这一页讲的是“Consent”（同意）的主题，重点涉及 AI 的伦理与社会责任。

这一页讲的是“Consent”（同意），这是 COMPSCI 712课程中的一个重要伦理主题，由 Dr Kerry McInerney讲授。幻灯片强调了同意在人工智能（AI）领域的重要性，尤其是涉及数据隐私、用户授权和伦理决策时的关键作用。页面上的图标展示了一只手托着一个盾牌和钥匙，象征着保护和授权的概念。这表明同意不仅是用户授权的体现，还与安全性和信任密切相关。在 AI 应用中，确保用户知情并主动同意其数据的使用是伦理设计的核心。例如，AI 系统在收集用户数据时，必须明确告知用户用途，并获得明确授权。这一主题提醒我们，尊重用户的同意是建立负责任的 AI 系统的基础。

这一页讲的是学习目标，主要围绕 AI 中的同意机制展开，包括其重要性、伦理问题及法律框架。

这一页讲的是学习目标，重点是理解 AI 中的同意（consent）概念及其重要性。首先，探讨什么是同意以及为什么它在技术和伦理层面都至关重要。其次，分析当前 AI 系统中同意的概念化和应用方式可能引发的伦理问题，例如用户数据隐私和透明度。第三，介绍关键法律法规如 GDPR（欧盟《通用数据保护条例》）和 EU AI Act（欧盟人工智能法案）对同意的规定和处理方式，帮助学生理解法律如何规范技术行为。最后，鼓励学生思考其他关于同意的替代性观点，以及在 AI 环境中同意的具体含义。这些目标为深入讨论 AI 的伦理和法律问题提供了框架，同时强调同意在技术开发中的核心地位。

这一页讲的是同意 (Consent) 的定义。主要内容包括同意是改变权利和义务结构的行为，通常涉及新的义务和授权他人采取行动。

这一页讲的是同意 (Consent) 的概念。根据 Simmons 的定义，同意是一种自由改变现有权利和义务结构的行为，通常通过承担新的义务或授权他人采取行动来完成。这种授权允许他人以原本不可接受的方式行事。幻灯片还引用了 Simmons 在《Routledge Encyclopedia of Philosophy》中的解释，进一步强调了同意的重要性，例如签署合同 (Contract) 的过程就是一个典型的例子。合同通常代表双方通过同意建立新的义务和权利关系。这一概念在法律、伦理学和社会关系中具有广泛应用，帮助明确责任分配和行为许可。

这一页讲的是同意权（The Right to Consent）。重点包括权利的定义与同意如何改变法律结构。

这一页讲的是同意权（The Right to Consent）。首先，权利被定义为一种能力或权力，能够改变现有的法律安排。这意味着个人通过行使同意权，可以主动改变权利与义务的结构。具体来说，同意是一种权力，它允许个人承担新的义务，并授权他人采取原本不被允许的行为。这种权力的重要性在于，它不仅影响法律关系，还对社会行为和互动产生深远影响。例如，一个人通过签署合同表示同意，可以授权他人使用其资源或服务，而这种行为在没有同意的情况下是不可接受的。幻灯片中的循环箭头象征了同意权的动态性，表明权利和义务的结构可以因同意而不断变化。

这一页讲的是同意(consent)的关键标准，包括自愿性和自主性。

这一页讲的是同意(consent)的关键标准。首先，同意必须是自愿的(voluntary consent)，即没有强迫或胁迫。其次，同意必须是自由或自主地进行的(freely or autonomously)。幻灯片还提到，可以向人们提供理由来帮助他们决定是否同意，但如果同意是由于胁迫或操控而达成的，那么这种同意就不能被认为是自由或自主的。举例来说，如果某人因为害怕失去工作而被迫签署协议，这种同意就不符合以上标准。这些标准强调了在任何协议或互动中，确保个人的选择权和独立性的重要性。

这一页讲的是同意（consent）的重要性，从道义论（deontological）和权利视角分析其意义。

这一页讲的是同意（consent）的重要性，特别是从道义论（deontological）和权利视角来看为什么它不可或缺。幻灯片指出，人不应该仅仅被视为实现某种目的的工具，而应该被尊重为目的本身。这种观点强调了个体的道德能动性（moral agency），即每个人都有权利被当作独立的、具有内在价值的存在。同意是实现这一点的最直接方式，因为它确保了在互动中尊重他人的权利和意愿，而不是将他们视为手段。举例来说，在医疗决策中，患者的同意不仅是法律要求，更是对其作为独立个体的尊重。这一页通过文字和图形结合，强调了同意在道德和伦理中的核心地位。

这一页讲的是同意(consent)的重要性，从功利主义(utilitarian)或结果论(consequentialist)的角度分析。

这一页讲的是同意(consent)的重要性，从功利主义(utilitarian)或结果论(consequentialist)的角度分析。功利主义强调“最大多数人的最大幸福”(the greatest good for the greatest number)。从这一视角看，获得同意能够带来积极的后果：人们在参与需要他们投入的活动时，如果事先给予了同意，他们会感到更幸福；同时，这也更容易让人们参与和投入。这种同意的价值在于它能够作为一种手段，帮助实现幸福效用(utility of happiness)的最大化。幻灯片中的天平图象征了权衡和公平，进一步强调了同意在道德和社会实践中的重要性。

