信息科技伦理与道德2：研究方法

1 问题描述

1.1 讨论？

请挑一项信息技术，谈一谈为什么认为他是道德的/不道德的，或者根据使用场景才能判断是否道德。判断的依据是什么（自身的道德准则）？为什么你觉得你的道德准则是合理的，其他人也同意你判断的依据吗？

虚拟偶像制作、推广、取代真人
开发战争机器人
使用Deepfake进行人人皆可操作的艺术创作
推广加密货币（比特币）进行商品交易
在社交平台上传播他人隐私
通过VR技术进行远程教育
使用AI法官进行法律判决
自动行驶的汽车推广
由AI为病人诊断疾病
使用大数据分析区别对待不同消费者
开发机器人护理病人、老年人
使用语音助手为残疾人提供服务
开发使用机器人替代人类工作

1.2 社会规范（Social norm）

道德是什么？道德是社会意识形态之一，是人们共同生活及其行为的准则和规范。（Social norm）
人的行为，常会受到自身想与群体一致的愿望驱策，特别是在他们认同那个群体时。
在这里插入图片描述
引出——伦理是研究道德准则好坏的一门学科

1.3 什么是“信息科技伦理”？

为什么你能判断一项技术的应用是否道德？

这一行为是否帮助/侵害了他人？(Prosocial or Antisocial)
这一行为是否符合/违背了公序良俗？（Norm Violation)
这一行为是否遵守/违背了法律？(Law Violation)
这一行为只单纯能影响别人是否喜欢你？(Simply Socially Desirable or not?)
……

信息科技伦理谈的是什么？
在这里插入图片描述

2 思考的原则与方法

2.1 案例一：自动驾驶难题

一辆自动驾驶的汽车，前方突然出现一个障碍物，如果不转弯避开则会造成乘员伤亡。但此时前方有两名闯红灯的行人，转弯则会造成他们伤亡。
在这里插入图片描述
“多角度思考”，指的是在同一维度下，从不同的角度展开思考。“换位思考”就是多角度思考中的一种，指的是站在对方或他人的立场上进行思考，换位思考，无论从自身、对方还是他人的角度，均是在“立场”这一“维度”上的思考。
从“个体最优”与“全局最优”这两个维度进行思考，跳出了单一的维度，便形成了“多维度思考”。

站在不同角度会得到不同的答案（多角度思考）：
在这里插入图片描述

（1）如果你是车上的乘员，你会怎么考虑？

我首先应该保护我自己
行人闯红灯犯了错，应该为后果负责
……

（2）如果你是行人，你会怎么考虑？

我只是闯了个红灯而已
行人拥有最高的路权
……

（3）如果你是自动驾驶汽车的厂商，你会怎么考虑？

我首先应当考虑汽车的销量
驾驶员和乘客才是我的客户
……

（4）如果你是政策制定者/监管部门，你会怎么考虑？

谁能为自动驾驶的事故负责？
……

多维度思考：
在这里插入图片描述

不同的思考角度均属于同一维度，但我们不能仅仅从单一维度来思，更可以通过不同维度。

以自动驾驶汽车为例，除了对于各个不同个体的最优解外，我们还应当考虑社会总体的最优解。除了个体最优与全局最优，我们还有如下不同的思考维度
追求结果与追求行为本身的道德（义务论与目的论）
最好、平均、最坏情况

2.2 案例二：SCI-HUB 侵权案件

科研工作者研究时，需要查阅大量论文，但许多机构无力承担高昂的期刊订阅、文献购买费用。
在这里插入图片描述
Sci-hub 如今已成为科研人最爱的全球学术论文免费获取网站，为科研学者提供免费的论文下载渠道。

Sci-hub 通过互联网爬虫技术，爬取了各大出版社上千万篇期刊、会议文献
Sci-hub 完全免费，为所有人提供文献下载服务
Sci-hub 的行为导致出版社的期刊订阅、销售收入减少，损害了出版社的利益
有科研工作者称赞 Sci-hub 为“当代罗宾汉”
有法律人士认为，Sci-hub的行为侵犯了版权，是侵权的违法行为

