AI 是否能夠透過人類感知學會辨識性別歧視？ - Pupil labs

NOV 03 ,2026

文章分類：產品應用

AI 是否能夠透過人類感知學會辨識性別歧視？

研究顯示，帶有性別歧視（Sexism）及厭女（Misogyny）意味的內容，會強化歧視性態度、邊緣化女性，並造成心理傷害。令人擔憂的是，這類內容在社群媒體平台上日益普遍，其中 TikTok 已成為主要的傳播管道之一。這些有害內容最常透過迷因（Memes）的形式包裝與散播。

然而，要自動辨識出帶有性別歧視意味的迷因，至今仍是一項極具挑戰性的工作。迷因所傳達的意義，往往透過圖像、文字、幽默、反諷及文化脈絡之間的相互交織而產生。這種模糊性形成了一種「合理否認」（Plausible Deniability）的空間，讓創作者得以將有害內容輕描淡寫地歸咎於「只是開個玩笑」。

因此，即便是先進的 AI 系統，也很難可靠地辨識出性別歧視內容。表面上看起來無害的迷因，卻仍可能透過微妙的語境線索傳達歧視性意涵。

影片：研究參與者配戴 Pupil Neon 研究型佩戴式眼動儀，觀看來自 EXIST 2025 資料集的性別歧視與非性別歧視迷因。

影片由 Iván Arcos Gabaldón 提供。

為了解決這個問題，來自模式辨識與人類語言技術研究中心（Pattern Recognition and Human Language Technology Research Center，PRHLT），以及瓦倫西亞人工智慧研究所暨研究生院（Valencian Graduate School and Research Network of Artificial Intelligence，ValgrAI）的研究人員 Iván Arcos、Paolo Rosso 和 Elena Gomis-Vicent，探索了一種不同的方法：他們不再只依賴人工標註的資料，而是進一步研究生理反應是否可以提供更多額外線索，幫助我們了解人們如何處理以及解讀性別歧視的內容？

研究團隊記錄了 16 位參與者在觀看 EXIST 2025資料集中近 4000 個迷因時的生理反應。為了即時捕捉這些多模態訊號，他們使用了 Pupil Neon 研究型佩戴式眼動儀，以及連續心率監測器和腦電圖（Electroencephalography，EEG）頭戴裝置。

研究紀錄顯示了參與者如何處理性別歧視迷因方式的相關一致生理模式。

性別歧視內容需要付出更多的認知努力：參與者在觀看性別歧視內容時表現出較長的反應時間和更頻繁的注視行為，尤其是在解釋那些較為模糊或帶有評判性的類別時更加明顯。
在觀看直接的性別歧視內容時，注意力會提高：當參與者觀看帶有明確性別歧視意味的迷因時，眨眼持續時間變短，這是一種已知的生理指標，通常與持續性的視覺注意力及認知負荷增加有關。
物化性的迷因會引發了厭惡反應：涉及物化（Objectification）的迷因會導致可測量的瞳孔收縮反應，這種反應通常與令人不愉快或負面情緒刺激有關。
EEG 活動反映出更高層次的評估處理狀態： 當參與者接觸性別歧視內容時，其大腦活動模式發生了顯著變化，尤其是在與注意力、評估和衝突監控相關的區域。

綜上所述，這些生理訊號呈現了人類感知過程中的某些重要面向，而這些面向往往是傳統圖像與文字分析方法容易被忽略的。

隨後，研究人員將這些生理訊號整合到一套多模態 AI 模型中，該模型目的在於透過內容與人類反應來解讀迷因。

透過將文字與視覺迷因表徵，結合注視行為、眨眼活動、瞳孔反應以及大腦活動的模式，讓該系統學習將特定的迷因元素與注意力、認知努力和情緒處理的標記等指標建立關聯。

研究結果顯示，生理數據顯著提升了偵測效能，尤其是在那些細微或高度依賴情境及上下文的類別中，即使是人工標記者之間也常常存在著分歧。提升最為顯著的是那些模糊且難以單憑文字與圖像分析辨識的性別歧視形式。

這項研究凸顯了 AI 研究的一項新興趨勢：從只是單純分析內容的系統，逐步轉向同時考量人類感知與反應的模型。

透過結合穿戴式眼動追蹤技術、EEG 以及機器學習，研究人員證明了生理反應可以協助 AI 更準確地解讀網路上那些具有模糊性或高度依賴情境的內容。這項研究指出，性別歧視並非僅限於文字或圖像本身的意涵，其意義也源自於人們對所見內容產生的認知和情感反應。