摘要：算法性别歧视对《消除对妇女一切形式歧视公约》的反歧视框架构成了系统性挑战，即代理变量的广泛运用模糊了歧视的传统定义，无歧视意图的算法决策导致因果关系断裂，而多主体协作的算法开发生态又加剧了责任弥散，导致归责机制失效。本质上，算法性别歧视的深层危机在于削弱女性的主体性——通过固化性别角色、压缩发展空间，再生产社会不平等结构。对此，应当扩展对歧视的解释，以结果导向为核心原则建立反歧视路径并构建基于功能角色的归责体系，以此缓和算法与权利的张力，推动实质性平等目标的实现。

　　关键词：性别歧视 算法 人权法 交叉歧视 性别平等

　　目录

　　一、问题的提出：算法性别歧视如何出现

　　二、算法性别歧视对国际人权标准的挑战

　　三、超越工具属性：算法的性别歧视再生产机制

　　四、算法性别歧视国际法标准的优化

　　五、结论

　　一、问题的提出：算法性别歧视如何出现

　　2013年，联合国妇女署与奥美广告公司合作，展现了使用谷歌搜索引擎检索“女性应该”“女性不应该”“女性不会/不能”“女性需要”等关键词所得到的结果。“女性不应该”的搜索结果展现出“不应该拥有权利/投票/工作”等强化性别刻板印象的表达。算法或搜索引擎结果缺乏社会人文语境，直接导致了边缘群体被作为非人化和客体化的对象，例如媒体对有色人种以及女性的刻板印象，以及交叉身份造成的交叉歧视。2019年5月19日，联合国教育、科学及文化组织与德国政府、EQUALS技能联盟合作出版了名为《如果我能，我会脸红》的报告，反对在开发人工智能应用的过程中融入性别偏见。例如，几乎所有智能助手都有女性的名字与声音，性格都被设定为顺从而温柔。2019年5月，联合国教育、科学及文化组织发布的《北京共识——人工智能与教育》指出，要致力于开发不带性别偏见的人工智能应用程序，并确保人工智能开发所使用的数据具有性别敏感性。2023年，联合国妇女署将国际妇女节的主题定为“数字包容：创新和技术推动性别平等”。

　　算法通常被定义为一组结构化的、由计算机执行的解决问题的规则，包含了技术要素和社会结构的互动性。算法系统可以被理解为使用数学优化技术执行一项或者多项任务的应用程序，这些任务包括数据收集、组合、清理、排序、分类和推断，以及运用这一应用程序进行选择、确定优先级、提出建议和作出决策。进一步而言，算法不仅包括代码和数据，还包括社会和技术的组合体，例如算法本身以及算法应用的社会场景和针对的目标。从本质上而言，算法是执行某种类型的计算所需要的一系列特定步骤。储存信息的平台或者企业投入训练数据，利用算法对数据进行解析、识别、分类，从中发现规律性关联，并据此对新出现的数据或情境做出预测和决策。只要训练数据庞大并且个体特征丰富，算法就能够理性地帮助人们决策。这同时意味着算法决策是利用历史信息来推演未来，该工作模式就决定了过去和现在存在的观念（也包括性别观念）将进入算法。算法性别歧视的机理可以被概括为“偏见进、偏见出”（bias in, bias out），其不仅是传统性别不平等结构在数字空间内的延续，也是算法系统自身运行机制的产物，这构成了算法性别歧视生成的两个根源性机制。

　　形成算法性别歧视的原因之一是算法设计者和开发者的性别歧视观念，这类歧视来自算法设计者和开发者个人内心偏见的输入。其又可以分为两种类型，即设计者和开发者在目标变量与训练数据选取中无意引入的偏见，以及设计者和开发者有针对性的歧视意图，例如基于性别、种族、民族、残障状况、宗教信仰、年龄等身份特征而产生的区别对待。算法性别歧视的原因之二是算法在数据收集和处理流程中技术的本质缺陷。这种原因无涉设计者和开发者的主观目的，而是算法剔除了某些对于决策程序十分重要的道德价值，从而悖离性别平等的初衷，造成了无歧视目的的歧视结果。因为效率可以量化，但公平、正义等基于人类内心感受的软性价值却不能量化。基于技术产生歧视的类型又可以细分为数据包含的系统性偏见、样本的代表性不足、数据分析模型的偏差带来的方向性错误、数据挖掘能力的限制，以及数据解读能力的偏差等。人工智能技术本身的缺陷放大了结构性性别歧视。

　　根据《消除对妇女一切形式歧视公约》第1条，对妇女的歧视指基于性别而作的任何区别、排斥或限制。第5条规定，缔约国应该采取一切适当措施，改变男女的社会和文化行为模式，以消除基于性别而分尊卑观念或基于男女定型任务的偏见、习俗和一切其他做法。消除对妇女歧视委员会第25号一般性建议引入了“社会性别”的概念，而第28号一般性建议给出了社会性别的详尽定义，“‘性别’一词指的是社会意义上的身份、归属和妇女与男子的作用，以及社会对这类生理差异赋予的社会和文化含义”。在社会意义上对妇女的歧视和其族裔、残障状况、贫困程度、年龄、移民地位、婚姻和家庭状况、文化程度以及其他因素相互结合，成为算法学习的源头数据。算法以身份划分和特征归类为方式，为不同个体生成详细的“画像”，并提取现有的性别观念应用于未来更多的决策，也因此强化和扩大了性别歧视。例如，人工智能助手的语音总是设定为女性，游戏的初始形象和社交软件初始头像总是男性，家政机器人则以母亲形象为主。在性别平等运动中逐渐松动的性别角色分工，正在被本应促进解放的技术重新加以固化，许多微小的设置都具有重要的文化影响，因为这使得某个群体（例如白人或男性）变成“默认”“正常”“标准”，而其他群体则成为特殊群体或被边缘化。

　　无论算法是否具有缺陷，其在生活和工作等各个方面提供的便利使人们更广泛地使用此种技术来辅助甚至替代决策，如何保证算法设计的客观性、算法决策的公正性以及算法运用的道德性，以最终应对算法对人类尊严问题带来的挑战，是当前最重要的问题。当前关于算法歧视的研究已逐渐形成庞大的理论体系，但是这些研究或聚焦于具体领域，例如就业、消费、个人信息与隐私，或集中于抽象框架建构，例如平等权、新型权利的构建等。目前的研究缺乏对于性别歧视这一最持久也最基本的歧视形式的系统性论述，特别是在国际人权标准的语境中，尚未出现结合公约文本和一般性建议等文件对算法性别歧视如何挑战既有的性别平等规范框架的深入研究。

