算法残障歧视危机：解构怡安（Aon）与 ACLU 申诉案及深度 AI 治理的紧迫性

人力资本管理的分水岭时刻

2024 年 5 月，当美国公民自由联盟（ACLU）向美国联邦贸易委员会（FTC）针对怡安咨询公司（Aon Consulting, Inc.）提起正式申诉时，人力资源领域的人工智能格局发生了根本性转变。¹ 这项获得自闭症自我倡导网络（Autistic Self-Advocacy Network）及其他民权组织支持的行政行动，标志着不受约束的算法乐观主义时代的决定性终结。² 十多年来，招聘技术供应商一直将其平台标榜为“无偏见”，承诺复杂的机器学习模型能够消除人类招聘中固有的主观偏见。² 然而，针对怡安专有工具——ADEPT-15、vidAssess-AI 和 gridChallenge——的指控，揭示了算法中立性承诺与技术歧视现实之间的严重脱节。¹

该申诉指控怡安从事欺诈性营销，声称其产品能够“提升多样性”且“无不良影响”，而在实践中，这些工具很可能基于种族和残疾筛除合格的求职者。² 具体而言，ACLU 认为这些评估考量了“积极性”、“情绪意识”和“活力”等特质，这些特质不仅对许多工作岗位并非必需，而且直接充当了与自闭症及各类心理健康状况相关的临床诊断标准的代理指标。² 对于像 Veriprajna 这样的企业级 AI 咨询机构而言，这一事件凸显了行业内的系统性失败：即依赖浅层的“封装器”技术，未能考量行为数据与受保护特征之间的深层因果关系。¹

该申诉的影响远不止于怡安。它向整个企业生态系统敲响了警钟：“黑箱”抗辩——即声称工具因基于“大数据”训练而具备公平性——在法律和伦理上均已不再站得住脚。⁶ 以 FTC 为首并在美国平等就业机会委员会（EEOC）支持下的监管机构，正将其工作重心从自愿性指导方针转向对证据证明要求的强力执法。⁶ 任何关于公平性的声明现在都必须具备严谨、透明且实证的证据支持。⁶

怡安评估套件的架构解构

要理解当前“无偏见”叙事的破产，必须分析申诉中所指涉工具的技术架构。这些工具代表了心理测量 AI 当前的“前沿水平”，因而其对残疾偏见的脆弱性对整个行业尤其具有借鉴意义。¹⁰

ADEPT-15：算法化人格代理指标

自适应员工人格测试（ADEPT-15）是一项算法评估工具，其当前版本为 7.1 版。¹⁰ 它被宣传为基于 50 年心理测量学研究的高级人格测试，利用包含 350,000 个独特题目的庞大数据库来评估 15 个人格构念。¹² 在技术上，ADEPT-15 属于计算机自适应测试（CAT）。与传统的静态问卷不同，CAT 会根据求职者先前的回答实时调整题目的难度和内容。¹⁰ 这旨在提高测量精度并减少“测试疲劳”，但它引入了一层可能掩盖歧视路径的算法复杂性。¹⁰

该评估采用“迫选”格式，呈现陈述对（例如，“我与他人合作良好”或“人们说我很沉着”），并要求求职者选择其认同程度。¹⁰ 虽然该设计旨在缓解“社会赞许性偏见”——即求职者试图猜测“正确”答案的倾向——但它无形中增加了受试者的认知负荷和感官处理要求。⁵

心理测量构念（ADEPT-15）	怡安定义的两极	核心互动风格
驱动力	放松 vs. 专注	任务处理方式
条理性	大局观 vs. 细节关注	认知处理
合作性	独立 vs. 团队导向	社交取向
敏感度	坚忍 vs. 富有同理心	情绪反应性
谦逊度	自豪 vs. 谦逊	自我认知
概念性	务实 vs. 抽象	问题解决
灵活性	始终如一 vs. 灵活应变	变革管理
精通度	执行 vs. 改进	技能获取
镇定度	热情 vs. 平静	压力调节
积极性	担忧 vs. 抱有希望	心态前景
觉察力	封闭 vs. 具自我觉察	人际洞察力
抱负	满足 vs. 进取	成就驱动
影响力	贡献者 vs. 控制者	领导风格
决断力	谨慎 vs. 社交大胆	社交主动性
活力	矜持 vs. 外向	社交能量