Sci-hub在多国受到出版社的抵制与诉讼

美国：2015年，Elsevier在美国纽约南部地区地方法院对Sci-Hub提起了诉讼。Elsevier声称Sci-Hub违反了版权法，并且指控它违反了《计算机欺诈和滥用法》。
瑞典：在Elsevier提起诉讼后，2018年10月，瑞典ISP被迫阻止访问Sci-Hub; 瑞典的大型ISP Bahnhof则对Elsevier网站进行了封锁。
俄罗斯：2018年11月，在莫斯科市法院裁定遵守Elsevier和Springer Nature关于知识产权侵权的投诉后，俄罗斯联邦通信，信息技术和大众传媒监督管理局封锁了Sci-Hub及其镜像网站。
比利时：在Elsevier于2019年3月在法国提起诉讼之后，Elsevier，Springer，John Wiley和Cambridge University Press对Proximus，VOO，Brutélé和Telenet提出了投诉，以阻止访问Sci-Hub和LibGen。

两难抉择——如果你是判官，你认为Sci-hub是否合法？
在这里插入图片描述
义务论，也称为“非结果论”，认为最高的道德伦理是基于行为本身，并不会受外来因素影响，过程往往比结果更加重要，行为的后果不是对与错的考虑因素，行为的目的才决定对错。（https://zh.wikipedia.org/wiki/义务伦理学）
目的论，也被称为“结果论”，则认为只要结果是好的，那么这一行为就是好的。

站在苹果公司的角度，拒绝解锁手机，更符合公司认同的隐私保护价值观，是“义务论”下正确的选择；
而解锁手机，能够协助警方侦破案件，避免未来更多的恐怖袭击，是“目的论”下正确的选择。

2.3 案例三：COMPAS 判案系统

2013的2月11日，威斯康星州的拉克罗斯市出现了枪击案。
有目击者们看到一辆车行驶过Kane大街2200号房子的时候，车里的人突然掏出枪向屋子开了两枪。
目击者马上报警，并且告诉警察关于车子的信息。
之后，警方在别的地方找到这辆车，马上展开激烈追捕，最后好不容易把车子逼停了，看到了31岁的Eric Loomis和他的小伙伴….

警方在车子里发现一些枪支，
本以为是人赃俱获，但仔细彻查后发现……
在这里插入图片描述
面对企图逃离交通管控与未经允许驾驶他人交通工具两项并不严重的指控(通常为几个月刑期)
法官使用 COMPAS 对Loomis提问
COMPAS给出的判处为长达八年6个月的有期徒刑

2.4 思考的原则

2.4.1 原则1：公平原则

数据：
对于机器学习等技术，学习所使用的原始数据本身在各个群体基数中的公平 vs. 偏差，避免数据本身各个群体的占比差别过大。

决策：
对于机器学习等技术，计算机的决策过程透明可追溯 vs.“黑盒子”。

2.4.2 原则2：善良原则

以机器人技术为例，你认为以下各项技术的应用是否符合伦理？为什么？
在这里插入图片描述
善良原则可以被拆分为两部分：

尽可能地行善；
尽可能地避免行恶。

由于技术具有两面性，一项技术既可以用来行善，也可以用来作恶。

3 社会科学研究方法简介

描述性的 (Descriptive)：已有数据/现象/行为的展示与陈述
解析性的 (Diagnostic)：已有的数据/现象/行为的解析
预测性的 (Predictive) ：未有数据/现象/行为的预判

3.1 社会科学研究方法的重点步骤

在这里插入图片描述

3.2 问卷调查

问卷调查的优势

问卷是标准化的表格，通常包含了以下多种题型
– 量表题
– 选择题
– 填空题
问卷设计与发放操作简单方便
– 使用Qualtrics、问卷网、问卷星等网站创建文件
– 使用Mturk等网站招募志愿者，收集数据
问卷数据整理简单方便
– 结构化的数据（选项、打分等）
– 可用假设检验、回归分析等统计学工具得到结论