　　本文从算法性别歧视对现有国际人权标准的挑战出发，梳理算法性别歧视对平等和不歧视保护框架的突破。本文所称“国际人权标准”，是指以《消除对妇女一切形式歧视公约》《公民权利和政治权利国际公约》《经济、社会及文化权利国际公约》等联合国核心人权公约的文本为基础，以联合国相关条约机构的一般性建议和其他文件为补充，共同构成的平等和不歧视的保护框架。而“性别歧视模式”是指反歧视法所针对的歧视路径，即从行为主体、歧视行为、受害对象到歧视结果的运行逻辑，其类型划分以联合国核心人权公约文本及一般性建议为依据，包括“直接歧视”“间接歧视”“交叉或复合歧视”。本文试图从国际人权法特别是《消除对妇女一切形式歧视公约》体系出发，深化对算法性别歧视的规范分析，回应数字空间中性别平等面临的挑战。论述将围绕“技术—性别—尊严”的三重关系展开，“技术”揭示算法决策的逻辑结构，“性别”则指出算法如何嵌入并重构性别秩序，“尊严”则是国际人权法的核心评价基准，它要求人不能作为可以被预测或可以被计算的对象，这也是评判算法性别歧视是否越过底线的标尺。通过三重因素的递进关系，可以揭示出算法歧视在国际人权标准的语境下如何重塑性别结构，并最终冲击人的尊严。

　　二、算法性别歧视对国际人权标准的挑战

　　平等和不歧视原则是国际人权法中普遍适用的原则，在《公民权利和政治权利国际公约》与《经济、社会及文化权利国际公约》中均有规定，例如，《经济、社会及文化权利国际公约》第2条和《公民权利和政治权利国际公约》第2条规定的平等原则。经济、社会、文化权利委员会第20号一般性意见指出，不歧视和平等是国际人权法的基本组成部分；在“国家义务的范围”中，歧视包括直接歧视和间接歧视，并且对某些群体的歧视往往是系统性的，是一种占据主导的文化态度。“要消除实际中的歧视，就要对遭受历史或持久偏见的群体给予足够注意，而不是只对个人以前在同样情况下的待遇进行比较。”人权事务委员会第18号一般性建议明确提出了“歧视”的概念，并且指出：“在平等的基础上享受权利和自由并不意味着在每一情况下的同等待遇。”“目的或效果”歧视的认定不仅关注行为者的主观目的，还考虑行为的客观效果。

　　《消除对妇女一切形式歧视公约》是专门针对性别平等原则而确立的公约，第1条就对“对妇女的歧视”进行了规定，将歧视的表现归为“区别、排斥、限制”三种形式，并以“影响或目的”的表述将间接歧视包含其中。第5条要求国家采取措施改变男女基于刻板印象、传统角色形成的不平等社会文化模式，承认对妇女的偏见根植于性别观念结构中，从而要求正面回应性别歧视的社会文化基础。

　　在国际人权法所建构的平等和不歧视的保护模式下，传统的直接歧视和间接歧视都存在被规制的空间。然而，算法性别歧视以更加隐蔽和弥散的方式渗透于日常生活中，通过与性别看似毫无直接关联的变量实现了对女性在社会资源和机会获取上的系统性排除。它以“优化结果”和“经济性”的逻辑进行筛选，造成非歧视意图的歧视结果，从而突破了对意图认定的归责模式。同时，算法权力被多个主体所掌控，责任界限变得模糊而难以确认。下文将分别从算法性别歧视的三个特征来探讨国际人权标准规制性别歧视的困境。

　　（一）算法性别歧视对传统性别歧视模式的突破

　　法律往往采取“列举法”的立法技术，以特定的受保护身份特征作为识别歧视的分类基准，这些特征包括民族、种族、性别、宗教信仰、年龄、残障状况等。列举本身并非歧视的根源，但一旦这些分类基准被用于构建群体身份、与身份挂钩的社会资源和机会分配以及根植于社会规范中的价值评价，就会造成身份间的隔阂，进而系统性地剥夺特定群体的机会。传统国际人权法框架中的侵权行为往往是针对“性别”这一具体属性进行的，而算法性别歧视涉及的是更复杂、更难以识别的方式。

　　直接歧视是某主体借助“性别”这一变量排除女性群体，而间接歧视的核心判断往往包括中性标准和差别化结果。在算法环境下，间接歧视的形式被技术化地重构，最典型的特征就是代理歧视（proxy discrimination）的扩大。代理歧视是一种在表面上中立、却对受保护群体产生不成比例伤害的做法。这些算法为了提高预测的准确性而被直接编程用于寻找输入数据与目标变量之间的联系，而不考虑联系的性质。通过“理性”“无意”地使用某些特征，以及不断获得更多数据，算法将越来越擅长识别具有高度预测力并且未被法律禁止的特征来进行间接代理，即通过新的分类方式将看似不直接相关的属性与人们的性别相联系，从而在结果层面强化性别的对立结构。

　　与传统的间接歧视相比，代理歧视所依赖的并非人为设定的中性规则，而是算法在数据学习中自主识别的特征。与间接歧视相同，代理歧视并没有直接提到“性别”，但都在结果上放大了现实中的不平等。代理歧视的隐蔽性更强，难以通过常规地考察历史或现实中的性别差异来识别其歧视性。

　　算法决策过程扩展了可以被用作认定歧视的特征范围，通过高度复杂的变量组合进行因果连接，从而实现了对特定性别群体的排除。例如，单亲母亲和残障人士会在算法评估欺诈与错误发放补贴时被打出更高的分数，从而被先行调查甚至暂停发放福利。其中，“离婚未满18个月”就是推高算法欺诈风险评分的因素之一。从公共救助体系到商业系统，这种排除机制层出不穷。例如在广告投放中，男性更容易看到“STEM”（Science, Technology, Engineering & Mathematics，即科学、技术、工程和数学教育）的招聘广告，这是因为向女性投放广告的成本更高，为其推送相关广告不符合经济上对低成本高效率的追求。信贷机构根据电话位置数据和社交网络进行评分，以此对少数族裔进行限制。保险公司则根据是否午睡、饮食习惯和作息规律来决定保险价格，因此，承担不起健身房费用或无法保持健康饮食的低收入人群，或者育儿和兼职的母亲都可能在模型中被判定为高风险。利用中立的变量，保险公司在不提及性别的情况下造成了对女性的歧视性结果。

