0:00:00.792,0:00:03.059
每天，每週，

0:00:03.083,0:00:05.268
我們同意某些「條件及條款」。

0:00:05.292,0:00:06.768
當我們這麼做時，

0:00:06.792,0:00:09.268
我們便讓公司擁有合法的權利

0:00:09.292,0:00:12.649
可以任意使用我們的資料，

0:00:13.000,0:00:15.672
以及我們孩子的資料。

0:00:16.792,0:00:19.445
這會讓我們不禁納悶：

0:00:19.792,0:00:22.339
我們給出了有關孩子的多少資料，

0:00:22.708,0:00:24.978
以及這背後的意涵是什麼？

0:00:26.500,0:00:27.893
我是人類學家，

0:00:27.917,0:00:30.198
同時也是兩個小女孩的母親。

0:00:30.542,0:00:34.846
我從 2015 年開始[br]對這個問題感到好奇，

0:00:35.042,0:00:37.768
那年，我突然發現，有很大量——

0:00:37.792,0:00:41.863
和孩子有關的追蹤資料[br]被產生出來並收集起來，

0:00:41.883,0:00:44.189
且數量大到無法想像。

0:00:44.792,0:00:49.243
於是，我展開了一項研究計畫，[br]名稱叫做「兒童資料公民」，

0:00:49.292,0:00:51.658
我的目標是要填補這些空白。

0:00:52.583,0:00:55.601
各位可能會認為我是來責怪大家

0:00:55.625,0:00:58.393
在社群媒體上張貼[br]自己孩子的照片，

0:00:58.417,0:01:00.318
但那其實不是重點。

0:01:00.583,0:01:04.217
問題遠大於所謂的[br]「分享式教養」。

0:01:04.792,0:01:08.697
重點在於體制，而不是個人。

0:01:08.917,0:01:11.453
要怪的不是你們和你們的習慣。

0:01:12.833,0:01:15.555
史無前例，

0:01:15.708,0:01:19.926
我們遠在孩子出生之前[br]就開始追蹤他們的個人資料——

0:01:20.083,0:01:22.538
有時是從懷孕就開始，

0:01:22.792,0:01:24.903
接著便追蹤他們的一生。

0:01:25.167,0:01:28.156
要知道，當父母決定要懷孕時，

0:01:28.292,0:01:31.088
他們會上網搜尋「懷孕的方式」，

0:01:31.292,0:01:34.519
或者他們會下載[br]排卵追蹤應用程式。

0:01:35.250,0:01:37.505
當他們確實懷孕之後，

0:01:37.875,0:01:41.018
他們會把寶寶的超音波照片[br]張貼在社群媒體上，

0:01:41.042,0:01:43.059
他們會下載懷孕期應用程式，

0:01:43.083,0:01:46.809
或者他們會向 Google 大神[br]諮詢各種相關事項。

0:01:46.833,0:01:48.351
比如——

0:01:48.375,0:01:50.934
搜尋「飛行造成的流產風險」，

0:01:50.958,0:01:53.726
或「懷孕初期的腹痛」。

0:01:53.750,0:01:57.380
我知道是因為我做過許多次。

0:01:58.458,0:02:01.453
等寶寶出生了，他們會用各種技術

0:02:01.473,0:02:05.167
追蹤每次小盹、每次進食、[br]生命中的每件事。

0:02:06.083,0:02:08.963
而他們用的這些技術，

0:02:08.983,0:02:13.234
都會把寶寶最私密的行為[br]和健康資料分享出去，

0:02:13.234,0:02:15.542
以轉換成利潤。

0:02:16.583,0:02:18.726
讓我說明一下這是怎麼運作的：

0:02:18.750,0:02:23.109
2019 年，英國醫學期刊[br]刊出了一篇研究，

0:02:23.269,0:02:27.442
指出在二十四個[br]行動健康應用程式中，

