構以人为本的鄉村數據生態系 數據是 AI 的基石，但鄉村數據的貧瘠與偏誤是 AI 偏見的源頭。因此，首要之務是建立符合倫理規範、強調在地參與的鄉村數據治理框架。這包括：

提升數據代表性與品質：應投入資源改善鄉村地區的數位基礎設施，並針對高齡者、原住民、新住民等數位弱勢群體，設計更具包容性的數據收集方法（如結合口述訪談、社區田野調查等），確保其經驗與需求能被納入數據集。例如，在建置農業 AI 系統時，除標準化的產銷數據外，亦應納入小農的在地耕作知識、傳統作物品種等「非典型」數據。
強調數據主權與在地社群參與：應借鑑國際上如「原住民數據主權」的理念，探索建立鄉村社區（如部落、農漁村社區發展協會）參與數據收集、管理、詮釋與應用的機制。例如，推動成立「社區數據合作社」或「在地數據信託」模式，讓鄉村居民能對涉及其自身或社區的數據擁有更大的知情同意權與掌控權，避免數據被外部機構單向度攫取或不当利用。
制定鄉村數據倫理準則：應針對鄉村 AI 應用的特殊性，制定清晰的數據收集與使用倫理準則，明確數據所有權、隱私保護，以及偏見風險評估的規範，確保數據應用以促進鄉村福祉為前提。

算法透明、問責與可解釋性的追求：打開 AI 決策的「黑箱」 算法的不透明是權落差與偏見滋生的溫床。公共部門在鄉村地區引入 AI 系統時，必須致力於提升其透明度、問責性與可解釋性：

推動公共部門 AI 系統透明化：政府應建立 AI 系統的登錄與公開機制，對於應用於鄉村資源分配或公共服務的 AI 系統，應主動揭露其設計目的、主要功能、訓練數據來源（在不侵犯隱私的前提下）、以及已知的限制與潛在風險。
建立偏見影響評估與申訴機制：在 AI 系統部署前及運行中，應定期進行偏見影響評估，特別關注其對鄉村弱勢群體的潛在差異化影響。同時，應建立便捷、有效的申訴與救濟管道，讓鄉村居民在認為受到 AI 決策不公對待時，能夠獲得即時的回應與處理。
探索在地化的可解釋性方法：鑑於鄉村居民（尤其是高齡者）對複雜技術解釋的理解困難，應探索超越純技術性解釋的溝通方式。例如，可以運用視覺化工具、在地語言、案例說明、或透過地方意見領袖（如村里長、部落頭目）進行轉譯，讓 AI 的決策邏輯更易被鄉村社群理解與信任。

賦權增能與批判性思維培養：提升鄉村的 AI 素養 面對 AI 時代的來臨，提升鄉村居民與基層工作者對 AI 的理解能力與批判性思維至關重要，這是縮小算法權落差的基础：

推動鄉村 AI 素養教育：可結合現有的社區大學、村民集會所、農漁會推廣體系等資源，針對不同年齡層與背景的鄉村居民，開設淺顯易懂的 AI 科普課程與工作坊，使其了解 AI 的基本原理、常見應用、潛在風險以及自身權益。
強化基層公務員的 AI 認知：對在鄉村服務的基層公務員進行 AI 相關的專業培訓，使其不僅能操作 AI 系統，更能理解系統的限制、識別潛在的偏見，並在 AI 決策與在地實際需求之間扮演好「轉譯者」與「守門人」的角色，避免盲從或濫用 AI。
培養批判性參與能力：鼓勵鄉村居民不僅是被動的 AI 使用者，更能成為具有批判性思維的參與者，能夠主動發掘 AI 系統在地應用中的問題，並積極提出改進建議。

鼓勵脈絡敏感與需求導向的 AI 發展：讓 AI 真正為鄉村服務

避免「一刀切」的技術方案，鼓勵發展真正能回應鄉村在地需求的 AI 應用，是解除模型脈絡盲點、發揮 AI 正面效益的關鍵。
支持由下而上的 AI 創新：應提供資源與平台，鼓勵鄉村社區、在地組織、地方社區大學或返鄉青年，針對鄉村面臨的實際問題（如高齡照護、特色農業發展、文化傳承、環境監測等），主動提出並參與開發具有在地特色與脈絡敏感性的 AI 解決方案。
強調 AI 設計的參與式與協同設計：在鄉村 AI 系統的設計初期，就應納入鄉村居民、基層工作者、在地專家等多方利益相關者的參與，透過工作坊、焦點座談等方式，使其需求、經驗與價值觀能充分融入系統設計，避免技術與需求的脫節。
建立鄉村 AI 應用的試點與評估機制：對於新的鄉村 AI 應用，應先進行小規模試點，並建立包含在地社群參與的成效評估與倫理審查機制，根據實際回饋不斷修正與優化，確保 AI 應用符合鄉村真實需求與長遠福祉。