　　根据《消除对妇女一切形式歧视公约》的文本及其相关的一般性建议的定义，性别歧视无需以歧视意图为前提。目前大多数反歧视规范采取了列举的方式，将性别歧视与种族、宗教、民族等显性歧视一并加以禁止，显性身份特征成为设定禁止性分类标准的依据。但是算法性别歧视对歧视属性进行了突破，即使不直接使用“性别”等敏感属性，仍然能够产生性别歧视的效果。这导致了算法产生的性别歧视无法被禁止歧视的列举法穷尽，也几乎无法被避免。因为只要存在对性别具有预测能力的特征，就会被算法进行评估。代理变量歧视的大量出现，导致人们划分社会群体的方式正在发生变化，而识别个人的集体身份归属、完成对“我们”抑或“你们”对立的归类，恰是歧视发生的前提。在传统反歧视法律体系中没有被识别或保护的属性，可能在算法预测的环境中成为特定群体遭受系统性不利待遇的原因。

　　综合以上在现实中出现的系统性排斥女性的示例可以发现，性别歧视的运作逻辑正在发生转变：不再直接依据“性别”这一显性标签进行差别对待，而是通过消费行为、运动习惯、社会活动、网络动态等看似中性的特征间接识别性别。这些特征被嵌入风险评估、信用考量和资源分配的决策流程中，悄然发挥着区分性别的作用。虽然这些特征具有非传统的歧视属性，但对个人身份识别却具有重要影响，且可能在决策中对女性带来双重乃至多重歧视。因此，传统反歧视法体系往往基于历史上显著的性别不平等所建构的属性列举，忽略了这些正在被建构的歧视身份。

　　（二）算法性别歧视对归责逻辑的根本冲击

　　反歧视法最重要的问题之一是如何证明歧视意图的存在。在禁止歧视的法律体系中，尽管《消除对妇女一切形式歧视公约》等国际人权条约已经明确指出歧视并不以主观意图为必要条件，但在具体适用中，动机或原因分析依然在诉讼中占有一定比重。在算法自主决策的情况下，被歧视者所遭受的不公正待遇与其身份特征之间的联系难以得到证明。一方面，算法模型通过代理变量进行预测和优化，并不直接涉及法律所保护的属性；另一方面，在数字空间内发生的决策过程完全隐形，施害者的偏见仅仅通过代码进行运算，而证明其歧视意图和歧视行为需要穿透数据资源和专业技术的壁垒。因此，不论是受害者还是司法权力都很难进入决策细节，对因果关系进行洞察。此外，用户使用此类网络平台提供的服务往往要首先点击同意用户协议，存在被迫“知情同意”的情况，平台则可以主张用户同意算法收集和利用数据的行为从而免除责任。

　　然而，举证难题尚且可以通过立法手段部分缓解——国家可以为企业规定信息披露义务，从而在一定程度上规范网络平台或企业的行为。更棘手的问题在于，算法性别歧视中往往根本不存在可供证明的歧视意图：即使施害者本身没有歧视目的，那些看似中立的优化逻辑（效率、点击率、成本等）依然可能导致歧视性的后果，这也就造成了无歧视意图的歧视。

　　以广告投放为例，即使广告主希望性别中立地投放“STEM”职业广告，但算法最终导致了广告在性别上的差异投放。这种歧视并不是有意为之，也并非女性对相关广告不感兴趣，而是女性用户的页面资源已经被零售或者美妆广告以高价竞拍。为了优化点击成本比例，算法倾向于将“STEM”职业广告投放给男性用户。这种通过竞价机制和算法优化路径间接构成的无意图歧视，在传统的反歧视归责下很难被识别和规制。

　　此外，通过对词向量模型的实证研究，艾林·卡利斯坎（Aylin Caliskan）等人发现，即使是未经人为干预的算法模型，经过大规模语料训练后也会将“女性”更频繁地关联至“家庭”“文艺”，将“男性”词汇关联到“科学”“职业”。即使不输入“性别”这一变量，经过海量的语料训练，机器学习模型依旧可以重建性别偏见。这意味着算法会自动捕捉到有关词语的上下文所代表的“意义”，复制并且运用其所吸收的统计规律，并在分类和投放中复制并放大偏见。

　　无论是歧视意图的举证困难，还是无意图歧视的识别障碍，其共同的技术根源都指向了“算法黑箱”——它构成了算法性别歧视治理中的核心障碍。算法决策产生了具有法律意义的行为，但决策过程的模糊性让歧视性后果和算法决策之间的因果关系难以确定，这也就是算法黑箱带来的结果。算法在包含许多特征的大数据集上进行训练时，数据和算法之间的交互关系会使得内部决策过程越来越复杂。而机器学习算法的推理过程也不一定与人类推理或解释结果的方式相符，即使是受过专门训练的计算机科学家也未必能够理解该推理过程。最先进的人工智能技术，尤其是生成式人工智能工具，在架构上具有内在的不可知性。即便排除设计者出于知识产权保护而进行的人为遮蔽，此类技术依然是一种“天然黑箱”（organic black boxes）。设计者和用户只能看到输入和输出层，即数据输入和模型输出的预测，但并不知道中间层具体的情况。

　　算法黑箱并不是造成算法性别歧视的原因，但算法黑箱维持并再生产了性别歧视。防范算法性别歧视应在技术层面提高算法的透明度，解释算法的目的、设计和基本的运行原理。在算法的可解释性问题上，学者们提出了两种措施，即全局解释及局部解释，前者着眼于整体模型的运作逻辑，后者聚焦于具体输入与输出之间的对应关系。然而，此类追求算法透明度的努力，在现阶段均收效有限。

　　尽管算法黑箱最直接的表现是算法解释的技术层面问题，但算法性别歧视的规制不仅有技术难题，还有立法、司法与技术的逻辑冲突问题。在规范层面上，算法性别歧视规制的难点是：算法黑箱导致责任归属模糊，侵权行为的因果关系难以确认。以我国为例，在现行法律体系对平等就业权的规定中，《妇女权益保障法》第43条第2款指出，用人单位在招录（聘）过程中，除国家另有规定外，不得进一步询问或者调查女性求职者的婚育情况，这也是行为导向的归责逻辑。《就业促进法》第62条规定，“实施就业歧视的，劳动者可以向人民法院提起诉讼”，为劳动者提供了司法救济渠道。《劳动争议调解仲裁法》第6条规定：“发生劳动争议，当事人对自己提出的主张，有责任提供证据。与争议事项有关的证据属于用人单位掌握管理的，用人单位应当提供；用人单位不提供的，应当承担不利后果。”这一整套规则机制以识别行为、确定证据和推定因果为基本逻辑。然而在算法主导的招聘或人事决策中，举证责任对于企业或者劳动者都变得更加艰难。即使算法通过代理变量对性别进行评估，即采用与性别高度相关的特征进行间接筛选，并由此对女性造成了歧视，但由于算法不会提供可解释性的分析，程序员、用人单位和劳动者都很难从系统中找出明确的证据。算法的黑箱特性使算法只关注预测准确性而忽视因果解释，它只识别与目标结果相关的变量，而无需探究背后的原因。这导致外部规制不能确认哪些变量最终决定了算法运行的结果，更无法证明“无此变量则无损害”的因果关系。这种逻辑和法律的推理存在根本抵触。法律的责任判断建立在因果关系的线性追溯之上，并非对相关性的预测。只有当行为与损害之间存在可追溯的因果链条时，责任归属才能得到清晰确认。法律规范的意义通过话语和语词进行阐释和应用，但算法依据函数进行表达，两者的运行逻辑根本相反。