问卷调查存在数据偏差

执行偏差
– 问卷提供者的责任
回应偏差
– 回应比例低
– 回答理解能力偏差
– 回答态度偏差
– 回应缺乏代表性
– 刻意提供非真实数据（无聊、撒谎、无意识，等等）

案例：问卷偏差
2016年美国大选前的多次民意调查结果显示，民主党候选人希拉里遥遥领先共和党候选人特朗普。最终，特朗普却最终赢得了大选。
在这里插入图片描述

抽样偏差：

许多问卷调查通过网络渠道发放，而许多特朗普的支持者不使用电脑
受调查与未被调查的群体，选举倾向相差极大

回应偏差：

调查回应率偏低，无法真实反应选民意愿
害羞的支持者—— 支持希拉里的选民更愿意表达自身意愿，而支持特朗普的选民不愿被他人知晓，以避免社交尴尬（Social desirability）

3.3 访谈法

访谈法：与受访对象一对一进行交流。
在这里插入图片描述

访谈结果的偏差

面试官的偏见
面试官对面试者的反应
面试官的问题表达方式

人对社会正面评价自我的需要

面试回应中因为印象管理的需要而自觉或不自觉地给出不真实的回答
面试者为了取悦面试官

3.4 焦点小组

形式：主持人带领参与者一同展开讨论
在这里插入图片描述
优势：

自发性交谈能让参与者更放松、更自由地抒发深层次感想
对比于一对一的深度访谈，焦点小组也许能产生良好的Synergy 1 + 1 > 2
焦点小组中的人员除了与研究者对话以外，还会互相对话

焦点小组的人员设定：

主持人
目标人群
意见领袖/舆论领袖

3.5 观察法

案例：VF调研公司，通过观察超市顾客的购物行为，发现女性顾客购买牛仔裤时，每次都会拿上多个尺寸试穿，得出了她们不相信尺码标的结论。
因此，她们帮助Lee与Wrangler公司改进尺码标，提升了效率，带来了数百万美元的额外收益。
在这里插入图片描述
其它例子
企业调研：在产品试用后测量未使用产品的数量
垃圾学家：研究人员对人们的垃圾进行分类，以分析家庭消费模式（看垃圾桶）

观察法须符合多种观察条件

所需信息必须是可观察的或可从可观察的行为中推断出来的
感兴趣的行为必须是重复的、频繁的或以某种方式可预测的
感兴趣的行为必须是相对较短的持续时间

观察法的数据对现象的捕捉

可以避免被观察者的主观表现
避免受制于主观偏差

3.6 实验法

实验研究指的是一种对于因果关系的研究
在这里插入图片描述

电子游戏是否会导致人的暴力倾向增加，学习成绩下降？

从科学上来说，因果性是基于概率的：

自变量的变化导致因变量总体趋势上概率性的变化
玩了电子游戏之后会导致学习成绩下降。
在这个过程中，玩游戏并不是导致成绩下降的唯一原因，只是导致一个人更有可能学习成绩下降。有的人即使玩游戏，成绩甚至还有可能提升。

3.6.1 自变量和因变量

自变量：自变量是我们需要操纵的变量。基于过去的研究理论，我们相信通过改变这些变量的属性，可以导致因变量的变化，我们就将这些变量选为自变量。
因变量：因变量是实验对象对于自变量改变的反应。一个良好的因变量应该可以准确、有效、客观地反应被试的变化。在多次重复的实验中，因变量应该可以被一致地记录下来。
无关变量：无关变量与我们的研究问题无关，但是有可能导致自变量、因变量的变化。控制变量是我们应该控制其保持不变的变量。在理想的实验中，除了自变量之外其他所有变量都应该被严格控制。