0:02:27.625,0:02:31.247
有十九個會和第三方分享資訊。

0:02:32.083,0:02:34.862
而這些第三方會把資訊分享給

0:02:34.882,0:02:38.080
兩百一十六個其他組織。

0:02:38.875,0:02:42.166
在這兩百一十六個第四方當中，

0:02:42.333,0:02:45.124
只有三個屬於健康領域。

0:02:45.500,0:02:50.018
其他能取得這些資料的公司[br]則是大型科技公司，

0:02:50.042,0:02:53.278
比如 Google、臉書，[br]或甲骨文公司，

0:02:53.583,0:02:55.960
還有數位廣告公司，

0:02:56.208,0:03:00.333
還有一家是消費者信用調查機構。

0:03:01.125,0:03:02.559
所以，沒錯：

0:03:02.583,0:03:07.939
廣告公司和信用機構可能[br]都已經有小寶寶的資料了。

0:03:09.125,0:03:11.893
但，行動應用程式、[br]網路搜尋和社群媒體

0:03:11.917,0:03:15.018
其實只是冰山的一角，

0:03:15.042,0:03:17.893
因為有許多技術在日常生活中

0:03:17.917,0:03:19.643
追蹤兒童的資料。

0:03:19.667,0:03:23.809
在家中，家用科技[br]和虛擬助理會追蹤兒童。

0:03:23.833,0:03:27.822
在學校，教育平台[br]和教育相關技術都會追蹤兒童。

0:03:28.042,0:03:32.323
在醫生的診間，線上記錄[br]和線上入口網站都會追蹤兒童。

0:03:32.708,0:03:35.819
還有需連結網路的玩具、線上遊戲

0:03:35.839,0:03:39.083
及許多許多其他技術[br]都會追蹤兒童。

0:03:40.250,0:03:41.893
所以，在我研究期間，

0:03:41.917,0:03:45.827
很多父母來找我，[br]他們會說：「又怎樣？

0:03:46.083,0:03:49.000
我的孩子被追蹤有什麼關係？

0:03:50.042,0:03:51.940
我們沒啥要隱瞞的。」

0:03:52.958,0:03:54.702
這是有關係的。

0:03:55.083,0:03:57.214
有關係是因為，現今，

0:03:57.446,0:04:00.700
個人不僅受到追蹤，

0:04:01.125,0:04:04.907
這些追蹤資料還會[br]被拿來建構他們的側寫評比。

0:04:05.250,0:04:09.059
人工智慧和預測分析

0:04:09.083,0:04:11.666
正被用來盡可能多地利用

0:04:11.686,0:04:14.171
不同來源的個人生活資料：

0:04:14.625,0:04:18.686
家族史、購買習慣、社群媒體留言。

0:04:19.167,0:04:21.018
接著，這些資料會被整合，

0:04:21.042,0:04:24.156
以資料為根據，[br]做出針對個人的決策。

0:04:24.792,0:04:28.020
到處都在使用這些技術。

0:04:28.250,0:04:30.391
銀行用它們來決定貸款，

0:04:30.667,0:04:33.209
保險公司用它們來決定保費，

0:04:34.208,0:04:36.684
招聘公司和僱主用它們

0:04:36.708,0:04:39.745
來判定應徵者是否適合某個職缺。

0:04:40.750,0:04:43.506
連警方和法庭也會用它們

0:04:43.875,0:04:47.393
來判斷一個人是否有可能是罪犯，

0:04:47.417,0:04:50.221
或是否有可能再犯。

0:04:52.458,0:04:56.518
我們不知道也無法控制

0:04:56.542,0:04:59.164
購買、銷售、處理我們資料的公司

0:04:59.184,0:05:03.153
會用什麼方式來對我們[br]和我們的孩子做側寫評比，

0:05:03.625,0:05:07.913
但那些側寫評比有可能會[br]顯著影響我們的權利。

0:05:08.917,0:05:11.387