　　此外，技术层面对算法进行可解释的处理，于法学家或者用户来说都存在理解的隔阂。算法的复杂性决定其往往需要专业知识才能解析，即使企业内部人员也可能因为缺乏足够专业的知识和能力而不能理解其运作，要求法官了解算法技术并厘清决策过程，无疑是一种苛责。传统侵权救济模式以意图或者歧视行为作为歧视认定的明示标准，但除非人为嵌入歧视目标，算法歧视多为“无意”，这种算法黑箱结构使得传统认定方式难以适用。

　　（三）算法性别歧视中的权力主体弥散

　　在传统的反歧视法规范中，权力主体通常被假定为国家和政府间国际组织。此处所称权力主体，不仅指实施歧视行为的直接行动者，也包括算法体系中掌握数据、技术并能进行应用、控制和决策的多元行为体，具体包括国家机关、跨国企业、网络平台、技术开发和使用者，以及除国家机关外的其他监管机构。算法时代的“权力”是一种数据化的、去中心化的结构性权力，由多重主体共构。

　　算法对用户作出决策的主要行为特点是将人转换为分析和预测的对象，并进行画像和评估。这种行为所代表的权力不仅关系到人的信息和隐私，更能控制和决定人的行为结果，从而对人的权利和尊严产生强制性的影响，造成实质性的侵害。基于海量的数据资源，算法技术逐渐演变为可以智能化决策的力量，具备了支配地位和权力外观，即“算法权力”。只要拥有足够强大的智能技术，政府、企业、社会组织都能够侵蚀公民的人权。因此，算法权力具有强大的隔离性和跨越性，其横跨了制度化权力和非制度化权力，并且建造了与普通公众以及现有法律制度的隔离。

　　新兴的算法权力造成“权力主体去中心化、权力范围延展化、权力互动双向化”的局面，对个体行为的分析、预测和干预几乎无处不在，这种非国家力量正在成为政治和公共生活中的重要角色。然而，这类权力形成所依托的技术体系，与现行以人类决策为中心的歧视救济制度之间形成了根本性的断裂。歧视救济制度之所以面对弥散化的权力主体捉襟见肘，不仅因为技术具有无处不在、超越物理空间以及逐步与公权力结合的特征，更因为算法性别歧视的生成机制本质上是一套高度分工、权责脱节的供应链式协作结构。

　　这种“算法供应链”（algorithmic supply chains）意味着，算法系统的生产、部署和应用并非由单一组织控制，而是由多个不同的、相互关联的行为者共同完成，各方通过数据流动连接形成供应链。这一结构中，算法功能是多方服务组合的结果，无法单独归责于某一角色。与此同时，算法供应链呈现出权力的高度依赖性、集中性和不对称性：一方面，数据采集、模型设计、终端部署等环节之间高度依赖；另一方面，大型的网络平台掌握着规则的制定权，处于结构的中心位置，其他参与者依附其上。

　　在具体实践中，几乎每一位参与者都仅控制算法系统的部分技术流程或者决策环节。例如，负责收集训练数据的数据采集者，对原始数据进行清洗的数据处理者，设计和编写算法模型的算法开发者，使用数据训练模型的模型训练者，决定算法功能和应用场景的产品经理，将算法运用到产品或服务中的部署者，负责算法系统日常运行和维护的运营维护人员，最终使用算法系统进行决策的个人、政府或其他用户，此外还有第三方或者公权力监管者——这些角色各自掌握流程的一环，却无人对整体结果负责。更重要的是，经过整个算法系统所产生的歧视，并不是单次输出的决策，而是不断反馈循环的结果，因此其权利损害呈现出积累性和上升性的特征。

　　这种高度协作却权责分离的机制，使得任何一个角色都难以承担起对最终歧视性后果的完整责任，也难以在现有的歧视法律救济框架中被单独确认为“歧视行为人”。正因如此，算法性别歧视的责任逻辑逐渐丧失了清晰的主体指向，动摇了以国家义务为核心的人权救济结构。

　　《消除对妇女一切形式歧视公约》在实践中偏重对国家义务的识别，而忽视了结构性技术体系中的非国家力量，以及非国家力量和国家力量的结合。消除对妇女歧视委员会已经注意到了非国家力量在性别歧视中的角色，其第37号一般性建议提及，私营部门和民间社会组织能够在减少灾害风险、增强气候适应能力和促进性别平等方面发挥重要作用。企业亦有尊重和保护人权、为预防侵犯人权行为尽职采取行动，以及为与其业务相关的侵犯人权行为提供有效救济的直接责任。并且，企业应当接受基于人权的定期监测和评估。这表明，消除对妇女歧视委员会认为国家并非唯一的人权义务载体，在跨国和技术密集型的治理场域中，应建立对企业和其他非国家行为体的归责原则。但是，企业的责任并未嵌入条约机制的一般性建议或国家报告评估等主要流程中，消除对妇女歧视委员会对企业人权义务的承认是理论性的、动态性的，而条约机制对企业行为的规制是滞后的、缺乏可操作性的。

　　在算法性别歧视的语境中，多主体参与、权责脱节的现象使得既有的归责逻辑在理论和实践层面面临双重挑战，迫切需要规范结构的更新和责任体系的重构。然而，这一挑战并非仅意味着法律规范的滞后性，更揭示了深层的结构性危机。算法在运行逻辑上嵌入、放大了社会性别歧视，平等和尊重的价值根基随之动摇。正是在这一意义上，理解算法歧视必须超越将算法视为“中性”工具的思维。

　　三、超越工具属性：算法的性别歧视再生产机制

　　在人工智能渗透日常生活的今天，算法不仅仅是一种辅助性工具。信息化时代的算法已经和其他知识权力、公共权力深度绑定，并成为一种嵌入并且重构社会结构的力量。算法不仅承载着特定的技术逻辑，也继承了现有的社会权力结构。男性对技术的主导延续到了人工智能时代，将社会中的性别偏见和歧视嵌入了新的技术体系。

