这篇文档属于类型b（科学论文，但非单一原创研究报告，属于理论性综述论文）。以下是针对该文献的学术报告：
作者与机构
本论文由三位作者合作完成：
1. Jean-Marie John-Mathews（第一作者）与Christine Balagué均来自法国巴黎萨克雷大学（Université Paris-Saclay）的LITEM实验室；
2. Dominique Cardon来自法国巴黎政治学院（Sciences Po）的 médialab 实验室。
论文于2022年发表在期刊 *Journal of Business Ethics*（2022年卷178期，页码945–959），标题为《From Reality to World: A Critical Perspective on AI Fairness》。
研究主题与背景
本文聚焦人工智能（AI）公平性的伦理挑战，批判现有AI伦理框架的“原则主义”（principlism）倾向，即从抽象伦理原则（如公平性、透明度）自上而下推导规范，而忽视算法在实际社会技术语境（socio-technical context）中的复杂性。作者基于法国社会学家Luc Boltanski的“现实”（reality）与“世界”（world）理论，提出AI公平性争议的新分析框架，并探讨数据格式变革对算法伦理的影响。
核心论点与论据
1. 对AI公平性批评的“现实主义”本质
现有对机器学习（ML）不公平的批评是“现实主义的”（realist），即基于制度化的社会分类（如性别、种族）。例如：
- 研究引用Amazon招聘算法歧视女性（Dastin, 2018）、司法预测模型对黑人的偏见（Larson et al., 2016）等案例，均通过统计差异（如不同群体的误判率）证明算法不公。
- 公平机器学习（Fair ML）社区通过“公平指标”（fairness metrics，如统计平等、机会均等）修正算法，但这些指标依赖预设的受保护类别（protected categories），未触及社会结构性不平等（如父权制）。
2. “现实主义”修正的局限性
作者指出Fair ML的三大缺陷：
- 简化表征：单一分类（如性别）无法捕捉交叉性（intersectionality），例如黑人女性可能面临叠加歧视。
- 群体内不平等：修正算法可能加剧受保护群体内部差异（如高收入女性更受益）。
- 性能与公平的权衡：去除与敏感变量相关的特征（如住址）可能降低模型准确性。
3. “激进回应”：从“现实”到“世界”的数据范式转变
为应对上述局限，部分研究转向去类别化的数据格式：
- 数据变革：从结构化类别（如“性别：男/女”）转向细粒度行为轨迹（如购物记录、GPS移动轨迹）。例如，Lu et al. (2019)通过手机使用数据改善信贷模型对低收入群体的公平性。
- 算法变革：传统“假设空间”（hypothesis space）被高维“统计空间”（statistical space，如神经网络隐藏层）取代，通过对抗训练（adversarial training）生成“公平表征”（fair representation）。
4. 专家支配体制的风险
Boltanski的“复杂支配体制”（complex domination regime）理论被用于分析当前AI伦理困境：
- 专家垄断：算法黑箱化使批评者无法验证公平性，例如深度学习模型的不可解释性（Burrel, 2016）。
- 动态测试：通过持续更新数据模型（如增加行为特征），权力主体将“世界”直接等同于“现实”，消解批评的合法性。
5. 责任模型构建：基于“批判空间”的解决方案
作者提出通过批判空间（critical space）连接假设空间与统计空间：
- 操作步骤：
- 分解算法目标（如“优秀候选人”的定义）；
- 通过数据干预（如模拟不同购物行为）探索统计空间；
- 聚合实验结果为可解释的新类别（如“面试微笑但冲动消费的候选人”）；
- 通过多方辩论（如伦理委员会、用户参与）稳定规范现实。
- 案例：招聘算法中，批判空间可识别“微笑与冲动消费”的组合偏见，并通过调查补充人口统计学解释。
论文价值与意义
1. 理论贡献：首次将Boltanski的社会学理论引入AI伦理，揭示数据格式变革背后的权力逻辑。
2. 实践意义：提出“批判空间”作为企业责任模型，平衡技术复杂性与伦理可问责性。
3. 跨学科启示：呼吁计算机科学、社会学、伦理学的合作，例如开发可视化工具解析统计空间（如Olah et al., 2020的神经网络解剖研究）。
亮点
- 理论创新：用“现实/世界”二分法重新界定AI公平性争议，超越技术修正层面的讨论。
- 批判深度：指出Fair ML可能沦为专家支配的工具，需警惕“通过数据扩张消解批评”的治理逻辑。
- 解决方案可行性：批判空间的设计兼顾技术细节（如数据模拟）与民主参与（如多方审议），为后续实证研究提供框架。
（注：全文约1500字，严格遵循学术报告格式，未翻译作者名与期刊名，专业术语首次出现标注英文原文，核心论点分层展开并辅以文献证据。）