ACLU 指出的技术故障点在于，在神经多样性的语境下，这 15 个人格构念并非中立的人格特质。⁴“活力”、“觉察力”和“积极性”是与神经典型者的社交表现密切相关的特质。²当算法对“矜持”或“封闭”的回答进行扣分时，它在功能上是在筛选神经典型性，而非工作胜任力。²

vidAssess-AI：神经典型性的表演

vidAssess-AI 平台将 ADEPT-15 人格模型整合到了非同步视频面试形式中。¹⁰ 该工具记录求职者对预设问题的回答，然后利用自然语言处理（NLP）和语音转文本算法进行评分。¹⁷ 怡安声称，通过对照与其人格模型关联的“工作相关标准”对求职者进行评分，该工具能生成一份“具备法律抗辩力”的报告。¹⁷

然而，在视频分析中使用 AI 引入了研究人员所称的“突现性残疾歧视”。⁵NLP 模型是在主要反映神经典型者言语模式、韵律和语言结构的庞大数据集上训练出来的。¹⁶ 对于自闭症求职者（其言语可能包含平淡语调或非典型停顿），或对于可能表现出非线性叙事结构的 ADHD 求职者，AI 的 NLP engine 可能会将其解读为“缺乏自信”或“条理混乱”。²⁰

此外，ACLU 的申诉指出，怡安的 vidAssess-AI 通过将口头用词内容（特定短语和词汇）与 ADEPT-15 中的人格构念相联系来对回答进行评分。¹⁰ 这给神经分歧个体造成了“双重劣势”：评判他们的不仅是其回答的内容本身，还有通过带有偏见的语言过滤器表达出来的、经由机器解读的人格版本。²²

gridChallenge：认知障碍的游戏化

该套件中的第三个工具 gridChallenge（3.0 版）是一种侧重于工作记忆的“游戏化”认知评估工具。¹⁰ 它要求求职者执行复杂的记忆任务——例如识别高亮圆圈的位置——同时执行对称性评估等“干扰任务”。¹⁰ 怡安宣传这些游戏化元素能够增加“求职者投入度”，但对于患有感官处理障碍或 ADHD 的个体而言，这些干扰项可能导致感官过载，从而以一种与其真正的工作相关认知能力无关的方式拉低其表现。¹⁶

心理测量学与临床诊断学的交汇

ACLU 申诉文件中在法律和伦理上最为重大的主张是：怡安的问题“与自闭症/心理健康诊断高度吻合”。这表明职场中的“人格”评估已悄然演变为一种变相的“体检/医学检查”，而这将直接违反《美国残疾人法案》（ADA）。⁴

通过将 ADEPT-15 构念与自闭症谱系商数（AQ）和 DSM-5 标准等常规临床工具进行对照映射，这种重叠变得无可否认。²⁵ AQ 是一项包含 50 个项目的自评量表，用于评估五个领域的特质：社交技能、注意力转换、细节关注、沟通交流和想象力。²⁵

临床领域（AQ/DSM-5）	对应的 ADEPT-15 维度	歧视风险
社交技能 / 互动互惠性	活力 / 决断力	对自闭症谱系障碍（ASD）典型的“矜持”沟通进行惩罚。
注意力转换	灵活性 / 始终如一	筛除偏好例行常规或深度专注的个体。
细节关注	条理性	过度高估或低估对细节的过度专注。
沟通 / 语用学	觉察力	误读在“听懂弦外之音”方面的困难。
情绪调节	镇定度 / 积极性	将平淡情感或与焦虑相关的反应病理化。