这一页讲的是谁有能力进行同意 (consent)，谁没有能力同意。重点是探讨不同人群的同意能力，以及影响同意的因素。

这一页讲的是关于同意 (consent) 的能力，重点分析哪些人可以合法或合理地表达同意，哪些人由于各种原因无法同意。图片中使用不同颜色和符号代表不同类型的人群，例如红色代表无法同意的情况，绿色表示可以同意，蓝色可能表示需要进一步确认。这一主题通常涉及法律、伦理和心理学领域，特别是在医疗、研究或合同签订中。影响同意能力的因素包括年龄、认知能力、信息的充分性以及是否受到压力或胁迫。例如，未成年人或认知障碍者可能不具备完全的同意能力，而成年人在充分了解信息且自愿的情况下可以表达同意。这一页强调了评估和尊重同意的重要性，以确保公平和合法性。

这一页讲的是同意（Consent）与知情同意（Informed Consent）的区别。重点在于知情同意需要提供足够的信息，确保理解和自主决策。

这一页讲的是同意（Consent）与知情同意（Informed Consent）的区别。普通的同意指一个人表示接受或允许某事发生，但可能缺乏充分的信息支持。而知情同意强调在做出决定前，必须向当事人提供足够的信息，包括风险、益处和可能的替代方案，以确保他们能够基于理解做出自主决策。图中绿色的勾代表同意，而脑子戴眼镜读书的形象则象征知情同意的过程，强调理解和学习的重要性。知情同意在医学、研究和法律领域尤为重要，例如在临床试验中，参与者需要了解试验的目的、流程和潜在风险后才能签署知情同意书。这一概念的核心是尊重个人的自主权和信息权，确保决策是基于充分理解而非盲目接受。

这一页讲的是同意(consent)的个人主义(individualism)。主要讨论个人在同意中的作用，以及不同文化对同意的集体视角。

这一页讲的是关于同意(consent)的个人主义视角。首先强调了在个人主义框架中，个人被视为拥有同意权力的主体，同时个人也是后果主义者(consequentialists)关注的幸福(happiness)的核心。接着提出一个问题：在一些文化中，例如毛利人(Māori)的文化，社区而非个人被视为主要的道德和政治单位时，同意的要求应该如何被理解。这种对比揭示了同意概念在不同文化中的多样性和复杂性。例如，在西方个人主义文化中，同意通常是个人权利的体现，而在强调集体价值的文化中，同意可能更多地涉及社区的整体利益。这种探讨对理解跨文化伦理和政策制定非常重要。

这一页讲的是 AI 和大科技公司中的用户同意问题。重点包括同意的形式、隐私政策和用户权利。

这一页讲的是 AI 和大科技公司中的用户同意问题，特别是用户在使用技术服务时如何表达同意。标题提出了一个关键问题：同意在这些领域应该是什么样子？图中的 Terms & Conditions（条款与条件）是用户同意的核心形式，通常包括隐私政策和使用条款。然而，这些条款往往冗长复杂，用户可能在未充分理解的情况下被迫接受。理解同意的形式对于保护用户隐私和权利至关重要。例如，AI 技术可能会收集用户数据用于训练模型，但用户是否清楚这些数据的用途？这一问题强调了透明度的重要性，即公司需要明确告知用户数据如何被使用，并提供清晰的选择权。这不仅关系到技术发展的伦理问题，还影响公众对技术的信任。

这一页讲的是“伤害的范围”（A Spectrum of Harm），探讨不同情境下的用户同意（consent）问题及其潜在影响。

这一页讲的是“伤害的范围”（A Spectrum of Harm），通过一个横向箭头展示了两种极端情境下的用户同意问题及其可能造成的伤害。左侧代表没有获得用户明确同意的情况，例如 OkCupid 和 Facebook 在 2014 年进行的心理实验。这些实验通常需要明确的用户同意，但却未遵守这一原则。右侧则描述了无需严格用户同意但可能侵犯人权的活动，例如日常监控（Everyday surveillance）和“监控资本主义”（Surveillance capitalism）。箭头中间的问号表示在这些极端之间可能存在其他情境，暗示伤害的范围是连续的而非绝对的。这个图表提醒我们，无论是实验还是商业行为，都需要慎重考虑用户同意和隐私问题，以避免潜在的伦理和法律风险。

这一页讲的是当同意（consent）受到限制或无法实现时会发生什么。重点在于探讨限制同意的原因及其影响。

这一页讲的是当同意（consent）受到限制或无法实现时会发生的情况。首先，'consent' 是指个人对某项行动或决策表示明确许可的行为。在某些情况下，例如信息隐私、医疗决策或技术使用中，个人可能无法充分表达同意，原因可能包括信息不对称、技术复杂性或个人能力受限。这种情况下可能会引发伦理问题，例如侵犯隐私权或滥用个人数据。此外，幻灯片中的警示标志（红色三角形和黑色叉号）表明这是一个需要特别关注的风险领域。举例来说，在人工智能领域，如果用户无法理解算法如何处理其数据，可能会导致数据被不当使用或隐私泄露。因此，解决这个问题的关键在于提高透明度、简化信息传递，并确保用户有足够的知识和工具来表达知情同意。

