一、敏感人口特征（显性歧视风险）
种族/民族/宗教
- 争议点：直接关联易导致系统性歧视（如贷款审批率差异），多数国家立法禁止（如欧盟GDPR、美国ECOA）。
- 技术替代风险：算法可能通过代理变量（如居住地邮编、姓氏）间接推断敏感属性。
性别与性取向
- 案例争议：某些保险产品基于性别定价，被指强化刻板印象（如女性更高寿险保费）。
年龄
- 代际公平问题：年轻群体因数据足迹少可能被低估信用，而老年人可能因技术使用痕迹少被排除数字服务。
二、社会经济背景（隐性偏见载体）
居住地与社区数据
- 红线歧视数字化：历史中"红线区"（低收入社区）可能通过房价、犯罪率等数据被算法继承偏见。
- 案例：美国FTC调查显示，邮编与种族强相关，影响信贷评分公平性。
教育背景
- 精英主义循环：名校学历可能被赋予过高权重，加剧阶层固化（如高端信用卡审批）。
职业类别与收入水平
- 零工经济困境：自由职业者因收入波动性可能在算法中处于劣势，尽管实际偿债能力较强。
三、行为与社交数据（隐私与代理歧视）
社交网络关系
- 关联歧视：通过社交图谱推断信用（如朋友违约影响本人评分），涉嫌侵犯隐私且缺乏因果关系。
- 中国实践：部分网贷平台曾扫描通讯录引发合规争议。
消费习惯与生活方式
- 道德评判争议：购买烟酒、游戏充值等行为被关联到"不可靠"标签（如澳大利亚银行曾追踪赌博支出）。
设备与浏览行为
- 数字指纹偏见：使用低价手机型号或频繁访问招聘网站可能被解读为"经济不稳定"信号。
四、健康与生物特征（伦理红线）
基因与健康数据
- 保险业滥用风险：美国部分州允许人寿保险使用基因检测数据定价，引发优生学担忧。
- GDPR：明确禁止将健康数据用于信贷评估。
心理健康指标
- 衍生数据争议：通过步态分析（手机传感器）、打字速度推断抑郁倾向，缺乏科学验证且侵犯隐私。
五、公共记录与司法数据（结构性不公）
犯罪记录
- 再歧视循环：轻微犯罪记录可能导致永久性服务排斥（如租房平台自动拒绝），阻碍社会融入。
- 种族关联性：美国司法系统数据显示逮捕率存在种族差异。
债务与诉讼记录
- 医疗债务陷阱：美国约50%收款诉讼源于医疗账单，算法若未区分债务类型可能惩罚因病致贫者。
六、新兴数据维度（监管滞后领域）
面部表情/语音分析
- 伪科学应用：部分AI声称通过微表情预测诚信度，缺乏实证基础且涉嫌种族偏见（如肤色影响识别准确率）。
元宇宙行为数据
- 虚拟资产交易：游戏内消费可能被误读为财务冲动，而虚拟土地投资却被视为资产证明。
争议核心与解决方向
代理变量陷阱：算法通过非敏感数据组合间接复现歧视（如用车品牌+购物场所≈种族推断）。
数据殖民主义：弱势群体因数字足迹少导致"算法隐形"，加剧服务不平等。
透明性悖论：完全公开模型可能引发博弈行为（如用户刻意优化数据），不公开则无法审计公平性。
合规路径：
- 采用差异性影响测试（Disparate Impact Testing）
- 开发反事实公平性模型（Counterfactual Fairness）
- 实施动态数据消毒（移除与敏感属性强相关变量）
算法公平需兼顾技术合理性与社会正义，在效率与伦理间寻求平衡点已成为全球监管共识（如欧盟AI法案、中国《个人信息保护法》第24条）。