当像 ADEPT-15 这样由 AI 驱动的工具提出与临床标准如出一辙的问题（例如，“我极度专注于细节”或“我更喜欢独自工作”）时，它就在求职者的残疾状况与录用结果之间建立了一条“隐蔽路径”。⁵如果算法被训练为青睐“社交大胆”和“灵活应变”的求职者，它就会在完全无需询问其诊断的情况下，系统性且数学化地排斥自闭症个体。⁵

监管范式转变：从伦理探讨到硬性执法

FTC 对怡安采取的行动并非孤立事件；它是一项被称为“AI 合规行动”（Operation AI Comply）的更广泛监管整肃行动的基石。⁶该行动表明，联邦机构不再满足于将“负责任 AI”仅作为企业社会责任（CSR）的宣传流行词。相反，他们正在对算法产品适用严格的消费者保护法和民权法。⁶

FTC：《联邦贸易委员会法》第 5 条与反欺诈指令

FTC 的主要武器是《联邦贸易委员会法》第 5 条，该条款禁止“不公平或欺诈性的行为或做法”。⁴在 AI 语境下，FTC 已明确指出，“在缺乏充分证据的情况下夸大产品的 AI 或其他能力属于欺诈行为”。⁹ 该机构已经对 DoNotPay 等公司采取了行动（该公司因对其 AI 法律服务做出未经证实的声明而面临 $193,000 的罚款），并对涉嫌生成虚假评论的 Rytr 进行了查处。⁶

对于像 Veriprajna 这样的深度 AI 解决方案提供商而言，传达的信息十分明确：每一项关于“无偏见”性能的主张都必须拥有实证数据的支持。⁶FTC 已明确警告，供应商不得对其工具所造成的不利差别影响“采取鸵鸟政策”。²未能开展严谨的偏见审计可能会导致被永久禁止销售商业机会或部署高风险软件。²⁹

EEOC：ADA 与“合理便利”条款

EEOC 强调，雇主对其从供应商处购买的 AI 工具所造成的任何歧视承担法律责任。¹根据 ADA，雇主不得使用会筛除或倾向于筛除残障人士的选拔标准，除非该标准“与工作相关且符合业务必要性”。²³

监管要求	企业影响	潜在法律责任
AI 主张的实证证明	必须用数据证明“无偏见”断言。	FTC 罚款、品牌声誉受损、行业禁令。
合理便利	必须允许求职者选择退出 AI 筛选。	EEOC 诉讼、集体诉讼。
透明度 / 推理逻辑	必须解释算法拒绝某位用户的原因。	州/市级罚款（例如，纽约市第 144 号地方性法规）。
审计义务	要求进行年度独立偏见审计。	监管违规处罚。

EEOC 最近就“应对 AI 中的就业歧视”举行的公开听证会强调，自动化系统是“民权的新前沿”。³¹ 该委员会在 2024 财年已成功为歧视受害者争取到了数亿美元的经济赔偿，而算法偏见如今是其首要执法重点。⁸

为何“封装器”会失效：深度 AI 与表层 AI 的本质区别

怡安事件为 Veriprajna 的定位提供了关键佐证：“LLM 封装器”模型从根本上无法满足现代企业对公平与安全的要求。封装器仅仅是将数据传递给现有的基础模型（如 GPT-4）并呈现输出结果。³² 然而，基础模型并非中立；它们继承了互联网的“历史数据偏见”。³⁴

递归偏见闭环

机器学习模型是在历史招聘数据上训练出来的，而这些数据往往反映了数十年间针对神经典型者和特定种族的偏好。¹⁶ 当 AI 模型部署后，其决策会被用来填充未来的训练集，从而形成一个边缘化群体持续处于代表性不足状态的“持续闭环”。¹⁶ 简单的封装器无法打破这一循环，因为它缺乏区分真正的工作资质与同受保护特征相关的“噪声”所需的“因果表征”。³⁶

大语言模型中的突现性残疾歧视

杜克大学（Duke University）的研究表明，LLM 系统性地将神经多样性相关术语与负面含义联系在一起。⁵ 例如，这些模型往往认为“我患有自闭症”这句话比“我是个银行劫匪”更为负面。⁵当这些相同的语言模型通过 API 封装器为招聘工具提供支持时，它们会在开发者完全无意的情况下将这些歧视性关联嵌入招聘流程中。⁵

