识别数据不公正
Aadhaar是Johnson(2014)在他关于信息公正的著作中所说的“纪律系统”。它提出了几个与司法有关的具体问题，这些问题与它对数据技术的使用有关，特别是它记录、存储和处理注册人数据的方式。首先，在收集和处理索赔点，该系统通过拥有清晰的指纹和虹膜、拥有手机、拥有稳定的家庭生活(同一注册人可以每周收集口粮，以及其他标准)，迫使注册人确认符合“正常标准”(Johnson, 2014)。这些标准常态而不是指向一个中产阶级标准precarity和不可预测性的穷人的生活。其次，它提出了分配公平的问题。虽然有人声称Aadhaar通过减少福利交易中的腐败，让穷人获得以前无法获得的服务和代表，从而进一步促进了分配公正，但事实上，它根据一个人的资源和社会经济地位提供了截然不同的可能性。第三，这一制度放大了不平等:对于较富裕的公民来说，它是一种让自己在世界上生存得更容易的方式。人们可以获得电话或公用事业账户，在日常交易中证明自己的身份，简化与官僚机构的交易。对于较贫穷的公民，通常是低种姓和/或女性，这是一种将不稳定正式化的方式。对于那些系统无法处理其身体的人，或者身份被误读的人，没有明显的途径可以恢复行政的清晰性。最后,它不允许公平补偿的滥用或不满。投诉程序不是为紧急情况而设计的:问题必须通过电话或电子邮件来处理，而不是联系当地官员，“没有时间表，没有指定的申诉纠正官员，没有书面的日期确认收据，没有对投诉人的补偿，没有对犯错的官员的处罚”(Sabhikhi, 2016)。虽然只有穷人无法选择是否使用这种制度，但它与中上层阶级的身体和生活方式是一致的。与此同时，在被数据库排除在外的家庭中，有越来越多的营养不良报告(Priya and Priya, 2016)。
第二个例子来自一个系统，该系统在写作时仍处于概念化阶段，但它展示了算法的不确定性(Kwan, 2016)——虚拟空间信息和物理地面真相之间的差距——如何转化为嵌入的不公正。最近，一家商业公司为欧盟航天局(EU Space Agency)提供了一项建议，旨在监控向欧盟南部边境移动的移民该公司通过对卫星图像、社交媒体输出和当地在线报告进行的机器学习，来跟踪移民并预测他们的来源和移动方向。顾问们原本计划使用移民的移动电话追踪，但由于难以获得正在进行的数据集而打消了这个想法，由于隐私问题，移动运营商对这些数据集进行了严格保护(Taylor, 2016c)。该项目的目标是通过识别个别海滩或山坡上的小团体，并预测谁将在何时越过哪个边界，从而使前往欧洲的移民可视化。这些预测被卖给了边境执法和移民当局，然后这些当局可能会使用算法分类来识别“不受欢迎的”移民，并通过采取措施防止他们抵达欧洲领土来控制能够提出庇护申请的人数。
来源：https://doi.org/10.1177/20539517177363