这一页讲的是同意（Consent）与胁迫（Coercion）的对比。重点在于区分自愿行为与因外界压力或强迫而产生的行为。

这一页讲的是同意（Consent）与胁迫（Coercion）的对比。图中展示了一位人物被多只手指指向，表现出明显的压力和不适，这暗示胁迫的情境。Consent 是指个体在没有外界压力、威胁或操控的情况下，自愿做出的决定；而 Coercion 则涉及通过威胁、强迫或操控来影响他人的选择。这一主题很重要，因为在伦理学、法律以及社会互动中，明确区分两者可以帮助保护个人的自主权。例如，签署合同时，只有在完全自愿的情况下才算合法，而如果是在胁迫下签署，则可能无效。这页内容提醒我们关注行为背后的动机和环境，以确保公平与尊重。

这一页讲的是在“不当诱导”情况下的同意问题，强调金钱或其他奖励可能影响个人决策。

这一页讲的是在面对“不当诱导”（Undue Inducement）时的同意问题。所谓不当诱导，指的是通过过度的金钱、物质奖励或其他利益来影响个人决策，可能导致他们做出违背自身意愿或价值观的选择。这种情况在研究伦理和商业交易中尤为重要，因为它可能使人们忽视潜在的风险或后果。图中展示了大量金币，象征着金钱奖励可能成为一种强烈的诱导因素。比如，在医学实验中，如果研究者提供过高的报酬，参与者可能会忽略实验的风险而选择参与，这对伦理性和结果的真实性都可能产生负面影响。因此，理解和规范诱导的程度对于确保公平和道德行为至关重要。

这一页讲的是“无选择”情况下的同意问题，重点在于探讨在缺乏选择自由时同意的有效性及其伦理意义。

这一页讲的是“无选择”情况下的同意问题。所谓“无选择”情况，指的是在某种环境或压力下，个人无法自由选择，只能被迫接受某种决定或条件。这种情况下的同意是否真正有效，涉及伦理学和法律上的讨论。比如，如果一个人因经济压力被迫签署一份合同，这种同意是否可以被视为自愿？这一主题提醒我们关注权力不平衡对个人自由意志的影响，并强调在设计制度或政策时，需要为弱势群体提供真正的选择空间。这一页的图中红色叉号表达了“拒绝”或“非自愿”的含义，进一步暗示了这种情况下的同意可能并不完全基于个人真实意愿。

这一页讲的是《数据女性主义》(Data Feminism)的核心观点之一：同意与权力的关系。

这一页讲的是《数据女性主义》(Data Feminism)的核心观点之一，即“同意与权力”(Consent is about Power)。作者 Catherine D’Ignazio 和 Lauren F. Klein 强调数据科学中的性别平等与权力动态的重要性。Catherine 是麻省理工学院的城市科学与规划助理教授，同时领导 Data + Feminism Lab；Lauren 是埃默里大学的英语和定量理论方法教授，领导 Digital Humanities Lab。这本书探讨了如何通过数据科学的视角揭示并挑战社会中的权力不平等。幻灯片还提到该书可以通过 datafeminism.io 免费获取。这一观点提醒我们，在数据收集和使用中，必须关注权力关系，确保尊重个体的同意并避免数据滥用。

这一页讲的是无法选择退出科技巨头及AI的影响。主要讨论科技巨头的垄断性、AI的不可避免性以及个人尝试脱离科技巨头的挑战。

这一页讲的是当个人无法选择退出科技巨头及AI时会发生什么。幻灯片引用了2020年发布的一篇文章，作者尝试在日常生活中避免使用苹果、谷歌、Facebook和亚马逊等科技巨头的服务，但发现几乎不可能做到。这反映了科技巨头在现代社会的垄断性以及它们与AI技术的深度融合，导致个人几乎无法完全脱离其影响。标题提出了一个重要问题：当AI技术无处不在，个人无法选择退出时，会对社会、隐私和个人自由造成怎样的影响？例如，许多日常服务都依赖这些公司的技术支持，甚至生活中的基本需求如通信、购物和导航都难以脱离它们。这一现象强调了对科技巨头监管的必要性，以及对AI技术透明性和可控性的需求。

这一页讲的是非自愿和滥用的数据收集行为。重点提到2019年谷歌被指控通过其承包商扫描黑人流浪者的面部数据以改进面部识别技术。

这一页讲的是非自愿和滥用的数据收集行为，尤其是针对弱势群体的数据使用问题。幻灯片引用了《纽约时报》的一篇文章，提到2019年亚特兰大市官员要求谷歌核实一个报告，该报告指控谷歌的承包商可能扫描了黑人流浪者的面部数据，用于改进其面部识别软件。这种行为引发了伦理争议，因为它涉及未经同意的数据收集，并且可能针对特定群体进行歧视性操作。这一事件提醒我们，技术公司在开发人工智能和数据驱动技术时，必须遵守道德规范和法律要求，避免侵犯隐私或造成社会不公。比如，面部识别技术虽然有助于安全和便利，但如果数据收集不透明或未经许可，就可能导致对弱势群体的伤害。这一案例强调了监管和公众监督的重要性，以确保技术发展不会牺牲基本人权。