　　因此，算法性别歧视不是偶然的性别偏差，而是深植于技术逻辑和社会权力互动中的一种结构性机制。本部分从性别结构与技术逻辑的交互关系出发，分析算法如何在编码、学习和反馈机制中建构并且固化性别角色，证明算法在性别歧视问题上不是“中性”的工具，而是积极参与并再生产社会不平等的权力机制。治理算法性别歧视的方式若仅停留在增强透明度或算法应用伦理等技术纠偏的层面，则难以触及根源。算法在运行逻辑中持续参与和创造了性别差异，限制了女性的主体性构建空间，压缩了表达自由和身份认同的多样性，从而削弱了国际人权法强调的尊严和平等的核心理念。

　　（一）技术与性别权力的交织

　　技术吸收了现实中的性别结构，并延续、制度化了既有的性别偏见。技术女性主义（Technofeminism）研究指出，技术从不是中立的，算法在设计和应用中延续了男性主导的知识结构和文化偏好。朱迪·瓦伊奇曼（Judy Wajcman）和艾琳·杨（Erin Young）揭示了性别偏见内嵌于技术的真相，并且反驳了算法中立观点，指出性别和技术有着更复杂的关系。技术并不只是理性和中立的产物，而是和社会观念紧密结合在一起，成为社会结构的一部分。性别关系不仅影响了技术变革的过程，技术变革反过来也构成了性别关系。从技术史来看，在过去的技术革命中，设计通常反映男性的兴趣、需求和经验。例如，安全气囊和安全带的设计长期以男性身体为默认标准，导致女性在同等严重程度的车祸中受重伤的风险显著高于男性。

　　数字领域同样如此，数字化有望带来更大程度的平等，却也重复和扩大了现有的性别不平等。招聘系统中，谷歌更倾向于向男性求职者推送高薪高管的职位广告，性别薪酬差距不仅被固化，甚至还在无形中被扩大。这种现象首先部分来源于从业者的性别结构带来的设计上的视野偏狭问题，数据女性主义（Data Feminism）指出，人工智能的从业者大多数是白人男性，数据团队在种族、性别、阶层等维度上高度同质化，构成了社会结构中的优势群体。因此，该群体的视角对决策产生影响——其他身份认同和观点被系统性排除，其关注和采集的数据不仅对社会上的少数群体代表性不足，还对女性数据有过度客体化的采集和呈现。性别、种族、阶层等多重边缘身份在技术系统中被动隐身。其次，这种现象也与算法的设计有关。正如上文指出的，出于“效率”的考量，算法主动将“STEM”职位广告推送给男性，而非消费能力更强的女性，因为美妆产品更依赖于女性用户的消费者身份。“消费行为”决定“信息可见度”的逻辑，实际延续了将女性归于美丽、男性归于技术的性别结构。

　　由此可见，算法性别歧视的深层根源并不是技术的缺陷，而是算法和既有性别权力关系的互动与叠加。算法以“效率”“优化”为名，将女性重新归类于特定消费群体或者社会角色，从而在看似中立的技术流程中，再生产并强化了传统的性别不平等结构。

　　（二）算法对个体主体性与尊严的压缩

　　算法建构的性别分类进一步压缩了主体性的生成空间。算法往往将看似与性别毫无关联的行为建构成划分身份的要素，并基于此预测人类的行为。这种“分类—预测”过程的重复，不仅影响个体的行为结果，也在重新塑造人们对性别的认知。主体性要求人不能成为工具或者可以操控的对象，但算法依照自身对人类行为的学习经验反过来改造了人类所处的环境，从而诱导人们以更具有可预测性的行为方式发展。当算法依据行为特征将个体划入某类角色模板，并影响其被看见、推送、搜索、模仿等方式时，人在网络空间内的尊严不再建立于主体的意志和表达自由之上，而是受制于概率控制下的角色归类机制。

　　这一过程即人工智能技术所引发的根本性的伦理关切，自动化决策通过限制个体的选择空间，或干扰其行使选择的能力，最终侵蚀了人的可选择性与独立性。人工智能技术挑战了人类独有的能动性、经验性和自我理解的可能性，将人类简化为可以预测的、单一的、封闭的行为体。对女性而言，算法所建构的性别角色往往强化了既有的刻板印象，使其发展空间进一步被压缩，这不仅意味着个体的自主性受限，也意味着女性作为社会主体的能动性和尊严被系统性削弱。

　　人类自我拥有“不可计算性”，而算法性别歧视造成的危机并不在于“忽视”抑或“边缘化”女性，而是将女性的存在方式还原为可以预测的标签，技术逻辑通过反馈机制不断引导人们的行为趋向于“可预测”，从而消解了不可计算的维度。个体成为“被识别”的数据，而失去“自我定义”的创造价值。

　　这一机制与《消除对妇女一切形式歧视公约》所确立的平等理念形成直接的冲突，正是消除对妇女歧视委员会所提到的“基于性和性别”的角色定型观念的有害做法。进一步而言，《消除对妇女一切形式歧视公约》第5条的规范目标是改变传统的角色不平等的社会和文化模式，这意味着改变人们想象性别角色的方式，创造一种开放的社会环境，以促进每个人自主建构自己的性别身份和社会角色，而不仅仅是结果的改变。消除对妇女歧视委员会第28号一般性建议指出：“妇女和男子的这种社会定位受到政治、经济、文化、社会、宗教、意识形态和环境因素的影响，也可通过文化、社会和社区的力量加以改变。”据此一般性建议，性别平等是一种建构性的平等，是指“性别”保留着开放的、可选择的自由空间，而非被默认或者被期待的某种形象。

　　（三）算法与性别刻板印象的再生产

　　消除对妇女歧视委员会多次强调刻板印象的系统性与结构性危害。在第40号一般性建议中，消除对妇女歧视委员会提出“社会各领域普遍存在性别陈规定型观念，包括通过媒体对妇女的描绘加强男子的主导地位而使之永久化和加剧”，而第18号一般性建议强调，“改变这些做法的努力必须解决传统的、重新出现或新出现的有害做法背后的系统性和结构性原因”。这充分说明，算法性别歧视不仅是技术偏差，还是数字环境中性别刻板印象的结构性再生产，即既有社会性别权力关系通过算法的设计逻辑、数据训练和应用场景被持续性复制并强化，使歧视从社会结构延伸到技术结构，并产生更广泛的性别刻板印象。例如，一项针对尼日利亚、肯尼亚和南非三国10种主流信贷算法的实证研究显示，在财务基本面完全一致的情况下，女性领导的中小企业违约率比男性主导企业低17%，但获得正规信贷的概率却仅为7%。算法通过行业分类、语义识别与社会网络等变量重现社会性别分层。一方面，非洲女性缺乏土地产权导致她们没有抵押品，且大部分女性领导的中小企业被限制在低利润的零售和美容行业；另一方面，算法将上述社会限制识别成了个体风险，把居住地址关联至不稳定，把女性化的语言特征关联至可扩展性较弱。这些偏差在输出结果中被固化：女性获得的最高信贷额度远低于男性。

