引言

随着人工智能技术深度嵌入新闻传播、健康医疗、商业营销等领域，算法已成为智能传播的核心枢纽，但其衍生的算法偏见问题日益凸显——从“信息茧房”加剧社会分裂，到医疗资源分配偏向优势群体，算法偏见不仅影响公众权益，更冲击社会公平秩序。既有算法偏见研究呈现学科分散化特征：哲学聚焦本质属性，法学侧重责任归属，传播学关注传播影响，缺乏系统性整合；实践中，治理方案因理论依据冲突难以落地。鉴于此，本文立足智能传播视域，以“问题逻辑”统领研究，系统梳理算法偏见的学术提出过程、多视角定义内涵、四类核心研究方法及三大核心争议，识别现有研究的结构性缺口，并提出未来研究方向。此举既旨在整合碎片化的理论成果，构建算法偏见研究的系统框架，也为实践中的算法偏见治理提供科学指引。

一、算法偏见的提出过程

算法偏见的学术议题发轫于人工智能技术从理论构想转向社会嵌入的实践进程，其发展脉络可划分为理论奠基、问题凸显、体系化研究三个阶段，演进过程始终与数据伦理发展、技术困境显现及社会矛盾激化深度耦合。

理论奠基阶段（21世纪初至2010年前后）

算法偏见的相关讨论依托数据伦理框架初步展开。英国学者塔迪欧与弗洛里迪率先构建三元数据伦理框架，将偏见纳入数据、算法与实践过程的分析范畴，提出技术环节的偏见可能源于人类主观倾向的嵌入，为该议题的学术探讨奠定了基础分析范式。这一阶段人工智能以监督式学习为核心形态，算法对数据的强依赖性逐步显现，学界已开始警惕“数据质量决定算法结果”的内在逻辑——拉斐尔对人工智能“模拟人类智能”的定义，已隐含算法可能继承人类认知偏差的潜在风险，为后续研究埋下了理论伏笔。

问题凸显阶段（2010年后）

伴随第三次人工智能浪潮的推进，算法偏见研究进入问题凸显阶段。随着算法在城市管理、人才推荐、公共服务等领域的规模化应用，其潜在风险转化为显性实践困境，波士顿StreetBump路面检测应用、吉利德公司人才推荐模型等典型案例，均集中暴露了算法偏见的现实危害。这些实践问题推动学界聚焦其生成机制，孟令宇批判性厘清了“算法偏见”与“算法歧视”的核心边界，提出前者是无伦理指向的技术或认知偏差，后者则源于人类对偏见的盲从。这一界定推动学界对算法偏见的认知，从单一的“技术缺陷”拓展为“技术—人类”互动视角下的中性概念，成为该领域研究的重要转折点。

体系化阶段（2018年后）

2018年后，算法偏见研究进入体系化阶段，呈现出跨领域研究细化与治理路径深化的双重特征。在细分应用场景中，范红霞剖析了算法新闻引发的“信息茧房”效应，指出推荐算法通过强化用户偏好复制并放大认知偏见；陈龙等学者揭示了基于医疗开销的健康评估算法，因忽视经济劣势群体的就医障碍加剧医疗资源分配失衡的问题；张艳等则聚焦营销领域的“算法杀熟”“广告茧房”现象，分析了算法偏见对消费者权益与市场公平的损害。与此同时，治理相关研究同步推进，梁志文提出的“算法排他权”制度、肖梦黎构建的“风险分类治理”框架，推动该领域研究完成了从“问题诊断”向“解决方案体系化构建”的核心转向。

二、算法偏见的学术定义

当前学术界对算法偏见的定义已形成“核心共识+多维拓展”的格局，核心共识聚焦于“算法全流程中产生的系统性非客观偏差”，不同视角的深化则为其赋予了适配不同领域的内涵延展性。