这一页讲的是版权问题和大规模数据抓取。主要内容包括《纽约时报》起诉 OpenAI 和微软，指控其使用受版权保护的文章训练 AI 模型，以及版权保护的重要性。

这一页讲的是版权问题和大规模数据抓取，重点关注《纽约时报》起诉 OpenAI 和微软的案例。《纽约时报》指控这两家公司未经授权使用其数百万篇受版权保护的文章来训练 AI 模型，这些模型随后成为直接竞争对手。这一事件凸显了版权保护在 AI 领域的重要性，尤其是在数据抓取和模型训练过程中。通过这个案例，我们可以看到，AI 技术的发展需要在创新和版权保护之间取得平衡。大规模数据抓取虽然能提高模型性能，但如果涉及未经授权使用受保护内容，就可能引发法律纠纷。举例来说，类似的情况可能发生在其他媒体或内容创作者与技术公司之间，进一步推动对数据使用规范的讨论和制定。这一页的内容提醒我们，技术进步不能以牺牲知识产权为代价，相关各方需要共同努力，确保技术发展与法律法规相适应。

这一页讲的是在有同意（consent）的情况下仍然出现伤害（harm）时的处理问题。

这一页讲的是在行为或互动中已经获得了当事人的同意（consent），但结果仍然造成了伤害（harm）时，我们应该如何应对。这种情况可能涉及伦理学、法律以及心理学领域的问题。例如，在数据使用或实验中，参与者可能同意了某些条件，但后续的结果可能对他们造成了意想不到的负面影响。这一问题强调了仅仅获得同意并不足够，还需要考虑行为的潜在后果和责任。解决这一问题需要深入分析伤害的性质、责任归属以及如何在未来避免类似情况。

这一页讲的是一起德国历史上极为特殊的案件，受害者自愿被杀害并被食用。主要内容包括案件背景、嫌疑人行为及其动机。

这一页讲的是一起发生在德国的极端刑事案件，嫌疑人 Armin Meiwes 是一名42岁的计算机专家，他在互联网广告中寻找愿意被杀害和食用的人。最终，他与一名43岁的柏林工程师 Bernd Brandes 达成协议，实施了杀害和食用的行为。这起案件因其特殊性成为德国刑事历史上最引人注目的案件之一。幻灯片提到，Meiwes 自述自己从年轻时起就对杀害和食用人类抱有幻想，并称这一行为是他长期以来的愿望。在庭审中，检察官详细描述了嫌疑人的心理状态及其行为过程。这一案件引发了关于自愿行为、道德伦理以及法律边界的广泛讨论，具有重要的社会和法律意义。

这一页讲的是“侏儒抛掷”活动及其对人类尊严和个人选择的影响。重点包括活动的背景、争议性及法律禁止的案例。

这一页讲的是一种名为“侏儒抛掷”（Dwarf Tossing）的活动，它在20世纪80年代作为一种娱乐形式出现，通常在酒吧和迪斯科中进行。活动参与者通常穿着防护服，有时戴着橄榄球头盔，被抛向垫子或带有魔术贴的墙壁，目的是抛得越远越好。还有一种变体叫“侏儒保龄球”（Dwarf Bowling），将侏儒放在滑板上当作保龄球使用。这种活动因其名称和性质引发了广泛争议，尤其涉及对侏儒（Little Persons, LPs）的尊重问题。作者在文中使用“Little Persons”这一术语，强调对这类群体的敏感性和尊重。幻灯片还提到，在1990年代，法国一个小镇Morsang-sur-Orge的市长通过了禁止侏儒抛掷的法规，认为这种活动是对人类尊严的不可容忍的攻击，并构成剥削。这一禁令后来受到挑战，但它反映了法律和社会对人类尊严的保护的重要性。这一案例是讨论个人选择与社会规范之间关系的典型例子。

这一页讲的是选择替代方案的重要性，强调在决策过程中考虑不同选项。

这一页讲的是选择替代方案的重要性。图片中有两盏灯泡和一只手指，象征着在决策中进行选择的过程。标题“What are the alternatives?”提醒我们，在解决问题或做决定时，不能只局限于单一方案，而是要主动寻找和评估多个替代选项。替代方案的比较可以帮助我们找到更优的解决方法，降低风险或成本。例如，在技术开发中，如果一种算法效果不佳，可以考虑其他模型或方法。通过系统性地分析替代方案，我们能够更好地满足需求并提升整体效率。这一页旨在培养学生的批判性思维和灵活性，为复杂问题找到最佳解决路径。

这一页讲的是技术监管中如何处理用户同意的问题。重点包括同意的定义、获取方式及其重要性。

这一页讲的是技术监管中如何处理用户同意（consent）的问题。用户同意是指在技术产品或服务中，用户对数据收集、使用或共享的明确授权。监管中通常要求同意必须是主动的、知情的和可撤销的。获取用户同意的方式包括弹窗提示、条款协议或隐私设置等，这些都需要设计得清晰易懂。用户同意的重要性在于保护个人隐私权，确保技术公司遵守法律法规，同时增强用户对技术产品的信任。例如，GDPR（欧盟《通用数据保护条例》）规定，企业必须以透明的方式获取用户同意，否则将面临严厉处罚。这一主题提醒我们，技术发展必须与伦理和法律规范相结合。