社會學與跨領域合作的重要性：整合多元視角共同治理 AI AI 治理的複雜性，以及其深植於社會結構的特性，決定了單一學科或部門難以獨力應對。Zajko 強調社會學在理解與應對 AI 偏見與不平等中的重要角色，這一觀點對鄉村 AI 治理尤具啟發性：

強化社會科學在 AI 治理中的角色：在鄉村 AI 政策的制定、系統的設計開發、影響評估與倫理審查等環節，應積極納入社會學、人類學、地理學、法學等社會科學領域的專家學者，使其能從社會結構、權關係、文化脈絡、倫理規範等多元視角，提供深刻的分析與建議。
促進政府、學界、產業界與公民社會的跨領域對話與合作：應建立常態性的跨領域溝通平台，讓 AI 技術開發者、政策制定者、鄉村實務工作者、在地居民代表以及學術研究者，能夠就鄉村 AI 發展的願景、挑戰與路徑進行充分的對話、協商與合作，共同形塑一個負責任、包容且有助於鄉村永續發展的 AI 治理框架。

五、研究展望

首先，深化在地實證研究的呼喚：從理論探討到田野深耕。

現有文獻多從一般性原理或特定國外案例出發，討論 AI 偏見與治理的挑戰。然而，台灣地區鄉村社會具有其獨特的歷史、文化、產業結構及社會網絡特性（例如，原住民部落的傳統領域與治理模式、客家聚落的產業文化、西部沿海農漁村的人口結構與生計方式、以及不同區域間顯著的數位活薄等）。這些在地脈絡如何與 AI 技術的引入相互作用，進而形塑算法偏見的具體樣態、權關係的轉變以及對鄉村振興的實際影響，仍有待深入的本土實證研究來解答。

因此，未來研究應積極投入台灣鄉村的田野，採用質性研究方法（如深度訪談、焦點團體、參與式觀察）與量化研究方法（如問卷調查、數據分析）相結合的方式，進行多層次的探討。

例如，可以針對已在鄉村地區推行的 AI 應用個案（如智慧農業輔導系統、偏鄉長照資源媒合平台、地方創生補助評估工具等），進行深入的個案研究，訪談系統開發者、政策制定者、基層執行人員以及受影響的鄉村居民，理解他們對 AI 系統的認知、使用經驗、感受到的效益與困境，以及他們在其中的能動性與協商過程。

其次，聚焦特定案例的偏見影響評估與權互動分析。在具體的實證研究方向上，未來可針對特定的鄉村 AI 應用案例，進行更為精細的偏見影響評估與權互動分析：

偏見影響評估：可藉鉴 Curto 等人對「恐貧症」的分析方法，但更進一步結合在地數據與情境，檢視特定 AI 系統是否存在針對鄉村高齡者、原住民、新住民、低收入戶或數位弱勢群體的系統性偏誤。例如，分析用於農業貸款審批的 AI 模型，其決策結果是否在不同社經背景或耕作規模的農戶間存在不成比例的負面影響。
權互動分析：可運用 Zajko 的社會學視角，以及 Veale 等人對公共部門 AI 實踐的洞察，深入分析在鄉村 AI 系統的設計、部署與運作過程中，不同行動者（如中央政府、地方政府、技術提供商、地方精英、一般居民、弱勢社群代表等）之間的權關係如何展演、協商與重構。例如，探討在「由上而下」推動的智慧鄉村政策中，地方社群的聲音如何在技術官僚體系與商業利益的夾縫中被聽見或被消音。

透過上述的實證研究，不僅能更深刻地理解 AI 在台灣地區鄉村脈絡下的真實影響，也能為制定更具針對性與有效性的算法治理政策、發展更符合在地需求的 AI 應用，提供堅實的學理基礎與實務參考，從而確保 AI 技術能真正成為促進台灣鄉村包容、公平與永續發展的正面力量。

參考文獻

Curto, G., Jojoa Acosta, M. F., Comim, F., & Garcia-Zapirain, B. (2024). Are AI systems biased against the poor? A machine learning analysis using Word2Vec and GloVe embeddings. AI & Society, 39(2), 617-632.
Gehl Sampath, P. (2021). Governing artificial intelligence in an age of inequality. Global Policy, 12, 21-31.
Zajko, M. (2022). Artificial intelligence, algorithms, and social inequality: Sociological contributions to contemporary debates. Sociology Compass, 16(3), e12962.
Kukutai, T., & Taylor, J. (2016). Indigenous data sovereignty: Toward an agenda. ANU Press.
Veale, M., Van Kleek, M., & Binns, R. (2018). Fairness and accountability design needs for algorithmic support in high-stakes public sector decision-making. In Proceedings of the 2018 CHI conference on human factors in computing systems (pp. 1-14).

[作者信息] 蔣濤，台灣中國文化大學國家發展與中國大陸研究所，電子郵件：3331322@gmail.com