技术流程视角下

学界强调算法偏见贯穿数据、运算、应用的全链条。汪靖将其定义为算法在数据采集、编码标注、模型运算及实践应用环节中，继承或生成的偏离客观事实的系统性偏差，以“偏见进，偏见出”概括数据输入与算法结果的内在关联。孟令宇进一步细化其来源，将其划分为嵌入训练数据的数据偏见、开发者主观倾向带来的人为偏见，以及算法分类、排序等技术特性自带的差别对待属性，同时明确其“无伦理维度”的中性属性——这类技术或认知层面的偏差，仅经人类行为转化后才可能引发歧视。

社会本质视角下

学界着重揭示算法偏见与社会结构性问题的内在关联。郭小平批判了“算法中立”的乌托邦想象，提出算法偏见是种族、性别、阶层等社会结构性偏见，经由数据、程序设计、人机互动在算法中的复制与强化，并以ImageNet数据集的样本偏差问题佐证这一判断。贾诗威进一步将其概括为算法全流程中，对特定个体、群体或信息内容产生不公平结果的系统性、可重复性错误，强调其本质是“社会不平等的技术复刻”，而非单纯的技术问题。

领域特性视角下

学界结合应用场景赋予概念具象化内涵。叶青针对性别维度，将算法偏见定义为算法对不同性别群体的差异化输出，其根源包括数据中的性别分工偏见、设计者隐性倾向与反馈机制的强化作用；陈龙在健康医疗领域，将其界定为人为偏见技术化后，引发医疗资源向经济优势群体倾斜的非公平偏差；张艳则在营销领域，明确其为损害消费者个体利益、公众基本权利与市场公平秩序的算法偏差。

综上，学界对算法偏见已形成清晰的核心认知：其是算法在全运行流程中，因继承社会偏见、技术固有特性或人为倾向产生的系统性非客观偏差，本质是人类社会问题的技术再现，需结合具体领域场景，才能全面把握其表现与成因。

三、算法偏见研究的主要方法综述

当前算法偏见研究的方法体系呈现多学科交叉融合、理论与实践深度耦合的特征，学界依托哲学、伦理学、法学等多领域理论工具解析偏见本质，借助实证手段挖掘实践困境，通过跨学科视角构建治理路径，形成了“理论解构—实证验证—治理探索”的完整方法体系，核心可归纳为四类研究路径：

（一）理论框架分析法：多维度解构偏见本质与生成逻辑

理论框架分析法是算法偏见研究的基础路径，学界引入多学科理论工具，从本质属性、生成机制层面完成对算法偏见的理论解构，形成三大核心分析视角。其一为数据伦理框架，以塔迪欧与弗洛里迪的三元数据伦理框架为核心，汪靖依托该框架系统剖析了算法偏见在数据采集、编码标注、实践应用环节的具体表现，揭示了偏见“嵌入—输出”的技术逻辑。其二为哲学认识论与解释学框架，孟令宇借助海德格尔“理解的前结构”、伽达默尔解释学相关理论，完成了“偏见”与“歧视”的学理区分，论证了算法偏见的不可避免性；郭小平则以技术批判理论为工具，解构“算法中立”的迷思，明确算法偏见是社会结构性偏见的技术复刻。其三为算法正义理论框架，董青岭以“算法即统治”为核心命题，结合社会正义理论分析算法偏见对权利分配的影响，为治理研究奠定了理论基础。

（二）典型案例深度分析法：具象化呈现偏见的实践样态

典型案例深度分析法是衔接理论与实践的核心路径，学界多选取公共服务、新闻传播、健康医疗、商业营销等领域的代表性案例，遵循“案例还原—偏差定位—成因溯源”的分析逻辑，具象化呈现算法偏见的实践特征。现有研究分别以路面检测、疫苗分配算法等公共服务案例，社交媒体话题屏蔽、抽奖算法等新闻传播案例，医疗健康评估算法案例，以及“算法杀熟”等商业营销案例为分析对象，完成了不同场景下偏见生成机制的解构，使抽象的理论分析转化为可感知的实践问题，为针对性治理路径的构建提供了实证依据。