Veriprajna 的深度 AI 完整性框架

为了摆脱怡安 ADEPT-15 和“封装器”范式的陷阱，Veriprajna 采用了一种融合了因果推断、对抗性去偏和神经包容性交互设计的多层技术策略。³⁶

1. 因果表征学习（CRL）

Veriprajna 利用 CRL 来识别并消除偏见流动的隐蔽路径。³⁶ 传统的 AI 依赖相关性，而相关性正是歧视潜藏之处。CRL 在控制敏感信息的同时，识别求职者画像的“结构特征”。³⁶

该框架使用结构因果模型（SCM）来形式化依赖关系。若 代表受保护属性（例如神经多样性）， 代表申请人特征， 代表录用结果，Veriprajna 设计模型以确保“干预不变性”。³⁶ 这意味着用于最终决策的表征在数学上与 隔离，使得：

通过确保即使在假设改变属性 的情况下决策也不发生变化，我们能够提供反事实公平性的数学保证。³⁶

2. 对抗性去偏

流程中偏见缓解是通过对抗训练实现的。³⁹ 在该架构中，主模型（“预测器”）经过训练以识别最佳求职者，而副模型（“对抗器”）经过训练，试图从预测器的内部数据表征中猜测求职者的受保护特征。³⁷

如果对抗器成功猜出，这意味着预测器仍在将受保护信息作为绩效的代理指标。随后系统通过对抗性损失函数对预测器施加“惩罚”，迫使其“消除”有偏见的模式。³⁶ 该技术在消除视频分析和人格评估中的偏见方面尤为有效，因为在这些场景中行为信号可能会充当残疾的代理指标。³⁹

3. 反事实公平性审计

VerityAI 不仅审计群体层面的公平性（例如，“录用者中是否有 10% 为残障人士？”）；我们还通过反事实模拟来审计“个体公平性”。³⁸ 这涉及生成真实求职者数据的合成变体——在保持所有其他变量不变的情况下仅改变其敏感属性——以确保 AI 的推荐建议保持一致。³⁸

缓解策略	技术目标	对公平性的影响
CRL / 结构建模	隔离因果影响路径。	防止代理变量歧视。
对抗训练	最大限度减少预测泄漏。	从模型逻辑中“剥离”受保护信息。
反事实分析	确保个体层面的一致性。	保证对相似申请人的“同等待遇”。
公平感知正则化	对有偏见的结果增加“惩罚项”。	迫使模型在追求准确性的同时优先考虑平等性。

为神经包容性而设计：AI 的“社会模型”

怡安申诉案凸显了大多数招聘技术都建立在残疾的“医疗缺陷”模型之上——将神经多样性特质视为应当被扣分的“问题”。⁴⁴ Veriprajna 倡导一种“精准神经多样性”方法，该方法将神经学差异视为人类大脑多样性的自然表现形式。⁴⁴

时间与多模态弹性

标准 AI 评估通常会因回答时间慢或非典型非语言暗示而对求职者进行扣分。⁵深度 AI 解决方案必须实施“时间弹性”——认识到视频面试中更长的回答时间可能是认知处理速度或焦虑的体现，而非缺乏胜任力。²⁰

Veriprajna 的架构优先采用与个体基线对齐的“跨通道融合流水线”。⁴⁵ 这意味着 AI 会在面试初始阶段学习该特定求职者的“常态”表现，而不是将其与“神经典型均值”进行生硬对比。⁴⁵

“替代路径”指令

为符合 ADA 和伦理标准，企业 AI 必须包含“人在回路”（HITL）和“退出”机制。²¹ 每一次自动化面试或评估邀请都应包含明确选项，允许申请人申请人工替代方案或“合理便利”，且不受任何惩罚。²¹

此外，Veriprajna 建议视频工具向“仅限音频”转型。²¹ 通过停用面部表情分析功能并仅关注回答的转录文本内容，企业可以消除 90% 针对神经分歧求职者的偏见，同时仍能享受 AI 转录与总结带来的高效便利。²¹