舉個例子，

0:05:13.792,0:05:17.851
2018 年《紐約時報》[br]刊載的新聞提到，

0:05:17.875,0:05:22.600
透過大學規劃線上服務[br]所收集到的資料——

0:05:22.958,0:05:26.734
這些資料來自全美各地數百萬名

0:05:26.754,0:05:30.979
想要尋找大學科系[br]或獎學金的高中生——

0:05:31.375,0:05:34.740
被販售給教育資料中介商。

0:05:35.792,0:05:41.226
福坦莫大學裡那些研究[br]教育資料中介商的研究者

0:05:41.250,0:05:45.186
揭發出這些公司會根據不同的分類

0:05:45.206,0:05:49.091
來為小至兩歲的兒童做側寫評比：

0:05:49.583,0:05:53.213
人種、宗教、富裕程度、

0:05:53.792,0:05:55.815
社交尷尬

0:05:55.875,0:05:58.700
及許多其他隨機的分類。

0:05:58.833,0:06:01.430
接著，它們會賣掉這些側寫評比，

0:06:01.450,0:06:06.684
連帶附上兒童的姓名、[br]地址和聯絡細節資訊，

0:06:06.708,0:06:08.559
賣給各種公司，

0:06:08.583,0:06:11.305
包括貿易和職涯機構、

0:06:12.083,0:06:15.200
學生貸款以及學生信用卡公司。

0:06:16.522,0:06:19.367
福坦莫大學的研究者還更進一步，

0:06:19.387,0:06:24.243
請一家教育資料中介商[br]提供他們一份名單，

0:06:24.263,0:06:30.608
羅列十四到十五歲[br]對於避孕措施感興趣的女孩。

0:06:32.208,0:06:34.684
資料中介商同意[br]提供他們這份名單。

0:06:34.708,0:06:39.554
想像這多麼侵害我們孩子的私密。

0:06:40.833,0:06:44.809
但，教育資料中介商[br]也只不過是一個例子。

0:06:44.833,0:06:49.518
事實是，我們無法控制別人[br]如何對我們的孩子做側寫評比，

0:06:49.542,0:06:53.367
但這些側寫評比卻會明顯影響[br]他們在人生中的機會。

0:06:54.167,0:06:57.246
所以，我們得要捫心自問：

0:06:57.667,0:07:02.351
我們能信任這些[br]側寫評比孩子的技術嗎？

0:07:02.375,0:07:03.831
能嗎？

0:07:05.708,0:07:07.336
我的答案是「不能。」

0:07:07.792,0:07:09.132
身為人類學家，

0:07:09.132,0:07:12.851
我相信人工智慧和預測分析

0:07:12.875,0:07:16.705
很擅長預測疾病的過程[br]或對抗氣候變遷。

0:07:18.000,0:07:19.643
但我們不能夠信任

0:07:19.667,0:07:23.351
這些技術能夠客觀地[br]對人類做側寫評比，

0:07:23.375,0:07:28.488
讓我們依據這些側寫評比資料[br]來對個人的人生做出判斷，

0:07:28.500,0:07:31.059
因為它們無法對人類做側寫評比。

0:07:31.083,0:07:34.294
追蹤資料並無法反映出[br]我們是什麼樣的人。

0:07:34.458,0:07:36.559
人類說出來的話[br]可能和心中想的相反，

0:07:36.583,0:07:39.018
做出來的行為[br]可能和心中的感受不同。

0:07:39.042,0:07:41.518
用演算法做預測或其他數位做法

0:07:41.542,0:07:46.708
無法考量到人類經歷中的[br]不可預測性和複雜性。

0:07:48.417,0:07:49.976
除此之外，

0:07:50.000,0:07:52.315
這些技術向來——

0:07:52.708,0:07:55.931
向來——會以某種方式偏頗。

0:07:57.125,0:08:02.184
在定義上，演算法就是[br]一組一組的規則或步驟，