（三）批判性话语分析法：挖掘偏见的用户感知与权力关系

批判性话语分析法多用于解析算法偏见的社会认知与背后的权力博弈，核心聚焦社交媒体用户对算法偏见的感知话语。贾诗威以费尔克拉夫三维话语分析模型为核心工具，从文本、话语实践、社会实践三个维度展开分析，既挖掘了用户对算法偏见的感知特征与情感倾向，也揭示了话语再生产背后的思想内涵，以及数字不平等背后的权力博弈关系。该方法突破了单一技术视角的局限，从用户主体性出发补充了微观层面的实证支撑，为理解算法偏见的社会影响提供了新的分析维度。

（四）跨学科融合的治理研究方法：构建技术与制度的协同路径

针对算法偏见的治理研究，学界普遍采用“技术+法律+伦理”的跨学科融合方法，形成了兼具可行性与系统性的治理路径。其一为技术与法律结合的双轨治理模式，肖梦黎基于风险分类提出了差异化的规制方案，梁志文则借鉴管制性排他权制度提出“算法排他权”制度，平衡算法透明与创新激励的核心矛盾。其二为技术与伦理结合的设计治理路径，叶青引入“价值敏感设计”理论，主张将伦理原则嵌入算法全流程设计；郭小平结合“数据公正”理论，提出了兼顾边缘群体数据代表性与数据主体权利的治理思路。此类方法打破了单一学科的研究局限，实现了技术可行性、法律合规性与伦理正当性的协同，为算法偏见治理提供了系统性的方案支撑。

四、算法偏见的核心争议综述

算法偏见作为智能传播与社会治理交叉领域的核心议题，其学术争议始终围绕技术特性、社会结构与伦理价值的深层张力展开，形成相互关联的逻辑体系，可凝练为三大核心维度：算法偏见的本质属性与可消除性争议、算法偏见与算法歧视的边界及责任归属争议、算法偏见治理的核心路径与实践策略争议。三大维度涵盖了对偏见本质的追问、责任归属的伦理辨析与治理实践的路径探索，共同构成算法偏见研究的争议主轴。

关于算法偏见的本质属性与可消除性

学界分歧核心源于对偏见根源的认知差异，形成“技术优化论”与“社会建构论”的根本对立，并衍生出折中立场。技术优化论者认为，算法偏见源于技术环节的可控缺陷，可通过技术迭代实现消除。汪靖提出，算法偏见是“未经审查的不成熟判断”，可通过数据集优化、采集方法改进实现有效控制；陈龙将该逻辑延伸至健康领域，提出通过数据平衡处理、迁移学习等技术手段缓解数据偏见；肖梦黎则主张借助软件验证技术与数学证明手段突破算法黑箱，从根源上消除偏见生成空间。

与之相对，社会建构论者批判技术决定论思维，认为算法偏见是人类社会结构性偏见的技术复刻，其根源在社会而非技术，因而无法彻底消除。孟令宇强调隐性偏见的不可避免性，指出开发者的隐性认知、算法本身的分类属性是算法理解世界的基础前提，技术无法剥离这一认知基石；郭小平以“偏见循环”理论佐证，社会偏见通过数据、程序设计、人机互动不断强化，技术仅能缓解表面偏见，无法改变其社会结构根源。

多数学者持折中立场，认为算法偏见无法彻底消除，但可通过技术与制度的协同，将其控制在社会可接受范围。叶青通过性别偏见研究发现，去偏算法仅能削减显性偏见，嵌入社会文化的隐性偏见难以根除；董青岭进一步总结，算法偏见的负面效应可管控但无法根除，核心是将其约束在不损害公民基本权利的范围内。

