交織性偏誤

交織性偏誤（Intersectional Bias）源於法律學者Kimberlé Crenshaw提出的「交織性」（Intersectionality）理論，指AI模型未能辨識特定群體因擁有多重社會身分（如：非裔女性、身障酷兒）而遭受的獨特、複合性歧視。此偏誤並非單一偏誤（如性別或種族偏誤）的簡單相加，而是產生了加乘的負面效應。此現象直接挑戰《ISO/IEC TR 24027:2021》對AI系統中偏誤的管理要求，也違反美國國家標準暨技術研究院AI風險管理框架（NIST AI RMF）中對公平性（Fairness）的治理核心原則。在台灣，此類歧視性自動化決策可能觸犯《個人資料保護法》關於敏感性個資處理的規範，以及《就業服務法》中的就業歧視條款。與單一維度偏誤不同，交織性偏誤關注的是身分交叉點上的「盲區」，傳統偏誤緩解技術常因數據代表性不足而忽略這些特定子群體。

在企業風險管理中，應對交織性偏誤需採取系統性方法： 1. 風險識別與數據審計：依據NIST AI RMF指引，對訓練數據進行細緻的子群體分析（Disaggregated Analysis），識別可能代表性不足的交織性群體。例如，在審核招聘數據時，不僅分析性別比例，更要檢視「特定族裔的中年女性」等子群體的數據分佈，並將潛在偏誤登錄於風險清單中。 2. 模型測試與公平性量化：在開發階段，採用多種公平性指標（如：Equal Opportunity、Predictive Parity）進行壓力測試，並將測試對象細分至交織性群體。例如，確保AI信貸模型對「年輕單身母親」和「高收入單身男性」的錯誤拒絕率（False Negative Rate）差異小於5%的預設閾值。 3. 持續監控與回饋機制：依據《ISO/IEC 23894:2023》AI風險管理標準，模型上線後需建立自動化監控儀表板，追蹤模型對不同交織性群體的決策結果。某跨國金融機構透過此機制，發現其反詐欺模型對特定開發中國家的年輕女性誤判率偏高，及時調整後，使年度合規審計通過率提升15%。

台灣企業在導入交織性偏誤管理時，主要面臨三大挑戰： 1. 數據稀疏性與個資保護：台灣針對特定交織群體（如原住民族裔與性別認同）的結構化數據不足，直接蒐集敏感個資亦違反《個資法》。對策：採用合成數據生成（Synthetic Data Generation）或聯邦學習（Federated Learning）等隱私增強技術（PETs），在不直接接觸原始個資下，擴充弱勢群體數據代表性。優先行動為建立內部數據治理委員會，制定敏感數據處理SOP，預計3個月內完成。 2. 缺乏在地化評估脈絡：直接套用國外公平性指標，可能忽略台灣特有的社會脈絡（如城鄉差距、新住民議題）。對策：與本地社會學專家、非政府組織合作，共同開發符合台灣情境的公平性評估框架，並透過質化訪談補充量化指標的不足。 3. 技術人才與工具鏈斷層：企業普遍缺乏具備社會科學素養的AI工程師，且現有MLOps工具鏈多未整合公平性稽核模組。對策：舉辦跨領域工作坊，培養「AI倫理轉譯師」角色，並導入AIF360、Fairlearn等開源公平性稽核工具，將其整合至CI/CD流程中，預計6個月內完成初步整合。