类型b：
本文由Giorgia Pozzi和Juan M. Durán共同撰写，两位作者均来自荷兰代尔夫特理工大学（Delft University of Technology）的技术、政策与管理学院。文章于2024年2月28日在线发表在期刊《AI & Society》上，标题为《From Ethics to Epistemology and Back Again: Informativeness and Epistemic Injustice in Explanatory Medical Machine Learning》。
本文探讨了机器学习（ML）在医学领域应用时引发的认识论（epistemology）与伦理学（ethics）问题，批判了当前文献中常见的“信息性解释框架”（informativeness account），并提出伦理因素应具有对认识论评估的调节作用（regulatory role），而非仅作为信息性参考。文章通过医学ML案例，分析了伦理与认识论的相互依赖性，并指出忽视这种依赖性可能导致“认知不公正”（epistemic injustice），尤其是“认知物化”（epistemic objectification）。
文章指出，当前关于ML伦理与认识论的讨论通常采用“信息性解释框架”，即认为认识论问题仅服务于伦理评估，而伦理因素对认识论评估无反向影响。作者以Mittelstadt等人（2016）的综述为例，说明该框架将认识论问题视为独立且单向影响伦理的工具，导致伦理与认识论割裂。例如，ML系统的“认知不透明性”（epistemic opacity）可能引发公平性、责任归属等伦理问题，但伦理考量（如患者价值观）未被纳入认识论评估。
支持论据：
- 引用Mittelstadt等人的分类，将ML伦理问题分为“认识论类”（如证据不充分、不可解释）和“规范类”（如不公平结果），但未讨论伦理如何调节认识论。
- 以处方药监测系统（PDMPs）为例，说明医生因无法理解算法逻辑而被迫接受其输出，导致患者被错误归类（如阿片类药物滥用风险评分），凸显伦理与认识论脱节的危害。
作者通过一个假设的癌症诊断系统（Med+ML）案例，说明伦理因素应直接调节认识论评估。该系统建议化疗方案，但患者因宗教信仰拒绝输血（化疗可能导致贫血需输血），此时系统无法整合患者价值观，导致治疗方案冲突。
支持论据：
- 认识论层面：Med+ML的解释虽符合生物学标准（如黑色素瘤概率计算），但未包含伦理维度（患者价值观），因此其“解释充分性”需重新评估。
- 伦理层面：医生若遵循系统建议，可能违背患者自主权，凸显伦理需调节认识论（如要求系统生成兼容患者价值观的解释）。
文章引入Miranda Fricker的“认知不公正”理论，指出Med+ML将患者视为被动信息源（source of information），剥夺其作为主动知情者（informant）的参与权，导致“认知物化”。例如，患者无法通过反馈价值观修正系统输出，陷入无效循环。
支持论据：
- 结构性因素：医疗ML的权威性削弱医生决策权，患者更易被边缘化（如PDMPs案例中患者遭弃疗）。
- 理论延伸：将Fricker的人类中心理论扩展至ML场景，提出算法虽无偏见，但其设计忽视患者能动性，间接导致物化。
作者对比其方法与Russo等人（2023）的“整体论”（holistic approach），强调三点差异：
1. 细粒度分析：聚焦具体医学决策场景（如医生权威被ML取代），而非泛泛讨论AI设计流程。
2. 规范性认识论：主张认识论本身具有规范性（如“医生应相信何种解释”受伦理约束）。
3. 案例实证：通过Med+ML案例揭示信息性框架的缺陷，补充Russo等人的理论。