这一页讲的是 GDPR 法案中关于同意 (Consent) 的要求，重点在于同意必须是自由给予 (Freely Given)。

这一页讲的是 GDPR (General Data Protection Regulation) 法案中对同意 (Consent) 的具体要求，强调同意必须是自由给予 (Freely Given)。首先，同意的有效性取决于数据主体 (Data Subject) 是否能够真实地做出选择，且不存在欺骗、胁迫或重大负面后果的风险。其次，同意必须基于真实的信息，确保数据主体了解情况后做出决定。最后，数据主体的沉默或不作为不能被视为同意。这些要求的目的是保护个人数据主体的权利，确保他们在数据处理过程中拥有自主权。例如，在在线注册时，用户需要明确点击“同意”按钮，而不是通过默认选项或未操作来推测他们的同意。这种规定确保了数据处理的透明性和公平性。

这一页讲的是 GDPR 法案中关于“具体性”的要求。主要强调获取用户同意时语言需清晰易懂，并与数据类型和处理目的相关联。

这一页讲的是 GDPR (General Data Protection Regulation) 法案中关于“具体性”(Specific) 的要求。首先，获取用户同意时使用的语言必须清晰易懂，不能模糊或含糊其辞，同时需要明确与所涉及的数据类型和数据处理的实际目的相关联。这意味着数据处理方需要确保用户完全理解他们的数据将如何被使用。其次，同意必须反映双方的合理预期，并赋予数据主体选择权，允许他们对具体的数据处理活动做出明确的同意或拒绝。这种要求的重要性在于保护用户的知情权和选择权，避免数据滥用。例如，一个在线平台在收集用户位置信息时，必须明确说明这项数据将用于个性化推荐，而不是其他用途。这种透明性和具体性有助于建立用户信任，同时确保数据处理活动符合法律规定。

这一页讲的是 GDPR 中关于知情同意的原则。强调同意需基于事实和影响的理解，并且信息需真实可靠。

这一页讲的是 GDPR (General Data Protection Regulation) 中关于知情同意 (Informed Consent) 的原则。首先，同意必须是知情的，意味着个人在给予同意之前需要充分理解相关事实和可能的影响。其次，同意的基础必须是诚实的信息，不能有误导或隐瞒。最后，如果数据处理涉及多个目的，则每个目的都需要分别获得明确的同意。这些要求确保数据主体能够真正掌握自己的数据权利，避免因信息不透明或复杂目的而导致的误解。例如，若一个公司同时收集数据用于广告和研究，用户需对这两个目的分别给予同意。这种规定的重要性在于保护个人隐私权，同时提高数据处理的透明度和可信度。

这一页讲的是 GDPR 中关于信息提供的明确性要求。重点包括语言清晰易懂、信息透明且易于获取，以及复杂数据处理需提供详细信息。

这一页讲的是 GDPR (General Data Protection Regulation) 中关于信息提供的明确性要求。首先，为获取用户同意所提供的信息必须使用清晰、易读且普通用户能够理解的语言，这确保了用户能够真正理解自己的权利和数据处理方式。其次，信息需要以透明、清晰可见且显著的方式呈现，避免模糊或隐藏重要内容。此外，建议使用分层隐私通知 (multi-layered privacy notices) 的方式帮助用户理解复杂信息，同时确保这些通知标示清楚且易于访问。页面还强调了数据处理可能产生的不利后果需要明确告知用户，以便他们做出知情决策。最后，对于涉及复杂数据处理操作的情况，需要提供更加详细且适当的信息。例如，在处理敏感个人数据时，需明确说明数据用途、可能的风险以及用户的选择权。这些要求旨在增强用户对数据处理的透明度和信任感。

这一页讲的是 Feminist Approaches to Consent（女性主义视角下的同意）。主要探讨同意的定义及其在社会性别平等中的重要性。

这一页讲的是 Feminist Approaches to Consent（女性主义视角下的同意）。这一主题强调同意不仅是个人行为，更是社会性别平等的重要组成部分。女性主义视角认为，同意需要在权力平衡的环境中进行，确保双方都有平等的表达和选择权。这种方法挑战传统的性别角色和权力动态，强调尊重、透明和自主性的重要性。幻灯片上的图案使用了旗帜和人物符号，象征着女性主义运动的团结和力量。这种方法对社会政策、教育和文化都有深远影响。例如，在教育中推广健康的关系观念，帮助年轻人理解和实践尊重他人意愿的行为。

