一、活動重點及目的：
本次活動聚焦於新興數位科技，特別是人工智慧(AI)對社會所產生的性別影響，旨在提升參與者(尤其為醫學大學師生)對AI潛藏偏見的敏感度與批判意識。
康老師指出，AI雖已廣泛應用於醫療影像判讀、行政文書處理及日常生活，展現高度效率與發展潛力，但其運作背後可能隱含性別與種族偏見，進而導致不公平甚至歧視性的決策結果。
因此，本次活動重點在於解析AI偏見的形成機制，並進一步探討如何透過法律規範、政策治理及教育介入等多元策略，修正(reverse)這些偏誤，以促進科技發展中的社會正義與公平價值。
二、活動特色及執行情形：
（一）學術理論與實務案例並重
講座內容兼具理論深度與實務廣度，除引用 Amazon、Google、Nikon 等國際企業案例外，亦深入剖析臺灣具指標性的 RCA 工傷案，將抽象的科技偏見議題轉化為具體的法律與社會問題，強化理解與反思。
（二）跨領域整合視角
講者以科技與社會研究(STS)為核心觀點，串聯AI技術與醫學影像判讀、司法判決及人力資源管理等不同專業領域，使醫學背景之聽眾得以從自身專業出發，理解科技與社會之間的交互關係。
（三）活動流程與互動設計
講座採分段式進行，並安排適當休息時間以提升學習吸收效果。過程中透過 AI 圖像生成案例(如「霸道總裁」、「下棋的女性」等)呈現刻板印象，增添趣味性並深化議題說服力；活動最後設置 Q&A 環節，促進與會者交流與思辨。
內容重點：
本次講座重點可歸納為以下四大面向：
(一)AI 偏見的表現形式
1.性別刻板印象的再製
AI常延續既有社會分工與媒體再現，例如將客服設定為女性聲音、權威資訊以男性聲音呈現；在圖像生成與語言翻譯中，亦常將醫師預設為男性、護理師預設為女性。
2.隱性決策偏差
在醫療應用中，AI 對不同族群的判讀準確率可能出現顯著差異，例如對黑人女性皮膚癌或胸腔 X 光判讀的準確度低於白人男性；此外，自駕車辨識系統及人力招募演算法亦可能對特定族群造成不利影響。
(二)偏見產生的成因
1.資料來源缺乏多元性
當訓練資料過度集中於特定族群(如白人男性)，AI模型將學習並放大此一偏向，導致對其他族群的判斷準確度下降。
2.歷史數據的偏誤延續
若既有決策資料本身即含歧視性(如過去招募偏好)，AI將透過模式學習將其再製與強化，使偏見制度化。
(三)臺灣 RCA 案的歷史借鏡
康教授透過RCA工傷案指出，過往科學研究多以「雄性動物」或「男性樣本」為主，導致女性健康風險難以被有效證明與重視。此案例凸顯缺乏性別觀點的研究方法，可能造成重大法律與制度不公；而當前AI偏見問題，正某種程度重演此一歷史經驗。
(四)解方與治理策略
1.人機協作(Human-in-the-loop)
強調關鍵決策應由人類進行最終判斷，避免完全依賴AI黑箱運作，以提升透明度與可問責性。
2.制度與技術檢核機制
建議於AI研發流程中納入多元性檢核指標，主動評估不同性別與族群之間的誤差差異，降低系統性偏誤。
3.教育深化與人才多元化
鼓勵不同性別與文化背景者投入STEM領域，從源頭改善科技發展的價值框架與視角。
結語
綜上所述，康教授提醒，AI並非全然客觀中立，而是人類社會價值與結構的延伸。唯有提升公民對科技偏見的覺察，並透過制度、技術與教育的多層次治理，方能使 AI 成為促進社會公平的助力，而非加劇不平等的工具。
三、活動之質量化指標：
職員：參加人數54人。回收問卷45份，滿意度：94%。
教師：參加人數17人。回收問卷11份，滿意度：92%。
四、具體檢討與建議：
(一)講師演講的內容非常豐富，而且旁徵博引充滿熱情，是一場很啟發性的演講，謝謝。
(二)很棒，謝謝。
(三)我覺得很棒的主題和提醒，但可能老師上課的方式比較適合對這個領域有高度興趣和已經有些了解的人來聽，其他人可能不太容易進入狀況。
(四)謝謝承辦人，辛苦了。
(五)謝謝。