算法偏见与算法歧视的边界及责任归属

算法偏见与算法歧视的边界划分，直接决定了学界对责任归属的认知分歧，形成“严格区分论”与“模糊关联论”两大阵营，其边界认知也深刻影响着责任主体的界定。严格区分论者认为，算法偏见是无伦理维度的技术或认知偏差，算法歧视则是需承担道德责任的伦理过错，二者存在本质差异。孟令宇是该观点的核心代表，提出“算法偏见是技术问题，算法歧视是人为问题”的核心论断，认为中性的算法偏差需经人类对算法结果的盲从与误用，才会转化为歧视，责任应归属于算法开发者与使用者。肖梦黎也支持该观点，提出“算法偏见需技术矫正，算法歧视需人类问责”的治理思路。

模糊关联论者则批判严格区分论脱离实践语境，认为算法偏见嵌入社会权力结构，本身已隐含歧视风险，二者在实践中难以切割。岳平指出，算法偏见本质是社会偏见的映射，即便未被人类应用，也已构成对劣势群体的潜在歧视；贾诗威通过用户感知研究发现，用户普遍将算法偏见与信息歧视形成默认关联，严格的学理区分缺乏实践意义；张凌寒则在商业领域提出，算法偏见的隐蔽性使其极易向歧视转化，治理需预设“偏见即潜在歧视”的原则，避免企业以技术偏差为由规避责任。

这种边界争议直接引发责任归属的认知分歧：严格区分论者多持“个体责任论”，主张开发者与使用者承担核心责任；模糊关联论者则倾向“多元协同论”或“政府主导论”，岳平提出政府、企业、行业、公众共同担责的多元治理体系，肖梦黎强调公众参与对算法决策民主化的价值，梁志文则主张建立政府主导的审查机制，通过制度设计确保责任可追溯。这一分歧的本质，是学界对算法自主性的认知差异，分别源于对算法工具性、社会性与权力性的不同定位。

算法偏见治理的核心路径与实践策略争议

算法偏见治理的核心路径争议，集中体现为透明度实践、治理框架选择与主体权责协同三大层面的分歧，直接决定治理策略的选择与落地效果。在透明度这一核心治理手段上，学界首先对“透明度是否必要”存在根本分歧：“透明必要论”者（如郭小平）认为，透明度是算法问责的基础，欧盟GDPR确立的算法解释权是保障数据主体知情权的底线；“透明质疑论”者（如梁志文）则指出，传统透明度规则面临技术黑箱、商业秘密保护、用户认知门槛三重困境，算法解释权极易沦为形式化制度。

即便在支持透明度的学者内部，对“如何实现透明”也存在显著分歧：“完全透明论”主张公开算法源代码与训练数据，明确算法运行的核心规则；“有限透明论”主张通过零知识证明、反事实解释等替代方案实现透明，或以制度设计平衡透明要求与商业秘密保护；“过程透明论”则主张公开算法决策的流程标准而非技术细节，认为过程透明已能满足公众监督需求。同时，学界对透明度的边界也存在争议，核心聚焦于商业秘密保护与公众知情权的平衡难题。

在治理框架选择上，学界对“是否建立统一治理框架”存在分歧：“统一框架论”者（如董青岭）提出算法正义的核心原则，认为其应适用于所有应用领域，这也与欧盟、我国现行算法治理的统一立法模式相契合；“领域差异化论”者则主张，应根据不同领域的特性设定治理优先级与规制强度，分别针对新闻传播、健康医疗、商业营销、司法等领域，制定适配场景的差异化治理规则。

在治理主体协同层面，“多元协同论”已成为学界主流，但对各主体的权责划分仍存在分歧。学者们分别强调政府的规制主导责任、企业的内部审查义务、行业的标准制定作用、公众的参与监督价值，以及第三方审计的专业支撑作用，但尚未就各主体的权责边界形成统一共识。