这一页讲的是从个人同意到集体同意的转变。重点包括个人与集体同意的概念，以及其在人工智能伦理中的重要性。

这一页讲的是从个人同意(Individual Consent)到集体同意(Collective Consent)的转变。个人同意通常指个体对某项决策或行动的授权，而集体同意强调群体共同参与决策过程，确保多样化的观点被纳入。这种转变在人工智能伦理中尤为重要，因为AI系统可能影响整个社区甚至社会，需要更广泛的参与和认可。幻灯片中的图形左侧是单一的个人符号，右侧是由多个个体组成的多彩圆圈，象征着集体的多样性与合作。这种视觉化表达了从单一视角到多元视角的变化。举例来说，在数据隐私中，个人同意可能不足以保护群体利益，而集体同意可以更全面地考虑数据使用对整个社区的影响。这种转变有助于推动更公平和包容的AI发展。

这一页讲的是“Terms We Serve With”文章的主题，探讨技术公司与用户之间的权力与信息不对称问题。

这一页讲的是“Terms We Serve With”这篇文章的核心内容，重点分析了技术公司与用户之间的权力和信息不对称关系。幻灯片提到，这种不对称关系主要通过合同协议合法化，而这些协议未能为多样化群体提供公平的服务。这种现象反映了数字技术领域的结构性问题，尤其是如何影响不同群体的权利和体验。通过引入女性主义社会想象的视角，文章可能试图提出一种新的框架来重新思考技术公司与用户之间的关系。这一主题对于理解技术伦理和社会公平非常重要，尤其是在人工智能和数据治理的背景下。

这一页讲的是《女性主义数据宣言》(Feminist Data Manifest-No)，强调拒绝简化同意、反对殖民式数据文化与监控语言。

这一页讲的是《女性主义数据宣言》(Feminist Data Manifest-No)，主要围绕数据同意的伦理问题展开。首先，反对将同意简化为一次性行为，例如点击服务协议的“同意”按钮，并倡导采用 Planned Parenthood 的 FRIES 模型，即确保同意是“自愿的、可撤销的、知情的、热情的和具体的”。其次，拒绝将女性主义的集体安全话语用于合法化监控，强调安全不应被视为服从高科技殖民秩序的手段，而是通过集体安全和同意来增强韧性、减少伤害、促进团结和赋权。最后，批判殖民式的“同意伪装”，指出这种文化掩盖了暴力和强制的根源，倡导基于互惠关系的数据实践，特别是为原住民设计的公平数据政策。这一宣言强调了数据伦理的重要性，呼吁重新定义数据同意的标准，以保护个人权利和集体安全。

这一页讲的是毛利人和原住民的同意方式，包括个人和集体自主权的重要性，以及研究合作的伦理要求。

这一页讲的是毛利人和原住民的同意方式，强调从 te ao Māori（毛利世界观）的角度来看，同意不仅仅基于个人自主权，还需要考虑集体自主权（例如家庭 whānau 和部落 hapū 的重要性）。幻灯片提到，虽然伦理研究指南可能会表面上关注社会和文化敏感性（例如使用祈祷 karakia 或赠送礼物 koha），但这些方法可能流于形式，无法真正解决资源提取性实践的问题。此外，个人成员在某些情况下（例如基因数据的收集或传统知识 mātauranga 和口述 kōrero tuku iho 的分享）给予的同意，可能会对集体利益造成风险。最后，幻灯片强调研究应以合作的方式进行，而不是单纯的交易关系。这种合作方式能够更好地尊重原住民社区的文化和集体权益，避免损害或剥削。

这一页讲的是Deepfakes的主题，重点是其在AI伦理和社会中的影响。

这一页讲的是Deepfakes（深度伪造技术）的主题，主要探讨其在人工智能领域的伦理问题和社会影响。这项技术利用AI生成虚假的图像、视频或音频，常常以假乱真。幻灯片上的图标显示了一个扩音器和一个错误标记，暗示Deepfakes可能涉及虚假信息传播的问题。这一主题在课程COMPSCI 712: AI Agency, Ethics and Society中非常重要，因为它涉及AI技术的责任、隐私保护以及对公众信任的潜在威胁。例如，Deepfakes可以被用于伪造名人讲话或制造政治虚假信息，从而影响公众舆论。理解这一技术的伦理挑战对于AI开发者和政策制定者来说至关重要。

这一页讲的是学习目标的第二部分，主要包括理解deepfake的定义、分析其认知影响，以及探讨其在政治和社会领域的具体影响。

这一页讲的是学习目标的第二部分，重点关注三个方面。首先是理解什么是deepfake，它是一种利用人工智能生成伪造图像或视频的技术，能够以假乱真。其次是分析deepfake的认知影响（epistemological impact），即它如何影响人们对信息真实性的判断，可能导致信任危机或信息误导。最后是探讨deepfake在具体政治和社会领域的影响，例如在民主选举中，它可能被用来传播虚假信息，操纵公众舆论，甚至影响选举结果。这些目标旨在帮助学生全面了解deepfake技术的广泛影响及其潜在风险。

这一页讲的是深度伪造（deepfake）的定义及其与传统图像处理的关系。重点讨论深度伪造是否仅仅是伪造图像，并指出图像处理在维多利亚时代就已存在。

这一页讲的是深度伪造（deepfake）的定义及其历史背景。首先提出一个问题：深度伪造是否只是简单的伪造或经过处理的图像？接着指出图像处理并不是新鲜事物，早在维多利亚时代，商业摄影工作室就经常对普通肖像进行修饰，例如去除皱纹和雀斑，以及调整腰部线条，使其看起来更纤细。这表明图像处理的历史可以追溯到很久以前，而深度伪造是现代技术的延续和升级。通过这段历史背景，可以帮助我们理解深度伪造不仅仅是简单的图像修改，而是结合了人工智能技术的复杂生成过程。深度伪造的独特之处在于它能够生成高度逼真的图像或视频，常常会引发伦理和社会问题，例如隐私侵犯和误导行为。