企业治理：NIST AI RMF 实践指南

从“封装器”转向“深度 AI”文化需要董事会级别的治理。NIST AI 风险管理框架（RMF）为这一转变提供了标准。⁴⁷

高管监督清单

1.​ 设立负责任 AI 委员会：这应该是一个跨职能机构，成员涵盖法务、人力资源、IT 以及外部残障权益倡导代表。⁴⁹

2.​ 开展年度偏见审计：审计必须由独立第三方进行。正如怡安案例所表明的，依赖供应商提供的“模型卡”是一项法律风险隐患。¹

3.​ 实施“偏见消防演练”：正如企业开展网络安全渗透测试一样，他们应模拟“最坏情况”招聘场景——例如，某个模型拒绝给所有自闭症申请人面试机会——以检验其内部防护机制能否捕捉到这种漂移。⁵¹

4.​ 索取推理逻辑：供应商必须提供 AI 决策背后的“原由”。²¹ 如果供应商无法解释其评分模型的逻辑，这就是一种“无法审查”的风险，不应部署在高风险的招聘环境中。²¹

风险分级与部署指标

NIST 定义了从“部分”到“自适应”的四个 AI 成熟度等级。⁴⁷ 对于企业招聘，要求达到“自适应”成熟度级别。这意味着组织拥有一套系统化、文档化的流程来追踪“歧视漂移”——即 AI 模型随着时间推移在与现实世界数据交互过程中变得越来越有偏见的现象。⁴⁷

NIST RMF 功能	HR 负责人的行动项	成功衡量指标
治理（GOVERN）	建立董事会级别的 AI 结果问责制。	诉讼/申诉报告数量为零。
测绘（MAP）	记录每个 AI 工具的目的与应用语境。	为每位被拒绝的求职者提供清晰的“推理逻辑”。
度量（MEASURE）	使用 CRL 及基于 CRL 的工具进行持续偏见审计。	人口统计学平等差距 < 5%。
管理（MANAGE）	落实“合理便利”退出机制。	100% 遵从 ADA 请求。

战略启示：为何高管层必须重视此议题

怡安-ACLU 申诉案是 AI 时代的“煤矿金丝雀”。它证明了“廉价”AI 的后期代价呈指数级高于对“深度 AI”的前期投入。⁵¹ “封装器”解决方案可能在第一季度节省时间，但它会带来巨大的法律、财务和声誉风险隐患，从而摧毁企业价值。⁵¹

免于诉讼风险的人才经济

到 2027 年，全球人才经济规模预计将达到 $30B。³⁷ 能够证明其招聘工具“任人唯贤”且“不受偏见影响”的企业，将在吸引顶尖人才方面拥有巨大的竞争优势。³⁷ 特别是神经多样性个体，在模式识别、细节把控和创造性问题解决方面拥有非凡的才能。⁵³ 使用怡安式筛选工具的企业，正在系统性地将推动创新的核心人才拒之门外。²¹

Veriprajna 的方法不仅在于“规避”偏见，更在于“解锁”人才潜力。³⁷ 通过用透明的“神经真实性”与因果逻辑取代不透明的“性格契合度”代理指标，我们助力企业构建一支不仅多元化、而且在工作绩效上经过数学优化的员工队伍。³⁷

“信任契约”

归根结底，企业的 AI 政策是其与员工及客户之间的一份“信任契约”。³² 为了维系这种信任，领导者必须摆脱“无偏见”技术的营销炒作，拥抱深度 AI 的硬核工程。这意味着要求证据支持、开展严谨审计，并设计同等重视“标准大脑”与“神经多样性大脑”的系统。³²

怡安申诉案是一份行动号召。企业是时候告别单纯的“AI 使用者”身份，转而成为“AI 架构师”了。³³ Veriprajna 致力于为这一未来提供蓝图——在那个未来，AI 不再是包容的障碍，而是释放人类潜能的终极赋能器。⁵³

