比利時研究揭示AI招聘工具性別偏見比想像中更深：去除明顯標記後，AI仍用「代理變量」懲罰女性求職者

多年來，「只要去掉名字和性別欄位，AI招聘工具就能實現公平篩選」的說法，一直是許多企業採用AI招聘系統的重要理由。比利時一項最新綜合研究，正在從根本上動搖這一假設。

研究核心發現：偏見比我們想象的更難消除

這項由多所比利時研究機構聯合開展的研究，對市面上主流AI輔助招聘工具進行了系統性測試，核心發現令人不安：

去除明顯性別標記並不足夠。即便研究人員刪除了求職者姓名、性別欄位等直接性別指示符，AI模型仍然會通過分析其他「代理變量（proxy variables）」來推斷性別，並在此基礎上做出帶有偏見的篩選決定。

這些被AI用作性別代理的變量，包括但不限於：

• 特定興趣愛好：某些被社會刻板印象關聯為「女性化」的業餘活動，會被AI識別為負面信號
• 語言表達模式：自我描述和成就表述中的措辭風格差異，AI會從中提取性別相關特徵
• 職業空白期：育兒或家庭照料造成的履歷空白，即使沒有明確說明原因，也會受到不成比例的懲罰

為什麼會發生這種情況？

從技術層面理解這一現象，根源在於AI招聘模型的訓練方式：這些模型通常在歷史招聘數據上訓練，而歷史招聘決策本身就包含了人類招聘官的性別偏見。

當AI學習「成功求職者的特徵模式」時，它學到的是與過去被錄取的求職者相似的特徵——而在許多行業和職位中，這個「成功模板」在歷史上本就由特定性別的求職者主導。即使訓練者刪除了性別欄位，這些偏見已通過相關特徵被模型內化，以更隱蔽的形式延續下去。

這種現象被研究者稱為「代理歧視（proxy discrimination）」——歧視的本質並未消除，只是轉移到了更難被察覺的替代特徵上。

對企業合規的挑戰

這一發現對正在部署AI招聘工具的企業，帶來了直接的合規挑戰。

在監管層面，歐盟《AI法案》已於今年1月全面生效，將AI輔助招聘明確列為「高風險AI應用」類別，要求企業進行系統性偏見審計並保存完整決策記錄。而現有的大多數偏見檢測工具，主要針對直接性別標記，對代理變量的檢測能力嚴重不足。

美國方面，同期通過的《AI問責法案》（AI Accountability Act）同樣要求在招聘等高後果決策領域的AI系統定期發布偏見審計報告。但如果偏見本身是以代理形式存在的，傳統的審計方法能否有效識別，仍然是一個待解決的方法論問題。

對AI公平性工程的啟示

研究結果對AI公平性（AI fairness）領域的工程實踐提出了更高要求：

去偏見不能只是數據清洗：刪除敏感屬性（disparate impact removal）的傳統方法，在面對代理變量時已被證明不夠充分。公平性保障需要深入到特徵工程和模型決策機制層面。

因果推理框架或許是出路：部分研究者認為，只有採用因果推理方法，才能在技術層面區分「與工作能力相關的特徵」和「只是與特定群體相關的代理特徵」之間的本質差異。

持續外部審計的必要性：自我聲稱「公平」的AI招聘工具，需要經過外部獨立審計的驗證，而不能僅依賴開發商的內部測試。

隨著AI招聘工具的全球市場規模在2026年預計突破50億美元，這個尚未被解決的公平性問題，正在以越來越快的速度，被嵌入進全球勞動力市場的底層決策邏輯中。