这一页讲的是 Deepfake 的定义与特点。Deepfake 是通过深度学习技术生成的图像或音频，通常表现真实人物，并力求逼真。

这一页讲的是 Deepfake 的定义及其主要特点。Deepfake 是一种通过深度学习（deep learning）技术生成的图像或音频，既可以是静态的也可以是动态的。它通常表现真实的人物（包括生者和逝者），并且与传统的“cheapfakes”不同，后者使用较简单的工具（如 Photoshop）生成伪造内容。Deepfake 的核心目标是尽可能逼真，常常让观众难以分辨其真实性。此外，Deepfake 通常会让人物说或做一些他们实际上并未做过的事情，这也是“fake”部分的含义所在。举例来说，Deepfake 可以伪造一位公众人物发表某些言论，从而引发误导或争议。这种技术的复杂性和真实性使其在伦理和社会影响方面备受关注。

这一页讲的是Deepfake的定义，重点是通过数字技术合成源与目标图像，生成逼真的虚假内容。

这一页讲的是Deepfake的定义。Deepfake是一种通过先进的数字技术，将源图像与目标图像结合起来生成的图像或视频。这些内容在表面上看起来非常真实，通常表现为目标人物在做一些实际上并未发生的事情或说一些他们并未说过的话。幻灯片引用了Benn在2025年的著作《Deepfakes and Democracy》，进一步强调了Deepfake的虚假性和欺骗性。这种技术的重要性在于它对信息真实性的挑战以及潜在的社会影响，例如可能用于误导公众或损害个人声誉。图中的插图展示了两个看似真实的照片，但实际上这些内容是经过合成处理的，旨在帮助理解Deepfake如何通过视觉效果欺骗观众。

这一页讲的是深度伪造技术 (Deepfakes) 的主要用途，包括私人图像滥用和政治虚假信息的传播。

这一页讲的是深度伪造技术 (Deepfakes) 的用途。首先，它被广泛用于私人图像滥用和制作深度伪造色情内容，这是一种严重的隐私侵犯行为。此外，深度伪造还被用于诈骗和生成政治虚假信息，可能会对社会和个人造成巨大影响。页面提到了一篇来自《卫报》的文章，研究发现深度伪造欺诈已经在工业规模上发生，AI生成的内容可以针对任何个人进行定制。这表明深度伪造技术的滥用范围广泛且具有高度针对性。举例来说，某些诈骗者可能利用深度伪造技术伪造视频或音频，冒充某人以获取非法利益。这些用途提醒我们需要对深度伪造技术的潜在风险保持警惕，同时加强相关技术的监管和法律约束。

这一页讲的是深度伪造（Deepfakes）与同意（Consent）的伦理问题，强调同意的重要性。主要讨论了色情内容的制作与使用需获得当事人同意，以及深度伪造的特殊性。

这一页讲的是深度伪造（Deepfakes）与同意（Consent）的伦理问题。首先，它指出制作色情图像的同意与性行为的同意是不同的，强调了两者的区别。其次，作者提出一个核心观点：当图片被重新语境化为色情内容时，也需要获得当事人的同意。这说明同意不仅适用于内容的初始制作，还适用于内容的后续用途，例如深度伪造技术将个人图像转化为色情内容的情况。最后，幻灯片明确指出，无论何种形式的色情内容，只要涉及个人形象，都需要获得当事人的同意，深度伪造也不例外。这一讨论揭示了深度伪造技术在伦理和法律层面上的复杂性，强调了保护个人权益的重要性。例如，如果某人未经同意被制作成深度伪造的色情图像，这不仅侵犯了隐私，还可能对其声誉造成损害，因此同意是不可或缺的。

这一页讲的是深度伪造（Deepfakes）与政治选举的关系。重点包括深度伪造在选举中的误导性作用，以及研究对78个选举相关深度伪造案例的分析。

这一页讲的是深度伪造（Deepfakes）与政治选举的关系。深度伪造是一种利用人工智能技术生成虚假视频或音频的技术，可能被用来传播错误信息，尤其在政治选举中影响公众的判断。这张幻灯片提到了一项研究，分析了78个与选举相关的深度伪造案例，结论是政治误导并非完全由人工智能引发，而是更复杂的社会问题。这张图片中展示了真假信息并列的视觉效果，强调了深度伪造可能混淆公众对事实的认知。举个例子，如果某候选人的虚假言论通过深度伪造传播，可能会改变选民的投票意向。这一话题的重要性在于提醒我们需要提高对AI生成内容的辨别能力，同时制定相关规范以减少其负面影响。