　　因此，该研究清楚地揭示了算法系统不仅是扩大性别歧视的工具，其本身也成为性别歧视权力结构的一部分。要消除算法性别歧视，就必须明确算法并不单纯是偏见的载体，并正视算法作为一种性别化的权力也可以定义性别。

　　消除对妇女歧视委员会的一般性建议反复强调性别的建构性，即性别并非自然既定的属性，而是一种在社会实践中不断被建构、也不断被挑战与重塑的动态关系。从产品设计的男性文化到数字社会的数据偏差，性别关系深度嵌入技术科学，算法的分类和预测逻辑让性别的流动性被技术性设定所代替。性别与技术的关系具有流动性和情境依赖性，这一特征是算法成为性别权力的原因，也是其颠覆性别结构的可能。正因如此，技术女性主义的使命并非仅在批判，更在于识别技术中蕴含的平等潜能。女性的经验和需求可以重构技术的性别秩序，女性在技术创新和实践过程中的参与，能够在科技政治领域内重新建构性别权力关系，例如，重新定义用户需求、挑战男性主导的技术标准等，进而在科技领域推动性别权力关系的再协商。

　　因此，理解算法与性别权力的动态交互，不仅意味着识别女性群体所遭遇的不平等结果，也要识别并且追溯性别不平等的建构机制。算法性别歧视对国际人权标准平等和不歧视原则的挑战不仅在于其方式的隐蔽性、多元性以及对责任主体和因果关系的抽象化，更在于其以“预测”代替了“生成”、以“预测”否认了“多元”，从而威胁到了女性及其他边缘群体主体地位的建构，动摇了《消除对妇女一切形式歧视公约》所体现的性别建构性的平等理念。基于此，我们需要重新理解公约中规制性别刻板印象的任务，将其从媒体、教育、立法等场域延展到数字算法空间，确立算法系统作为性别权力结构的重要再生产者，并将其纳入平等权的解释和救济体系之中。

　　四、算法性别歧视国际法标准的优化

　　当前有关算法性别歧视的规制路径主要分为两个维度，其一是立法，其二是技术，即改善法律本身或改善算法本身。改善法律包括建立法律问责机制、确定算法公开程度、设置多元监督主体、强调工会救济作用；改善算法本身又可分为建立算法伦理标准、调整研发人员性别结构、干预输入数据品质等。由于算法和法律之间的鸿沟，亦有学者突破规范主义立场，主张搭建起分层规制制度，对算法现象层课以决策透明和信息披露说明义务；对算法隐藏层中可解释部分以技术规制为主，不可解释部分以可信赖为追求，建立起信任沟通机制。

　　鉴于技术和法律缺乏统一的价值基础，技术方案有忽视结构性歧视的隐患，而法律调整周期漫长且关注责任归属。在这一背景下，《消除对妇女一切形式歧视公约》所代表的国际人权标准能够提供明确的、普遍的反歧视价值取向，为技术设计和法律规制提供了共同的价值核心；人权规范又能够作为“软法”影响跨国企业的算法使用实践。此外，国际人权标准具有动态适应性，可以根据情景的变化持续演化，弥补成文法面对新兴算法风险时的反应滞后问题。因此，下文有必要对国际人权标准确立的平等框架在算法决策中的展开进行探讨。

　　（一）增补性别歧视定义与类型

　　如上文所述，算法性别歧视治理的难点之一在于，它在技术上呈现为中性，但引入了对身份的全新建构而放大了不平等。这与反歧视法所要规制的实质问题即结构性不平等是一致的。因此，虽然对算法性别歧视单独立法并不具有紧迫的法理依据，但算法的生成逻辑和识别方式确实已经超出了传统反歧视法所规定的行为模式。在《消除对妇女一切形式歧视公约》的体系下，歧视不仅限于目的性歧视，也涵盖了客观效果上的不利影响，而第28号和第33号一般性建议中又区分出直接歧视、间接歧视、交叉或复合歧视。据此，现有框架已经为规制算法性别歧视提供了概念和理论基础。为了涵盖算法性别歧视所体现的具体表现形式，应该在数字技术语境下对既有范畴作概念解释和适当扩张，尤其是间接歧视和交叉或复合歧视所构建的规制框架。

　　一方面，现有的间接歧视和交叉或复合歧视的概念停留在立法和政策的纠正层面，不足以回应算法这种“中立”、非人格化的技术权力。因此，应该对歧视的定义作出扩展。根据消除对妇女歧视委员会在第28号一般性建议中所确立的基本立场，间接歧视的关键在于是否充分考虑了既有的性别不平等结构。在算法环境中，歧视嵌入技术系统的分类逻辑和优化机制，不再依赖于法律、政策、方案等传统规范载体所呈现的差别对待形式。由此，间接歧视的规制对象应该扩展到对数字化和人工智能领域内的算法模型、数据集建构、变量/分类标准设定、模型训练与决策、推送机制等技术系统运行过程及其结果，涵盖输入到输出各个阶段，扩大反歧视审查的适用范围。在强化“考虑既有性别不平等结构”这一核心要求的基础上，引入“未识别并纠正结构性偏见”的判断要素。

　　另一方面，交叉或复合歧视已被消除对妇女歧视委员会所认可，但尚未涉及算法环境对交叉性歧视的强化作用。第28号一般性建议提出了“交叉性”的概念，缔约国必须从法律上承认这些交叉性的歧视以及对妇女的综合负面影响。第33号一般性建议同时提出了“交叉或复合歧视/多重和交叉形式歧视”的概念，针对妇女的歧视因若干交叉因素而更为严重。交叉或复合歧视的理据可能包括族裔/种族、土著或少数人身份、肤色、社会经济地位和/或种姓、语言、宗教或信仰、政治见解、民族本源、婚姻和/或生育状况、年龄、城乡位置、健康状况、残障状况、财产业权，以及性向和跨性别。交叉或复合歧视预设了社会中既有的身份归类体系，例如，女性中的少数族裔、女性中的移民，这些身份标签是社会文化中被建构并广泛沿用的分类，用于指认一个群体所处的不利地位。

