建立促進平權與行動介入的COVID-19數據：七個交織性女性主義原則

《數據女性主義》（Data Feminism）一書於2020年2月甫出版，即與疫情相遇。作者之一Catherine D' Ignazio為麻省理工學院都市研究與規劃系的助理教授，同時也是數據+女性主義實驗室（Data + Feminism Lab）主任；另一位作者Lauren F. Klein則是埃默里大學英語系和量化理論與方法系的副教授，也是數位人文實驗室主任。兩位作者在書籍出版後，以書中提出的數據女性主義七原則，針對COVID-19中隱含的數據問題，提出警示。兩位作者在書中先帶領我們去思考何謂「數據」，她們認為，當我們把資訊識別為「數據」（而非以「證據」或「事實」來指代）時，是出於一種修辭的目的，意圖在將具有爭議的資訊，轉化為一種證據的基礎，以做出後續的宣稱。然而，在確認資訊可被信任、或確認其為可據以行動的事實之前，什麼資訊、誰的資訊可以變成數據？書中以「預測性警務」科技（PredPol, predictive policing technology）為例，帶我們看見這種以過往的犯罪數據做為訓練的數據，來預測巡邏警力該如何有效配置的系統，正凸顯「數據」背後埋藏了尚未被確認的事實。當美國警方過往總是不成比例地在有色人種街區安置較多警力，當地的犯罪行為就容易被警察看見並列為紀錄（反之，犯罪率較低的區域，不見得是因為沒有犯罪行為，而是犯罪行為沒有被警察看見、納入紀錄），那麼以此犯罪數據而來的預測系統，就會形成一種惡性循環迴圈（pernicious feedback loop）：美國黑人長遠的犯罪歷史造成了有偏見的警力佈置，這樣的佈置生產了有偏見的歷史數據，而數據又被用以發展一個預測未來的風險模型（D'Ignazio & Klein, 2020: 28）。可見若我們不去思考並追蹤系統的生成過程，那麼系統的建置很可能既反映過往的歧視行動，也放大並增強歧視行動的效應。