[Paper] 团队多样性在 AI 系统开发中的作用

Source: arXiv - 2603.07749v1

Overview

本文研究了 AI 开发团队的组成如何影响其构建系统的公平性和偏见。通过研究一家跨国软件公司中的四个 AI 重点小组，作者展示了多元化团队能够及早发现隐藏的偏见，并将项目引导至更具包容性的结果——这一洞见对任何构建 AI 驱动产品的开发者或产品经理都具有重要意义。

关键贡献

• 经验性证据表明团队多样性直接支持 AI 项目中的偏见检测和缓解。
• 六个具体角色的多样性（例如，“多元视角用于偏见识别”，“为 AI 开发带来同理心”），来源于对 25 份访谈的扎根理论分析。
• 实用建议，将以多样性驱动的公平性检查整合到日常软件工程工作流中。
• 跨领域验证，涵盖教育、能源、可及性和人脸识别项目，显示研究结果并非局限于单一 AI 应用。
• 方法论蓝图（扎根理论 + 半结构化访谈），其他组织可复制，以审计自身的 AI 开发流程。

方法论

研究人员在巴西和葡萄牙的一家大型软件公司进行了一项定性案例研究。他们挑选了四个从事地区和跨国项目的 AI 团队。采用 grounded theory，对软件工程师、数据科学家、产品负责人和 UX 设计师进行了 25 semi‑structured interviews。访谈数据经过迭代编码，以发现重复出现的主题，这些主题随后被归类为多样性在 AI 开发中发挥的六种角色。这种方法优先考虑参与者的实际经验，而非纯技术指标，使研究结果更易于实践者理解。

结果与发现

总体而言，研究表明，多样性并非人力资源的边缘议题——它是一项功能性资产，能够系统性地提升 AI 公平性。

实际意义

• 团队构成作为风险缓解工具 – 管理者可以将多样性指标（性别、种族、领域专长）视为 AI 项目风险登记表的一部分。
• 嵌入偏见审查检查点 – 引入“多样性视角”审查阶段，让团队成员明确评估数据、模型输出和用户界面是否公平。
• 跨职能“公平小组” – 按照研究结构，组建小型多元子团队（例如数据科学家、UX 研究员和社区联络员）负责每个 AI 功能。
• 招聘与入职实践 – 优先考虑在 AI 领域拥有亲身经验的候选人（例如辅助技术项目的可访问性专家）。
• 工具支持 – 在现有偏见检测库中添加注释，记录是谁提出的每项关注点，使责任透明化。
• 成功指标 – 将发布前后识别的偏见问题数量作为团队多样性有效性的关键绩效指标（KPI）。

限制与未来工作

• 情境特异性 – 研究结果来源于一家在巴西/葡萄牙运营的公司；其他地区或小型初创公司的文化动态可能不同。
• 样本规模 – 25 次访谈提供了深度，但限制了统计上的概括性；更大规模的定量研究可以验证这六种角色。
• 多样性维度 – 本研究主要关注文化、性别和职业多样性；未来工作可以探讨神经多样性、年龄或社会经济背景。
• 长期影响 – 本研究捕捉了项目的即时成果；需要进行纵向研究，以了解多样性驱动的实践随时间对 AI 系统性能的影响。

通过承认这些限制，作者邀请更广泛的社区复制并扩展此工作，为整个行业实现更具包容性的 AI 开发实践铺平道路。

作者

• Ronnie de Souza Santos
• Maria Teresa Baldassarre
• Cleyton Magalhaes

论文信息

• arXiv ID: 2603.07749v1
• 分类: cs.SE
• 出版日期: 2026年3月8日
• PDF: 下载 PDF