　　需要指出的是，已经形成社会认同的身份归类不能完全成为歧视产生的前提，算法将零散的变量进行组合，叠加产生新的歧视，并非预先设定种种身份。为了容纳算法性别歧视，交叉或复合歧视的规范框架应该作出扩展性解释，即当算法决策系统所使用的多个数据变量的组合在客观效果上加剧了妇女及其交叉身份群体的不利待遇，即使缺乏传统意义上的身份归类，也应该认定为歧视。此类算法驱动的交叉或复合歧视属于《消除对妇女一切形式歧视公约》反歧视义务所涵盖的范围，也应该成为国家反歧视措施的重要内容。这一主张与消除对妇女歧视委员会第40号一般性建议关于数字化和人工智能领域内性别陈规定型观念的担忧相符。算法系统不仅再生产了既有的性别偏见，还创造出了新的歧视类别。二者都应纳入缔约国的监管范围之内，成为对性别陈规定型观念系统性整治的一部分。这一主张同时也符合第28号一般性建议中关于国家分类和整治各类歧视行为的职责要求。

　　综上所述，算法性别歧视并非独立于既有类别之外的新型歧视，而是既有间接性、交叉或复合性歧视概念的深化。《消除对妇女一切形式歧视公约》的文本及其一般性建议所确立的歧视概念可以通过解释和拓展以容纳算法性别歧视，从而将这种超越传统身份分类的歧视形式纳入规制范围，为未来更具体的反歧视措施提供理论基础。例如，上文所述非洲金融实证研究中，算法将居住地、行业类型、语言特征当作代理变量重现性别分层，其分类标准、数据集建构环节全部带有性别歧视的色彩，并且未识别并纠正结构性偏见，构成了性别歧视。各缔约国应当在增补后的性别歧视类型框架下，结合本国结构性偏见的具体情境，对歧视的构成作出更细化的界定。

　　（二）加强对歧视性结果或影响的评估机制

　　《消除对妇女一切形式歧视公约》第1条已经确立了“结果/影响导向”的规范基础，即凡是影响或目的足以妨碍或否认妇女的人权和基本自由的区别、排斥或限制都是歧视，无论行为人的主观意图如何。消除对妇女歧视委员会第25号一般性建议提出，缔约国需要消除对妇女的多种形式的歧视以及对她们的综合不利影响，第28号一般性建议再次强调了对妇女和男子给予相同或中性的待遇，此待遇的后果或影响若导致妇女被拒绝行使权利，则仍可能构成对妇女的歧视。第28号一般性建议还指出，消除对妇女歧视的政策必须以行动和结果为导向，设立按性别分类相关数据的收集机制，支持有效监测，从而为持续评估提供便利。这些观点构成了“结果/影响导向”的基本法理框架，并明确支持通过数据收集和反馈机制对歧视性后果进行评估。

　　尽管条约本身和条约机构的意见确立了规范要求，但是算法性别歧视因其目的和结果之间的隐秘因果关联或无因果关联带来了更复杂的挑战，现有框架应进一步强化对“歧视性结果或影响”的评估机制的建设。一般而言，算法模型或者设计明确使用性别变量就可以归入传统意义的直接歧视；而使用与性别高度相关的代理变量或者组合特征，从而在结果上造成了不利影响，则属于间接歧视的典型构造。二者在归责路径和救济方式上或许有所区分，但直接或者间接歧视的概念区别，并不影响二者在结果上都对女性群体造成了不利的后果或者影响。因此在制度设计上，算法性别歧视以“结果/影响导向”为出发点，其根本意义在于，即使行为主体在主观上没有歧视意图，只要其行为在客观上造成了对女性的不利影响，就纳入歧视识别范畴并且引发法律责任。

　　需要说明的是，区分直接与间接歧视，并不意味着要为两者建立不同的举证责任标准。其规范意义在于，反歧视法应在归责原则上完成“从行为动机到结果导向转型”的重心转移。换言之，算法时代的反歧视监管，关注的是决策结果是否在法律意义上构成歧视，而非单纯追溯行为动机，或要求裁判者从技术层面深入理解代码。这一判断既需要参照具体法律框架对歧视的界定，也需要契合《消除对妇女一切形式歧视公约》等公约对歧视的定义。而直接和间接歧视的区分意义将为评估机制的具体设计提供技术路径的参考。

　　为了实现“结果/影响导向”原则的规范转化，歧视评估机制不能被狭义地定义为算法上线后、产生实际伤害之后的责任追究机制。符合《消除对妇女一切形式歧视公约》宗旨的“结果/影响导向”评估既属于规范性前提，又是持续性的责任机制。简而言之，“结果/影响导向”评估发生在算法部署之前、算法运行之中以及事后检验的整个算法生命周期。

　　因此，强化“结果/影响导向”的歧视识别机制，首要在于将其明确转化为法律原则。例如，消除对妇女歧视委员会可以在一般性建议中加强对“不以意图为前提，只要存在歧视性结果/影响即构成性别歧视”的肯定。与之对应，缔约国在人工智能治理框架中需要体现这一原则，例如，在反歧视法律规范中增设原则性条款等。

　　其次，可操作性的重点就是建立包含识别性别歧视核心概念的评估机制，将特定算法行为对女性群体造成的不利后果转化为可量化指标。例如，在缔约国的人工智能法律建构中，需要明确算法部署者对可能影响基本权利的人工智能系统具有事前评估的义务。在算法系统运行过程中，应确立动态监测机制与风险通报义务。部署者应该定期发布“性别影响报告”，以呈现模型运行中不同性别群体在核心指标上的分布情况，例如，披露招聘系统中女性和男性入职率的差异。这些制度安排可将抽象的歧视风险转化为具体的量化观察点。

　　最后，一旦“歧视性结果/影响”被确认，无论系统是否使用性别变量，亦无论设计或部署者是否具有歧视意图，均依法认定为歧视行为并触发法律责任。具体责任形式包括：暂停/终止使用、模型重构、对受害者的补偿或纠正性服务等。同时，歧视性结果也成为政府或相关监管机关的干预节点，监管机关有责任据此采取积极措施，例如限时整改、责令暂停或限制算法系统运行等，以实现动态治理。

　　然而，在整个评估机制的建设中，算法本身不能被视为单向度的风险工具，它也为揭示和纠正结构性不平等提供了新的契机。合理的使用可以将算法的可量化和可审计性发挥最大价值，使得原本潜隐在制度和文化层面的性别偏差变得可以计算、呈现、验证。

　　在这一意义上，算法性别歧视的评估机制建设应探索算法技术在促进实质平等中的积极功能，对性别差异的再生产过程进行持续检测和量化评估，以数据和统计揭示性别差距。例如，对信贷额度、拒贷率等指标的性别数据分析足以揭示出两性在信贷获取上遭受的不平等待遇，隐藏的性别差别可以被算法转化为可检测和修正的指标，从而在技术层面实现对实质平等的动态保障。

