策展语境中的社会包容：来自博物馆实践的启示

人工智能文献表明，社会中的少数群体与脆弱群体可能因机器学习算法在设计过程中固有的偏见而受到负面影响，从而导致社会排斥性的决策与政策。面对服务日益多元化受众的类似挑战，博物馆领域在理论与实践上已发生变革，尤其在表征与意义建构方面。尽管稀有性与宏大性曾是早期博物馆实践的核心，但民间生活及博物馆与其所服务多元群体的关系已成为当代实践中广泛整合的一部分。这些变革旨在解决多样性与可及性问题，以提供更具社会包容性的服务。借鉴这些变革并反观人工智能领域，我们认为博物馆经验为以社会包容方式构建 AI 提供了有益教训，尤其在需要对藏品及其访问进行策展或过滤的情形中，正如搜索引擎、推荐系统与数字图书馆中常见那样。我们强调三项原则：(1) 实践者不固守中立性价值，而是意识到自身及他人背景对工作的影响。通过不声称中立而践行文化谦逊，可增加应对潜在偏见的几率。(2) 在数据收集与机器学习阶段之外，应为情境性阐释留有空间。在应用模型与预测前，应考量相关方所处的语境。(3) 社区参与既服务社区需求，又带来实践者与社区团结的附加益处。