学界关于算法偏见的三大核心争议，本质是技术理性与价值理性、个体权益与公共利益、市场效率与社会公平的深层张力体现。对偏见本质与可消除性的认知，决定了治理的核心目标；对偏见与歧视边界的界定，决定了治理的核心对象；对治理路径的分歧，决定了治理的手段选择与框架设计。这些争议并非纯理论层面的分歧，直接影响着全球各国算法治理政策的制定与落地，未来研究需在争议中寻求共识，构建兼具技术可行性、法律合规性与伦理正当性的治理体系，推动算法技术与社会公平的协同发展。

五、算法偏见研究的现有缺口与未来展望

现有算法偏见研究虽已在理论解构、实证考察与治理探索层面形成初步积累，但研究体系仍存在显著的结构性缺陷：理论框架受学科壁垒限制呈现碎片化特征，研究方法未能适配算法偏见“技术—社会”双重属性，核心学术争议多停留于立场对立而未实现矛盾调和。这些缺口并非局部研究空白，而是源于对算法偏见本质认知的维度局限，导致研究难以回应智能传播时代算法与社会深度交织的复杂现实。

（一）理论框架的“碎片化”与跨学科整合的“表层化”

现有算法偏见研究的理论建构，始终未能突破“学科逻辑凌驾于问题逻辑”的核心局限，不同学科的理论工具多被孤立运用，跨学科整合也普遍停留在“概念叠加”而非“逻辑融合”层面，最终导致理论体系难以完整解释算法偏见的多维度生成机制与传播影响。

从理论来源的孤立性来看，现有研究长期依赖单一学科视角，未能形成覆盖“技术特性—社会结构—传播过程”的系统性分析框架。哲学视角下，学者依托海德格尔“理解的前结构”与伽达默尔解释学论证算法偏见的不可避免性，却未与传播学“把关人”理论形成衔接，无法解释算法偏见通过议程设置对公众认知与信息茧房效应的影响；数据伦理视角下，研究者以三元数据伦理框架剖析偏见的技术嵌入逻辑，却忽视了传播政治经济学中“资本—权力”对算法的塑造，未能覆盖资本逻辑下算法偏见对信息传播公共性的损害；法学视角下，学界聚焦算法透明度与责任归属问题，却未结合传播学用户认知理论，未能回应用户算法素养不足导致的“权利赋予与认知能力错配”问题。这种单一化的理论运用，使得研究始终局限于单一维度，无法揭示技术特性、社会权力与传播过程的互动关系。

从跨学科整合的表层化来看，现有研究虽尝试融合技术、法律、伦理等多学科视角，但多停留在方案拼接层面，未实现理论逻辑的深度对话。例如“技术+法律”的治理框架中，学者提出以技术手段验证算法公平性、依托司法审查追究歧视责任，却未解决技术可行性与法律实操性的内在张力，未厘清技术验证结果的司法证据效力与转化路径，使得跨学科框架沦为纸面设计；在“伦理+传播”的分析中，研究者主张将伦理原则嵌入算法设计、通过算法优化保障信息多样性，却未探索伦理原则向可操作传播规则的转化路径，导致跨学科理论难以落地。本质而言，现有跨学科研究未能突破学科边界，反而因各学科的内在逻辑冲突，加剧了理论框架的混乱。

（二）研究方法的“适配性缺失”与实证逻辑的“单一化”

算法偏见的实证研究长期受制于方法体系与研究对象不匹配的困境，方法设计未能回应算法偏见“技术隐蔽性”与“社会渗透性”的双重属性，导致实证结论要么局限于技术表象，要么难以量化社会影响，无法完整揭示偏见的复杂生成机制与传播后果。

首先，标准化测量工具缺失，现有研究尚未形成适配算法偏见的量化指标体系，导致实证结论存在不可比性与模糊性。算法偏见兼具隐性与显性双重特征，但现有研究多以显性偏见为测量对象，依赖主观判断替代标准化指标。无论是用户感知研究中尚未形成标准化的感知量表，还是技术探测中未统一偏见程度的判定阈值，都使得实证研究难以形成累积性成果，也无法为治理提供精准的问题定位。