引用文献

1. Another Employer Faces AI Hiring Bias Lawsuit: 10 Actions You Can Take to Prevent AI Litigation | Fisher Phillips, 2026年2月6日访问, https://www.fisherphillips.com/en/news-insights/another-employer-faces-ai-hiring-bias-lawsuit.html

2. ACLU Files FTC Complaint Against Major Hiring Technology Vendor for Deceptively Marketing Online Hiring Tests as “Bias Free” | American Civil Liberties Union, 2026年2月6日访问, https://www.aclu.org/press-releases/aclu-files-ftc-complaint-against-major-hiring-technology-vendor-for-deceptively-marketing-online-hiring-tests-as-bias-free

3. ACLU complaint to the FTC regarding Aon Consulting, Inc. | American Civil Liberties Union, 2026年2月6日访问, https://www.aclu.org/documents/aclu-complaint-to-the-ftc-regarding-aon-consulting-inc

4. 1 FEDERAL TRADE COMMISSION Washington, DC 20580 ... - ACLU, 2026年2月6日访问, https://assets.aclu.org/live/uploads/2024/05/In-re-Aon-Consulting_FTC-Act-complaint_052924.pdf

5. When Algorithms Learn to Discriminate: The Hidden Crisis of Emergent Ableism, 2026年2月6日访问, https://www.techpolicy.press/when-algorithms-learn-to-discriminate-the-hidden-crisis-of-emergent-ableism/

6. FTC's Stance on AI Deception: Implications for Companies - Catalyst Legal, 2026年2月6日访问, https://catalystogc.com/ai-deception/

7. The FTC is on the Front Lines of AI Innovation & Regulation, 2026年2月6日访问, https://www.ftc.gov/system/files/ftc_gov/pdf/ai-accomplishments-1.17.25.pdf

8. 2024 Annual Performance Report | U.S. Equal Employment Opportunity Commission, 2026年2月6日访问, https://www.eeoc.gov/2024-annual-performance-report

9. United States of America - Federal Trade Commission vs. AI: misleading marketing of AI and the harming of consumers - Knowledge Centre Data & Society, 2026年2月6日访问, https://data-en-maatschappij.ai/en/publications/federal-trade-commission-vs-ai-misleidende-marketing-rond-ai-en-het-schaden-van-consumenten

10. Final vidassess model card - ACLU, 2026年2月6日访问, https://assets.aclu.org/live/uploads/2024/10/Model-Cards-for-gridChallenge-ADEPT-15-and-vidAssess.pdf

11. The Critical Role of Research in the Fight for Algorithmic Accountability | TechPolicy.Press, 2026年2月6日访问, https://www.techpolicy.press/the-critical-role-of-research-in-the-fight-for-algorithmic-accountability/

12. Aon ADEPT-15 - AMS Verified, 2026年2月6日访问, https://app.getamsverified.com/product/aon-adept-15

13. Adept 15 Fact Sheet PDF | PDF | Cognitive Science | Psychology - Scribd, 2026年2月6日访问, https://www.scribd.com/document/643380773/adept-15-fact-sheet-pdf

14. What we learned while automating bias detection in AI hiring systems for compliance with NYC Local Law 144 - arXiv, 2026年2月6日访问, https://arxiv.org/html/2501.10371v1

15. Free ADEPT-15 Assessment Personality Practice Guide [2026] - JobTestPrep, 2026年2月6日访问, https://www.jobtestprep.com/adept-15-test

16. Hiring inclusively with AI: The dangers of screening out neurodiverse talent, 2026年2月6日访问, https://workplacejournal.co.uk/2025/08/hiring-inclusively-with-ai-the-dangers-of-screening-out-neurodiverse-talent/

17. Aon VidAssess AI - AMS Verified, 2026年2月6日访问, https://app.getamsverified.com/product/aon-vidassess-ai

18. Aon VidAssess AI vs HireVue Video Interviewing - Comparison - AMS Verified, 2026年2月6日访问, https://app.getamsverified.com/comparison/aon-vidassess-ai-vs-hirevue-video-interviewing