这一页讲的是深度伪造（deepfake）的政治风险，重点包括“撒谎者红利”（liar's dividend）和虚假信息的传播对政治的影响。

这一页讲的是深度伪造（deepfake）技术可能带来的政治风险，特别是“撒谎者红利”（liar's dividend）的概念。深度伪造通过人工智能技术生成逼真的虚假视频或音频，可以误导公众，影响政治决策。例如，幻灯片中提到某政治人物因深度伪造视频而质疑真实信息的可信度，这反映了虚假信息的破坏性。所谓“撒谎者红利”指的是，当深度伪造技术广泛传播后，即使是真实信息也可能被公众怀疑为伪造，从而给那些试图掩盖真相的人提供了便利。这种现象可能削弱公众对媒体和政府的信任，导致社会分裂。深度伪造的政治风险不仅在于直接传播虚假信息，还在于间接影响公众对真实信息的判断能力。这一问题值得高度关注，以避免技术被滥用对社会造成负面影响。

这一页讲的是深度伪造技术（Deepfakes）如何削弱真相。主要指出它能制造“撒谎者的红利”，使公众对新闻真实性的信任下降。

这一页讲的是深度伪造技术（Deepfakes）如何削弱真相。它提到“撒谎者的红利”（Liar’s Dividend）这一概念：当公众意识到深度伪造的存在时，真实的证据也可能被质疑。例如，在2016年美国总统选举期间，如果深度伪造技术普及，特朗普可能会更容易质疑关于他吹嘘不当行为的录音真实性。这说明深度伪造不仅对个人声誉有影响，还可能改变公众对新闻和信息的信任态度。总体而言，随着公众对深度伪造威胁的敏感性提高，可能导致整体新闻可信度下降。这一页引用了 Chesney 和 Citron 的研究，强调了深度伪造对社会信任和信息真实性的深远影响。

这一页讲的是保护认知公共健康(epistemic public health)，强调深度伪造(Deepfakes)对社会认知健康的危害。

这一页讲的是保护认知公共健康(epistemic public health)，重点讨论深度伪造(Deepfakes)如何像其他形式的虚假信息一样，对社会的认知健康造成毒害。幻灯片引用了 Benn 的观点，指出即使是少量虚假信息，也足以污染我们其他的信念体系。为了应对所有图像可能是伪造的风险，极端怀疑主义成为唯一合理的应对方式，但这种怀疑主义可能让我们陷入认知孤立。尽管如此，这种怀疑能够帮助我们避免相信虚假信息，但代价是可能错过真实信息。这一观点强调了深度伪造对民主和社会信任的潜在威胁，并提醒我们在信息时代保持警惕的重要性。瓶子图像象征着虚假信息的毒性，形象化地表达了其对认知健康的危害。

这一页讲的是深度伪造技术（deepfakes）对哪些人群影响最大。重点包括深度伪造的社会危害及其对个人生活的破坏性影响。

这一页讲的是深度伪造技术（deepfakes）对哪些人群影响最大，尤其是其对个人生活和职业的破坏性影响。幻灯片中引用了一篇新闻报道，讲述了一位名叫 Sabrina Javellana 的女性，她原本是地方政治中的新星，但因深度伪造技术被恶意用作虚假色情内容，从而严重影响了她的声誉和生活。这表明深度伪造技术不仅对公众人物造成威胁，也对普通人群，尤其是女性，构成了严重的隐私侵犯和心理压力。这一问题的重要性在于，随着技术的发展，深度伪造变得越来越逼真和普及，社会需要更有效的法律法规和技术手段来应对其负面影响。

这一页讲的是深度伪造（Deepfakes）的潜在威胁及应对策略。重点包括应关注虚假信息的吸引力而非仅技术工具，以及数字素养的重要性。

这一页讲的是深度伪造（Deepfakes）是否值得担忧以及如何应对。幻灯片指出，虽然深度伪造确实令人担忧，但原因可能并非我们通常预期的那样。关键是要解决使虚假信息具有吸引力或说服力的因素，而不仅仅是专注于打击生成深度伪造的技术工具，例如水印（watermarking）。此外，强调了数字素养（digital literacy）、媒体素养（media literacy）和人工智能素养（AI literacy）的重要性，这些能力可以帮助公众更好地识别和应对深度伪造带来的问题。同时也提到，单纯依赖素养教育的方法可能存在局限性，因此需要结合其他策略。举例来说，与其仅开发技术手段检测深度伪造，更重要的是教育公众如何批判性地分析信息的真实性和来源，从而减少虚假信息的传播和影响。

这一页讲的是两个讨论问题，分别关于数据算法假设的挑战和企业伦理责任。

这一页讲的是两个讨论问题。第一个问题探讨 MASov 和 MDSov 提出的考虑因素，这些因素挑战了主流关于数据和算法的假设。MASov 和 MDSov 可能涉及解决数据偏差、算法公平性或隐私保护等问题，学生需要分析这些原则如何突破传统观点。第二个问题关注企业责任，要求讨论公司在不操纵或剥削客户方面的伦理界限。学生可以思考企业在数据使用、广告策略或产品设计中是否存在不可逾越的道德底线，例如透明度、保护消费者隐私和避免误导性信息。这些问题旨在引导深入思考技术与伦理的交叉点及其对社会的影响。