AI的偏见、后果和干预 |「AI × 传播」读书会第二季第十一期

导语

本期「AI × 传播」读书会第二季第十一期，香港中文大学社会科学学院应用社会科学博士在读王权老师将聚焦“AI的偏见、后果和干预”这一主题进行分享。本次读书会将梳理AI偏见研究的核心问题、历史背景与研究传统，结合三篇代表论文介绍主要视角、方法与成果，讨论偏见的测量、社会伤害和干预路径，探讨怎样形成清晰的研究问题。

集智俱乐部联合北京师范大学新闻传播学院许小可教授、北师大珠海校区计算传播学研究中心周晓禹老师共同发起。读书会立足工具—对象—范式三重核心维度，完整搭建AI与传播交叉领域学习体系：拆解AI作为传播研究工具的实操方法、剖析AI作为新型传播主体的社会影响、探索人机协同驱动的传播学全新研究范式，一站式理清三大核心议题：如何借助AI开展传播研究、如何将AI本身作为传播研究对象、如何把握人机协同带来的学科变革。

报告简介

本讲座介绍AI偏见研究的核心问题、发展脉络与主要研究视角。结合计算机、机器学习平台和生成式AI的技术背景，说明公平测量、表征偏见与系统审计等研究传统如何延续和扩展，并通过三篇代表论文，展示交叉群体审计、受控语言线索比较和批判性文献研究的方法与成果。

分享大纲

1. 案例引入：从AI推荐信案例理解AI偏见、差异与伤害。

2. 研究脉络：梳理历史背景、研究传统与核心概念。

3. 代表论文：比较群体审计、方言实验与批判性文献研究。

4. 干预及验证：讨论干预方法、效果证据与研究机会。

核心概念

AI社会偏见：AI的表征、判断或对待方式可能再生产或加剧群体不利，但不能仅凭输出差异认定偏见。

社会伤害：伤害既包括刻板化、贬损和排斥等表征性伤害，也包括机会或资源分配中的不利后果。

构念与测量效度：研究需要将抽象概念转化为可观察指标，并检验这些指标是否真正测到了所关心的问题。

算法审计：通过系统性、可复核的测试考察模型或产品的行为，同时区分观察到的差异、形成机制与实际社会后果。

主讲人介绍

主讲人：王权，香港中文大学社会科学学院应用社会科学博士在读，主要研究方向为LLM的偏见，后果和干预；NexGn.ai 创始人，曾担任字节跳动抖音自助广告策略负责人，TikTok国际化电商商家增长负责人，蝉羽网络商业化合伙人副总裁；本科毕业于四川大学电子信息学院电子信息科学与技术专业，并拥有清华大学以及康奈尔大学工商管理硕士学位。

参考文献

[1]Buolamwini, J., & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, 81, 77–91.

[2]Hofmann, V., Kalluri, P. R., Jurafsky, D., & King, S. (2024). AI generates covertly racist decisions about people based on their dialect. Nature, 633, 147–154.

[3]Blodgett, S. L., Barocas, S., Daumé III, H., & Wallach, H. (2020). Language (Technology) is Power: A Critical Survey of “Bias” in NLP. Proceedings of ACL 2020, 5454–5476.

[4]Friedman, B., & Nissenbaum, H. (1996). Bias in Computer Systems. ACM Transactions on Information Systems, 14(3), 330–347.

[5]Dwork, C., et al. (2012). Fairness through Awareness. ITCS 2012.

[6]Selbst, A. D., et al. (2019). Fairness and Abstraction in Sociotechnical Systems. FAT 2019*.

[7]Caliskan, A., Bryson, J. J., & Narayanan, A. (2017). Semantics Derived Automatically from Language Corpora Contain Human-like Biases. Science, 356(6334), 183–186. [8]Bolukbasi, T., et al. (2016). Man Is to Computer Programmer as Woman Is to Homemaker? Debiasing Word Embeddings. NeurIPS 2016.

[9]Gallegos, I. O., et al. (2024). Bias and Fairness in Large Language Models: A Survey. Computational Linguistics, 50(3), 1097–1179.

[10]Wan, Y., et al. (2023). “Kelly Is a Warm Person, Joseph Is a Role Model”: Gender Biases in LLM-Generated Reference Letters. Findings of EMNLP 2023, 3730–3748.

时间信息

2026年9月17日周四14:00-16:00，腾讯会议线上进行，微信视频号+集智俱乐部B站号同步直播。

感兴趣的朋友下滑扫描二维码报名，加入「AI × 传播」读书会第二季后，可进入学员群进行交流。

报名读书会：

「AI × 传播」读书会第二季

传播学从现象出发。今天，AI 已经深度进入信息生产、内容分发、社会互动、公共判断和知识生产过程。它既是工具，也是媒介；既是研究对象，也是协作者；既提升效率，也制造新的偏见、信任和责任问题。AI × 传播成为一个新的领域。2025年8月至12月，集智俱乐部联合许小可、张子柯、王成军、廖好四位老师发起第一季“AI × 传播学”读书会，吸引了225人报名参与。由来自北京师范大学、南京大学、复旦大学、浙江大学、香港城市大学、深圳大学等高校的15位主讲人，围绕计算叙事、智能传播、人机传播、传播拟真四个方向，绘制了 AI × 传播领域的前沿地图。

由集智俱乐部联合北京师范大学新闻传播学院，北京师范大学珠海校区计算传播学研究中心许小可教授、周晓禹讲师共同发起，我们将从“工具-对象-范式”三重维度出发，系统梳理 AI × 传播的实践路径——如何用 AI 做研究，如何研究 AI 本身，如何理解人机协同的新范式。

扫描海报中二维码报名参加读书会

报名方式：

第一步：微信扫码填写报名信息。

第二步：填写信息后，付费报名。如需用支付宝支付，请在PC端进入读书会页面报名支付：

第三步：添加运营助理微信，拉入对应主题的读书会社区（微信群）。

PS：我们鼓励围绕传播学、人工智能及相关具体问题的深入探讨。为保证讨论质量，请避免发表脱离本期读书会主题、缺乏实证基础或过于空泛的哲学思辨类内容。

若讨论内容明显偏离主题，经主持人提醒后仍未调整，为维护整体学习环境，我们将不得不将该成员请出讨论群，并根据其实际参与进度，对未参与部分按比例办理退费。

感谢您的理解与配合，让我们共同营造一个专注、深入、有收获的共学空间。

加入社区后可获得的资源

完整权限包括：线上问答、录播回看、资料共享、社群交流、信息同步、共创任务获取积分等。

特色退费与激励机制

我们提供以下两种途径，让您的投入获得实际回馈：

1. 任务达标退费路径
   

   认领并合格完成任意两期字幕任务，即可退还全额报名费，并额外获得集智专属周边奖励。

2. 运营成长激励路径
   

   合格完成一个字幕任务后，可申请成为运营助理。在读书会项目顺利结项后，将退还学费。表现优异者，还有机会获得额外的奖学金。

相关内容推荐

1.读书会推荐阅读材料

扫描下方二维码可跳转至集智斑图网站阅读文章：「AI × 传播」读书会第二季读书会推荐阅读材料。

2.往期公众号相关内容推荐