3.6.2 相关性和因果性

相关性不等于因果性
在这里插入图片描述

巧合：自变量和因变量的相关性可能只是由于数据统计上的巧合。
– 虚假相关：有时两个变量之间的数据在统计上呈现出相关性，但实际上它们之间并没有内在的因果关系，可能只是由于随机因素或数据收集过程中的偏差导致的巧合。例如，“吉卜力诅咒” 现象，即宫崎骏领导的吉卜力工作室制作的电影在日本播放时，美国股市会跌，这两者之间并无实际因果关系，只是一种数据上的巧合。
– 时间序列上的同步波动：在时间序列分析中，两个变量可能会因为同时受到其他外部因素的影响，而在一段时间内呈现出相似的波动趋势，看起来像是存在某种关联，但实际上可能只是巧合。比如，某地区的冰淇淋销量和游泳溺水事故数量在夏季可能都会增加，但这并不意味着两者之间有因果关系，而是因为夏季气温升高这一共同因素导致的巧合。
因果倒置：如果只用相关性分析来进行数据处理的话，我们无法得知变量双方谁是因，谁是果，从而有可能错误地判断因果关系的方向。
– 经济学领域：传统经济学理论认为价格上涨会导致需求量下降，但吉芬商品却表现出价格上涨需求量也增加的现象。实际上，是因为在饥荒时期，土豆作为穷人的主要粮食替代品，需求量大增，供不应求，才导致了价格上涨，而不是价格上涨导致需求量增加，这里把自变量和因变量搞颠倒了。
– 健康领域：通常人们认为运动可以促进身体健康，运动是自变量，身体健康是因变量。然而，有些人会错误地认为是因为身体好才去运动，而忽略了运动本身对身体的积极影响。实际上，长期坚持运动能够增强体质、提高免疫力等，从而促进身体健康。
– 教育领域：有些学生和家长认为学习时间长就会导致学习成绩好，于是一味地增加学习时间。但实际上，可能是因为学习方法得当、学习效率高，才使得学习成绩好，进而有更多的时间和精力去学习，而不是单纯的学习时间长导致成绩好，这里把学习时间和学习成绩的因果关系颠倒了。
– 日常生活领域：人们往往认为成功是因为努力，但有时会出现因果倒置的现象，即认为只有成功了才说明努力是有价值的，而忽略了努力本身是取得成功的重要原因。实际上，是通过持续不断的努力，才有可能获得成功，而不是先看到成功才去努力。
混淆变量：一个在研究中（尤其是在观察性研究和实验研究中），既与自变量（解释变量）有关，又与因变量（被解释变量）有关的变量。这种变量的存在可能会掩盖或歪曲自变量和因变量之间真实的关系。
– 例1：在研究吸烟与肺癌之间的关系时，年龄就是一个可能的混淆变量。因为年龄与吸烟行为有关（一般来说，年纪大的人吸烟的累积时间可能更长），同时年龄本身也是肺癌的一个危险因素（随着年龄增长，患肺癌的概率会增加）。
– 例2：在研究智能手机的普及是否会提升人们生活幸福感的时候，我们不可以忽略社会进步、平均薪资上升这些混淆变量对于因变量的影响，错误地将幸福感的提升全部归因于智能手机的普及。

3.6.3 常见实验设计

被试内设计(Within-subject design)是指每个或每组被试要接受所有自变量水平的处理。这种设计的优点是可以有效控制被试间的个体差异，因为每个被试自身就是自己的对照，从而更精准地检测出自变量对因变量的影响。
在这里插入图片描述
举例：记忆实验

实验目的：研究不同记忆策略（如重复记忆、联想记忆、理解记忆）对单词记忆效果的影响。
实验过程：
选择一组被试，比如 20 名大学生。
实验分为三个阶段，每个阶段使用一种记忆策略。
– 第一阶段，让被试使用重复记忆策略来记忆一组 50 个单词。被试会被要求不断地重复这些单词，一段时间后进行记忆测试，记录下他们能够正确回忆的单词数量。
– 第二阶段，经过一段时间的休息（比如休息 1 天，以避免前一阶段的疲劳或记忆残留对下一阶段产生过大影响），让同一组被试使用联想记忆策略来记忆另一组 50 个单词。例如，将单词与生活中的场景、图像等联系起来记忆，之后进行记忆测试，同样记录正确回忆的单词数量。
– 第三阶段，再次休息后，让被试使用理解记忆策略来记忆第三组 50 个单词。他们需要理解单词的含义、在句子中的用法等进行记忆，然后进行测试并记录成绩。
– 分析结果：通过比较每个被试在三种记忆策略下的记忆成绩，就可以分析出不同记忆策略对单词记忆效果的影响。例如，如果某个被试在理解记忆策略下正确回忆的单词数量最多，在重复记忆策略下最少，那么就可以初步推断理解记忆策略对这个被试来说可能是最有效的记忆策略。这种在同一组被试身上进行不同条件处理的方式，就是被试内设计。