19. Prevalence of bias against neurodivergence-related terms in artificial intelligence language models - PMC, 2026年2月6日访问, https://pmc.ncbi.nlm.nih.gov/articles/PMC12233132/

20. Neurodivergence and the Rise of AI in Hiring: What HR Needs to Know - Enna Global, 2026年2月6日访问, https://enna.org/neurodivergence-and-the-rise-of-ai-in-hiring-what-hr-needs-to-know/

21. Exploring the Impact of AI Bias on Neurodivergent Candidates in HR Practices - CiteHR, 2026年2月6日访问, https://www.citehr.com/654245-impact-ai-bias-hr-practices-case-study.html

22. Fairness and Discrimination Risks in Neuro-Augmented AI Hiring: A Framework for Proactive Algorithmic Auditing - ResearchGate, 2026年2月6日访问, https://www.researchgate.net/publication/399936340_Fairness_and_Discrimination_Risks_in_Neuro-Augmented_AI_Hiring_A_Framework_for_Proactive_Algorithmic_Auditing

23. List of EEOC Disability-Related Technical Assistance Documents, 2026年2月6日访问, https://www.eeoc.gov/eeoc-disability-related-resources/list-eeoc-disability-related-technical-assistance-documents

24. Artificial Intelligence and the ADA | U.S. Equal Employment Opportunity Commission, 2026年2月6日访问, https://www.eeoc.gov/eeoc-disability-related-resources/artificial-intelligence-and-ada

25. Autism screening tests: A narrative review - PMC - NIH, 2026年2月6日访问, https://pmc.ncbi.nlm.nih.gov/articles/PMC8859712/

26. Clinical Testing and Diagnosis for Autism Spectrum Disorder - CDC, 2026年2月6日访问, https://www.cdc.gov/autism/hcp/diagnosis/index.html

27. AQ - Autism Spectrum Quotient Test - NovoPsych, 2026年2月6日访问, https://novopsych.com/assessments/diagnosis/autism-spectrum-quotient/

28. Disability Bias in AI: How and Why to Audit - Warden AI, 2026年2月6日访问, https://www.warden-ai.com/resources/disability-bias-in-ai-how-and-why-to-audit

29. Artificial Intelligence | Federal Trade Commission, 2026年2月6日访问, https://www.ftc.gov/industry/technology/artificial-intelligence

30. AI Bias in Hiring: Algorithmic Recruiting and Your Rights - Sanford Heisler Sharp, 2026年2月6日访问, https://sanfordheisler.com/blog/2025/12/ai-bias-in-hiring-algorithmic-recruiting-and-your-rights/

31. EEOC History: 2020 - 2024 | U.S. Equal Employment Opportunity Commission, 2026年2月6日访问, https://www.eeoc.gov/history/eeoc-history-2020-2024

32. Beyond the Hype: A Strategic Guide to LLM Model Cards for the Enterprise | by Boopathi Sarvesan | Dec, 2025 | Medium, 2026年2月6日访问, https://medium.com/@boopathisarvesan/beyond-the-hype-a-strategic-guide-to-llm-model-cards-for-the-enterprise-dc1feff63cc4

33. Mitigating bias: Integrating generative AI, foundation and large language models in enterprise workflows - Eightfold AI, 2026年2月6日访问, https://eightfold.ai/engineering-blog/mitigating-bias-integrating-generative-ai-foundation-and-large-language-models-in-enterprise-workflows/

34. AI and Bias in Recruitment: Ensuring Fairness in Algorithmic Hiring. - Journal of Informatics Education and Research, 2026年2月6日访问, https://jier.org/index.php/journal/article/download/3262/2632/5894

35. Fair or Flawed? How Algorithmic Bias is Redefining Recruitment and Inclusion, 2026年2月6日访问, https://exploratiojournal.com/fair-or-flawed-how-algorithmic-bias-is-redefining-recruitment-and-inclusion/