　　（三）算法性别歧视责任主体的审查原则

　　算法供应链中，人工智能技术的生产、部署和使用由多个参与者共同完成，构成了一个分工精细的技术供应链。在这一链条中，每一个行为者仅仅掌握自身环节的信息，难以从全局角度进行风险或者结果的控制。例如，客户仅能了解服务的提供商，但不能评估上游模型训练数据的偏差。同时，这些参与者的作用不能够脱离链条来进行狭窄的理解。由于以单一行为人为中心的责任认定框架不能完全概括人工智能生命周期各阶段参与者之间的责任分配，因此问责也不应局限于某一特定主体（例如开发公司、使用者、平台）。

　　虽然与传统性别歧视相比，算法性别歧视链条增加了更多的主体和环节，但本质上，“歧视”本身的认定并没有变得更为复杂。算法黑箱虽然造成了追责难题，但并未使歧视的规范判断标准发生根本改变，只要能确认歧视性后果的存在，公约体系下的认定逻辑依然适用。通过强制性的记录义务、透明度披露、独立审计等制度安排就能够将算法运行的关键节点纳入外部监管视野。即使外部的有效监管机制无法穿透算法黑箱，但也可以为歧视的识别和追责建立制度化的通道。在此意义上，有效的监管机制应该成为制度回应的一部分，聚焦于提升透明度、明确责任分配以及跨主体的协同治理。

　　尽管算法性别歧视涉及多个交错的环节和非国家行为体，但并不意味着因此豁免国家的人权义务。《消除对妇女一切形式歧视公约》第2条要求缔约国“谴责对妇女一切形式的歧视，协议立即用一切适当办法，推行政策，消除对妇女的歧视”；该条第（e）项进一步要求缔约国“应采取一切适当措施，消除任何个人、组织或企业对妇女的歧视”。这在根本上树立了缔约国对所有来源的歧视性影响的监督和纠正义务，即使算法歧视的实施者并非国家机关，国家依然应该履行一种综合性的治理义务。

　　在区域法的实践中，2020年4月8日，欧洲理事会部长委员会发布了新的监管框架——《关于算法系统对人权影响的建议》。此建议为国家义务提供了制度参照，要求成员国确保算法系统在设计、开发、部署的全生命周期符合《欧洲人权公约》。成员国必须意识到算法会使尚未从社会中消除的种族、性别和其他社会或劳动不平等通过算法系统有意或者无意地延续下去，但适当的技术在解决这些失衡问题上是可取的。欧洲理事会部长委员会进一步强调，各国在算法系统下保护和促进人权的义务包括立法以确认公共和私营部门的法律义务、确认对算法系统的持续审查、制定适当的机构和监管框架、提高公众对算法的认知等。2022年，欧盟基本权利机构指出，算法性别歧视问题需要反歧视法和数据保护法的共同作用，算法应用的高风险场景应当提升透明度并建立算法歧视评估机制。这说明现行反歧视法在应对算法偏差时存在识别和执行的局限。国际和区域层面的标准需要更具有监管力度的落实。2024年欧洲理事会部长委员会发布的《人工智能与人权、民主和法治框架公约》将缔约国义务的时间范围确定为人工智能系统生命周期内的活动，义务内容则包括透明度和监督问责、保护个人隐私权和个人数据、建立补救措施等。

　　面对一种供应链化的、多主体和多阶段交织的算法歧视链条，国家有义务作出相应的统合与协调。算法性别歧视贯穿了从数据输入到决策输出的全流程，因此一种持续性的风险监测和透明度制度应运而生。算法系统所涉及的诸多主体应该按照其功能承担不同的法律责任，即责任不是归于某个特定主体，而是建立在不同角色的不同功能以及不同角色对结果的控制程度之上，呈现出结构化和分层化的特色，这是对算法性别歧视进行责任认定的原则。欧洲的实践区分了开发者、部署者、使用者以及国家等主体的义务，明确每个阶段的行为者承担的义务，这种做法就是以功能性角色为单位来划分责任。只有将功能化、结构化的责任识别机制与透明性、可追溯性和对人权影响的控制义务相联结，才能弥合技术和权利之间的断裂，为识别并清除算法系统的性别歧视提供可能。

　　五、结论

　　人工智能技术的广泛应用引发了对平等和反歧视法律体系的挑战。从性别平等的角度来看，算法系统对歧视的定义、因果联系、责任归属等方面都形成了制度冲击。一方面，算法系统通过性别和代理变量之间的联系构建，冲击了已经形成的社会身份，扩展了歧视形式；另一方面，算法系统不透明的运算和决策方式使得歧视的因果关系难以认定。此外，算法是供应链式的多主体参与的系统，传统的归责认定模式并不适用。因此，传统国际人权法，尤其是《消除对妇女一切形式歧视公约》所建构的反歧视框架在算法环境中面临新的适用困境。然而，尽管算法性别歧视表面上以新的形式展现，但其根源依然是既有性别权力结构的延续与再生产，因而《消除对妇女一切形式歧视公约》的制度逻辑与规范原则仍具有适用基础，应扩展其解释与适用的方式。

　　为应对算法性别歧视带来的规范挑战，可在《消除对妇女一切形式歧视公约》框架内推进三项结构性回应。第一，在歧视的概念上，算法系统中对结构性不平等的复制和扩展可以纳入间接歧视、多重歧视乃至交叉性歧视的扩展范畴，并据此修正一般性建议中对歧视分类的界定，将更多的乃至正在出现的身份分类加入规制范围，以容纳算法驱动的复合偏见结构。第二，在评估机制上，应该深化公约已确立的“结果/影响导向”原则，强调算法行为的歧视性后果本身即可构成歧视，无需证明行为人的主观意图或者明确因果链条，并在各国制度中确立事前评估、运行监测和事后修正的全流程风险控制机制。第三，在责任机制上，面对非特定侵权主体的算法系统，应该以结构性、功能性的角色区分设计、开发、部署、使用等不同环节的不同责任人，依据其对算法结果和侵犯人权结果的控制程度来分配责任。

　　总体而言，算法性别歧视并未脱离传统平等权的规范边界，它带来的真正挑战在于制度逻辑的重构。由于算法系统的逻辑与法律逻辑存在差别，反歧视法需要在现有基础上完成对技术自我革新的回应。《消除对妇女一切形式歧视公约》的反歧视框架已经存在规制算法性别歧视的可能，只有在公约体系下拓展歧视的定义、重视结果导向、重塑归责方式，并创造对算法系统的全流程动态监控机制，才能确保性别正义在数字时代不被技术结构所稀释，从而真正达成实质性平等的国际人权法目标。

　　【作者：王晓宇，中国政法大学人权研究院（当代法治研究院）2024级博士研究生。】

　　【来源：本文刊载于《人权研究》2026年9月第3期。为方便阅读，文中注释已隐去。本文转自人权研究微信公众号】