举例：药物反应实验

实验目的：研究两种药物（A 药和 B 药）对患者头痛缓解程度的影响。
实验过程：
选取一组患有头痛症状的患者，例如 30 名。
先给患者服用 A 药，记录从服药开始到头痛明显缓解的时间（这是第一个自变量水平）。
经过一段时间的药物代谢期（确保 A 药的效果完全消失），再给同一组患者服用 B 药，同样记录头痛缓解的时间（这是第二个自变量水平）。
分析结果：比较同一患者服用 A 药和 B 药后头痛缓解时间的差异，就能判断哪种药物对头痛的缓解效果更好。这种在相同被试身上进行不同药物测试的设计，也是被试内设计，它能够排除不同患者个体差异（如体质、年龄、性别等因素）对药物反应的干扰，更准确地评估药物的效果。

被试间设计(Between-subject design)是指把被试分配到不同的实验条件或组中，每组被试只接受一种自变量水平的处理。这种设计的关键在于通过随机分配被试到不同组，尽量减少组间个体差异对实验结果的影响，从而可以比较不同组在因变量上的差异来推断自变量的作用。
在这里插入图片描述
举例：教学方法对学习成绩的影响

实验目的：研究两种不同的教学方法（传统讲授法和小组合作学习法）对学生数学学习成绩的影响。
实验过程：
从学校中选取 100 名学生作为被试，将他们随机分为两组，每组 50 人。
– 第一组学生采用传统讲授法进行数学课程教学。教师在课堂上以讲解知识点、例题演示等方式进行授课，教学时间为一个学期。
– 第二组学生采用小组合作学习法进行教学。教师将学生分成小组，布置小组任务，让学生通过合作讨论、共同解决问题等方式学习数学知识，同样教学时间为一个学期。
在学期结束时，对两组学生进行同样的数学考试，考试内容涵盖本学期所学的所有知识点，以此来测量学生的学习成绩。
分析结果：比较两组学生的数学考试成绩。如果采用小组合作学习法的学生平均成绩显著高于采用传统讲授法的学生，就可以初步推断小组合作学习法在提高学生数学学习成绩方面可能更有效。由于被试是随机分配到两组的，所以可以认为两组学生在实验开始时在个体差异（如智力水平、学习动机等）方面是大致相同的，这样成绩的差异就更有可能是由教学方法这个自变量导致的。

举例：广告效果实验

实验目的：比较两种不同风格的广告（情感诉求广告和理性诉求广告）对消费者购买意愿的影响。
实验过程：
招募 200 名消费者作为被试，随机分为两组，每组 100 人。
– 第一组被试观看情感诉求广告，广告内容主要通过温馨的故事、感人的画面等来吸引消费者，例如一个家庭团聚的场景来推广某种食品。
– 第二组被试观看理性诉求广告，广告内容侧重于产品的功能、成分、性价比等信息，如详细介绍食品的营养成分、制作工艺以及价格优势等。
在被试观看完广告后，通过问卷调查的方式测量他们对广告产品的购买意愿，问卷采用李克特量表（1 - 5 分，1 表示完全没有购买意愿，5 表示非常有购买意愿）。
分析结果：比较两组被试的购买意愿得分。如果第一组（观看情感诉求广告）的平均得分高于第二组，就可以推测情感诉求广告可能更能提升消费者的购买意愿。这里通过随机分组，使得两组被试在广告观看前的个体差异（如消费习惯、品牌偏好等）被均衡，从而能够更好地将购买意愿的差异归因于广告风格这个自变量。