其次，研究方法存在“技术—社会割裂”问题，现有实证研究未能打通技术探测与社会调查的壁垒，无法覆盖算法偏见的双重属性。技术视角的算法审计、代码分析，未结合社会调查分析技术偏差对用户认知与行为的影响；社会视角的问卷、访谈研究，缺乏技术手段验证用户感知与算法实际偏差的一致性。这种“技术与社会两张皮”的方法设计，使得实证研究难以完整揭示算法偏见“生成—传播—影响”的全链条逻辑。

最后，现有方法对隐性偏见的捕捉能力不足，难以应对算法偏见的隐蔽化趋势，导致实证结论存在表层化局限。现有研究多依赖关键词匹配、显性数据统计，无法捕捉语义层面的隐性偏见关联；同时缺乏纵向追踪数据，难以揭示隐性偏见的反馈强化机制与动态演化过程，使得实证研究仅能覆盖算法偏见的表层内容，难以反映其深层危害。

（三）学术争议的“悬置化”与治理方案的“冲突性”

现有算法偏见研究围绕偏见可消除性、偏见与歧视边界、治理责任归属等核心问题形成诸多分歧，但这些争议多停留于立场对立，未实现矛盾调和，导致治理方案因理论依据冲突难以落地，制约了研究的实践价值。

其一，“偏见可消除性”的争议中，技术优化论与社会建构论学者各自立论，未探索“技术缓解”与“社会变革”的协同路径，导致治理目标陷入非此即彼的困境。技术优化论强调通过技术迭代缓解偏见，却忽视了社会结构性偏见对数据的系统性污染；社会建构论认为算法偏见是社会偏见的技术复刻，却未明确技术手段对社会变革的缓冲与辅助作用，最终使得治理方案要么陷入“技术万能论”，要么沦为“社会决定论”，无法形成协同框架。

其二，“偏见与歧视边界”的争议中，严格区分论与模糊关联论的分歧，直接导致治理对象的定位混乱。严格区分论将偏见界定为中性技术偏差、歧视视为人类的伦理误用，主张分类治理；模糊关联论认为偏见本身已隐含歧视风险，二者在实践中难以切割。但现有研究未探索不同场景下边界的动态调整机制，也未建立可量化的边界判定标准，导致治理实践中要么出现过度规制，要么存在规制不足的问题。

其三，“治理责任归属”的争议中，个体责任论、多元协同论与政府主导论的方案缺乏兼容性，治理体系难以形成合力。三类主张分别强调开发者与使用者的个体责任、多主体协同治理、政府的主导规制作用，却均未解决责任分散、权责边界模糊、监管能力不匹配等核心问题，导致治理方案呈现碎片化特征，不同方案之间相互冲突，无法形成系统性治理体系。

（四）研究未来与展望

针对当前算法偏见研究在理论、方法与治理层面的核心缺口，未来研究需以问题导向为核心，推动理论融合、方法革新与治理协同，实现研究与智能传播实践的深度适配。

在理论建构上，需突破学科壁垒，构建“技术—社会—传播”深度融合的分析框架。以算法偏见“生成—传播—影响”全链条为逻辑主线，串联多学科核心理论，将哲学解释学与传播学把关人理论、法学算法问责机制与传播政治经济学分析、数据伦理原则与传播实践规则深度融合，推动跨学科理论从“概念叠加”转向“逻辑共生”，形成覆盖技术特性、社会结构与传播过程的系统性理论体系。

在研究方法上，需补齐适配性短板，建立标准化与多元化结合的实证体系。一是构建算法偏见的标准化测量框架，开发覆盖显性与隐性偏见的多维度量表，明确不同场景下偏见程度的判定阈值；二是推动“技术探测—社会调查”的混合方法创新，打通技术分析与社会分析的壁垒，完整追踪偏见的全链条影响；三是研发隐性偏见的精准捕捉工具，基于自然语言处理技术开发语义关联检测模型，弥补现有方法对隐性偏见捕捉不足的局限。