0:08:02.208,0:08:05.917
設計的目的是要達成[br]一個特定的結果。

0:08:06.833,0:08:09.559
但這些規則或步驟並不客觀，

0:08:09.583,0:08:13.292
因為它們是由某種[br]特定文化情境下的人所設計的，

0:08:13.312,0:08:16.435
且由某些特定的[br]文化價值觀所形塑出來。

0:08:16.667,0:08:18.393
所以，機器學習時

0:08:18.417,0:08:21.028
會自偏頗的演算法學習，

0:08:21.625,0:08:25.010
通常也會從偏頗的資料庫中學習。

0:08:25.833,0:08:29.559
現在我們已經開始看見[br]一些偏頗演算法的初始例子，

0:08:29.583,0:08:32.969
當中有些還挺嚇人的。

0:08:34.500,0:08:39.709
紐約的 AI Now Institute[br]今年公佈的一份報告揭露出

0:08:39.715,0:08:44.152
用來做預測性維安的人工智慧技術

0:08:44.500,0:08:47.799
是用「髒數據」訓練出來的。

0:08:48.333,0:08:51.226
收集這些資料的時期，

0:08:51.250,0:08:54.604
是歷史上已知很有種族偏見

0:08:54.624,0:08:57.826
以及警方作業不透明的時期。

0:08:58.542,0:09:02.273
因為訓練這些技術[br]所用的資料是髒數據，

0:09:02.625,0:09:04.059
不具備客觀性，

0:09:04.083,0:09:06.051
它們產出的結果

0:09:06.051,0:09:10.500
只會放大和犯下警方的偏見和錯誤。

0:09:13.167,0:09:17.628
所以，我認為我們面臨的[br]是社會中的根本問題。

0:09:18.000,0:09:22.906
我們開始交由科技技術[br]來側寫評比人。

0:09:23.750,0:09:26.268
我們知道在側寫評比人時，

0:09:26.292,0:09:29.101
這些技術一定會偏頗，

0:09:29.125,0:09:31.360
永遠不會正確。

0:09:31.875,0:09:34.809
所以，現在我們需要的[br]是政治上的解決方案。

0:09:34.833,0:09:39.542
我們需要政府認可[br]我們的資料權和人權。

0:09:40.292,0:09:44.375
（掌聲及歡呼）

0:09:47.833,0:09:52.045
在那之前，我們不用冀望[br]會有更公正的未來。

0:09:52.750,0:09:55.476
我擔心我的女兒會接觸到

0:09:55.500,0:09:59.049
各種演算法歧視和錯誤。

0:09:59.250,0:10:01.270
我和我女兒的差別在於

0:10:01.290,0:10:04.395
我的童年並沒有[br]公開的記錄可被取得。

0:10:04.875,0:10:08.663
肯定也沒有資料庫[br]記錄我在青少女時期

0:10:08.683,0:10:11.265
做過的所有蠢事和蠢念頭。

0:10:11.285,0:10:12.603
（笑聲）

0:10:13.833,0:10:16.675
但我女兒要面臨的情況可能不同。

0:10:17.292,0:10:20.466
今天收集到和她們有關的資料，

0:10:20.500,0:10:23.755
未來可能就會被用來評斷她們，

0:10:24.333,0:10:27.648
且有可能會漸漸阻擋到[br]她們的希望和夢想。

0:10:28.583,0:10:31.373
我認為該是我們大家[br]站出來的時候了。

0:10:31.393,0:10:33.859
該是我們開始同心協力，

0:10:34.083,0:10:38.096
以個人、組織、[br]機構的身份攜手合作，

0:10:38.116,0:10:42.551
我們要為自己及我們的孩子[br]爭取更高的資料公平性，

0:10:42.571,0:10:44.143
別等到太遲了。

0:10:44.167,0:10:45.434
謝謝。

0:10:45.458,0:10:47.451
（掌聲）