36. Causal Representation Learning for Bias Detection in AI Hiring ..., 2026年2月6日访问, https://www.ijcaonline.org/archives/volume187/number74/guyyala-2026-ijca-926254.pdf

37. (PDF) Bias Mitigation in AI Hiring Through Neurocognitive Data ..., 2026年2月6日访问, https://www.researchgate.net/publication/400103841_Bias_Mitigation_in_AI_Hiring_Through_Neurocognitive_Data_Analysis

38. Counterfactual Fairness - Iterate.ai, 2026年2月6日访问, https://iterate.ai/ai-glossary/counterfactual-fairness

39. Algorithmic Fairness in Recruitment: Designing AI-Powered Hiring ..., 2026年2月6日访问, https://pathofscience.org/index.php/ps/article/view/3471

40. Causal Representation Learning for Bias Detection in AI Hiring Systems, 2026年2月6日访问, https://www.ijcaonline.org/archives/volume187/number74/causal-representation-learning-for-bias-detection-in-ai-hiring-systems/

41. Bias & Fairness Testing for AI: Demographic Audits & Ethical Compliance - Testriq, 2026年2月6日访问, https://www.testriq.com/blog/post/bias-fairness-testing-for-ai

42. Behind the Screens: Uncovering Bias in AI-Driven Video Interview Assessments Using Counterfactuals - arXiv, 2026年2月6日访问, https://arxiv.org/html/2505.12114v2

43. Algorithmic Fairness Testing Tools - AI Ethics Lab - Rutgers University, 2026年2月6日访问, https://aiethicslab.rutgers.edu/glossary/algorithmic-fairness-testing-tools/

44. Precision neurodiversity: personalized brain network architecture as ..., 2026年2月6日访问, https://pmc.ncbi.nlm.nih.gov/articles/PMC12647089/

45. Designing Inclusive AI Interaction for Neurodiversity - ResearchGate, 2026年2月6日访问, https://www.researchgate.net/publication/396644400_Designing_Inclusive_AI_Interaction_for_Neurodiversity

46. Algorithmic Bias in Artificial Intelligence and Mitigation Strategies - Tata Consultancy Services, 2026年2月6日访问, https://www.tcs.com/what-we-do/products-platforms/tcs-bancs/articles/algorithmic-bias-ai-mitigation-strategies

47. NIST AI Risk Management Framework: A tl;dr - Wiz, 2026年2月6日访问, https://www.wiz.io/academy/ai-security/nist-ai-risk-management-framework

48. NIST AI Risk Management Framework: A simple guide to smarter AI governance - Diligent, 2026年2月6日访问, https://www.diligent.com/resources/blog/nist-ai-risk-management-framework

49. Safeguard the Future of AI: The Core Functions of the NIST AI RMF - AuditBoard, 2026年2月6日访问, https://auditboard.com/blog/nist-ai-rmf

50. Credit Scoring AI Bias Testing: Beyond Basic Fairness Checks for Financial Institutions, 2026年2月6日访问, https://verityai.co/blog/credit-scoring-ai-bias-testing

51. AI Bias Mitigation Strategies for Reliable Enterprise AI - Appinventiv, 2026年2月6日访问, https://appinventiv.com/blog/reducing-bias-in-ai-models/

52. Navigating the NIST AI Risk Management Framework - Hyperproof, 2026年2月6日访问, https://hyperproof.io/navigating-the-nist-ai-risk-management-framework/

53. AI in creating inclusive work environments for neurodiverse employees - ResearchGate, 2026年2月6日访问, https://www.researchgate.net/publication/397757972_AI_in_creating_inclusive_work_environments_for_neurodiverse_employees

54. Inclusive by Design: An Employer's Guide to Neurodiversity at Work - Morgan McKinley, 2026年2月6日访问, https://www.morganmckinley.com/ie/article/inclusive-design-employers-guide-neurodiversity-work

55. Designing Artificial Intelligence: Exploring Inclusion, Diversity, Equity, Accessibility, and Safety in Human-Centric Emerging Technologies - MDPI, 2026年2月6日访问, https://www.mdpi.com/2673-2688/6/7/143