在争议调和与治理实践上，需立足场景适配原则，构建动态协同的治理体系。针对核心学术争议，按场景差异化界定适用规则：涉及公民基本权利的公共领域，从严界定偏见与歧视的边界，兼顾技术优化与社会结构优化；商业与娱乐领域，动态调整边界标准，允许非损害性的个性化偏差，重点规制侵权类有害偏见。同时明确多元主体的权责协同机制，形成“政府定标—企业自查—公众监督—第三方评估”的治理闭环，确保治理方案落地可行。

六、结语

本文系统梳理了智能传播视域下算法偏见研究的发展脉络，揭示了学界对其认知从“技术缺陷”到“社会问题技术再现”的演进过程，明确该领域虽已形成“定义—方法—争议—治理”的初步研究体系，却仍存在理论碎片化、方法适配性不足、核心争议悬置等结构性缺口。研究表明，算法偏见本质上是人类社会偏见在技术领域的复刻，其治理需突破“技术万能论”与“社会决定论”的二元对立，以场景适配为基础实现多元主体协同治理。未来，唯有推动“技术—社会—传播”三维理论的深度融合，构建标准化与多元化相统一的实证研究体系，明晰多元治理主体的权责边界，才能实现算法偏见研究理论与实践的深度衔接。这既有助于完善智能传播领域的学术研究体系，也能为算法技术与社会公平的协同发展提供理论支撑，助力构建兼具伦理正当性与实践可行性的算法治理生态。

参考文献：

1. [1] 汪靖.从人类偏见到算法偏见：偏见是否可以被消除[J].探索与争鸣,2021(03):32-34.
2. [2] 孟令宇.从算法偏见到算法歧视：算法歧视的责任问题探究[J].东北大学学报（社会科学版）,2022,24(01):1-9.
3. [3] 范红霞,孙金波.大数据时代算法偏见与数字魔咒——兼谈“信息茧房”的破局[J].中国出版,2019(10):60-63.
4. [4] 陈龙,曾凯,李莎,等.人工智能算法偏见与健康不公平的成因与对策分析[J].中国全科医学,2023,26(19):2423-2427.
5. [5] 张艳,程梦恒.人工智能营销传播算法偏见与元规制路径研究[J].中国出版,2021(08):27-30.
6. [6] 梁志文.论算法排他权：破除算法偏见的路径选择[J].政治与法律,2020(08):94-106.
7. [7] 肖梦黎.风险视角下对算法偏见的双轨治理——自动决策算法中偏见性因素的规制研究[J].理论月刊,2021(07):134-142.
8. [8] 郭小平,秦艺轩.解构智能传播的数据神话：算法偏见的成因与风险治理路径[J].现代传播（中国传媒大学学报）,2019,41(09):19-24.
9. [9] 贾诗威,闫慧.算法偏见概念、哲理基础与后果的系统回顾[J].中国图书馆学报,2022,48(06):57-76.
10. [10] 叶青,刘宗圣.人工智能场景下算法性别偏见的成因及治理对策[J].贵州师范大学学报（社会科学版）,2023(05):54-63.
11. [11] 张艳,程梦恒.人工智能营销传播算法偏见与元规制路径研究[J].中国出版,2021(08):27-30.
12. [12] 董青岭,朱玥.人工智能时代的算法正义与秩序构建[J].探索与争鸣,2021(03):82-86.
13. [13] 岳平,苗越.社会治理：人工智能时代算法偏见的问题与规制[J].上海大学学报（社会科学版）,2021,38(06):1-11.
14. [14] 张凌寒.商业自动化决策的算法解释权研究[J].法律科学（西北政法大学学报）,2018,36(03):65-74.
15. [15] 李翔,俞智星.短视频广告的算法偏见及风险规制[J].传媒,2025(10):74-77.
16. [16] 贾诗威,闫慧.社交媒体用户算法偏见感知的批判性话语分析[J].现代情报,2023,43(06):14-23.