演算法身心障礙歧視危機：解構 Aon-ACLU 申訴案與深度 AI 治理的迫切需求

人力資本管理的分水嶺時刻

2024年5月，當美國公民自由聯盟（ACLU）就 Aon Consulting, Inc. 向美國聯邦貿易委員會（FTC）提出正式申訴時，人力資源領域的人工智慧格局發生了根本性的轉變。¹ 這項行政行動得到了自閉症自我倡導網絡（Autistic Self-Advocacy Network）及其他民權團體的支持，標誌著未受約束的演算法樂觀主義時代正式終結。² 十多年來，招聘技術供應商一直將其平台標榜為「無偏見」，並承諾複雜的機器學習模型可以消除人類招募中固有的主觀偏見。² 然而，針對 Aon 專有工具（ADEPT-15、vidAssess-AI 與 gridChallenge）的指控，揭露了演算法中立性承諾與技術歧視現實之間的嚴重脫節。¹

申訴指控 Aon 進行欺詐性行銷，聲稱其產品「提高多元性」且「無不利影響」，但實際上，這些工具可能會根據種族和身心障礙篩除合格的求職者。² 具體而言，ACLU 主張這些評估所衡量的特質（例如「積極性」、「情緒覺察」和「活力」），不僅對許多工作職位而言並非必要，而且還直接充當了與自閉症及各種心理健康狀況相關的臨床診斷標準的代理指標。² 對於像 Veriprajna 這樣的企業級 AI 諮詢機構而言，這起事件凸顯了整個行業的系統性缺陷：依賴膚淺的「外殼（wrapper）」技術，未能考慮行為數據與受保護特徵之間的深層因果關係。¹

此申訴的影響遠超出 Aon 本身。它向整個企業生態系統發出警告：「黑箱」抗辯——聲稱工具之所以公平是因為它在「大數據」上進行了訓練——在法律或倫理上已不再站得住腳。⁶ 以 FTC 為首並在美國平等就業機會委員會（EEOC）支援下的監管機構，正將重點從自願性指引轉向積極執行實質證明要求。⁶ 任何關於公平性的聲稱現在都必須有嚴格、透明且經驗證的實證支持。⁶

Aon 評估套件的架構解構

要理解當前「無偏見」論述的失敗，必須分析申訴中所指出工具的技術架構。這些工具代表了心理測量 AI 當前的「最先進技術」，使其對身心障礙偏見的脆弱性對業界尤其具有啟發性。¹⁰

ADEPT-15：演算法性格代理指標

適應性員工性格測驗（ADEPT-15）是一種演算法評估工具，其當前形式為 7.1 版本。¹⁰ 它被宣傳為基於 50 年心理測量學研究的先進性格測驗，利用包含 35 萬個獨特題目的龐大資料庫來評估 15 項性格構念。¹² 從技術上講，ADEPT-15 是一種電腦適應性測驗（CAT）。與傳統的靜態問卷不同，CAT 會根據應聘者先前的回答即時調整題目的難度和內容。¹⁰ 這旨在提高測量精度並減少「測驗疲勞」，但它引入了一層演算法複雜性，可能會掩蓋歧視路徑。¹⁰

該評估採用「強迫選擇」格式，呈現陳述句對（例如「我能與他人良好合作」或「人們說我沈著冷靜」），並要求應聘者選擇其同意的程度。¹⁰ 雖然這種設計旨在減輕「社會期望偏誤」（即應聘者試圖猜測「正確」答案的傾向），但它無意中增加了受試者的認知負荷和感官處理需求。⁵

心理測量構念（ADEPT-15）	Aon 定義的兩極特質	核心互動風格
驅動力	放鬆 vs. 專注	任務處理方式
結構性	宏觀格局 vs. 細節專注	認知處理
合作性	獨立 vs. 團隊導向	社交適應
敏感度	堅忍 vs. 富有同理心	情緒反應
謙遜	自豪 vs. 謙遜	自我認知
概念性	務實 vs. 抽象	問題解決
靈活性	一致 vs. 靈活	變革管理
精通度	執行 vs. 改進	技能習得
沈著	熱情 vs. 冷靜	壓力調節
積極性	憂慮 vs. 樂觀	觀點前景
覺察力	封閉 vs. 自我覺察	人際洞察
抱負	知足 vs. 奮進	成就驅動力
影響力	貢獻者 vs. 控制者	領導風格
自信魄力	謹慎 vs. 社交大膽	社交主動性
活力	內斂 vs. 外向	社交活力

ACLU 指出的技術缺陷在於，在神經多樣性的背景下，這 15 項構念並非中立的性格特質。⁴「活力」、「覺察力」和「積極性」是與典型神經發展社交表現高度吻合的特質。²當演算法懲罰「內斂」或「封閉」的回答時，它在實質上是在篩選典型神經特徵，而非工作勝任力。²

vidAssess-AI：典型神經特徵的表演

vidAssess-AI 平台將 ADEPT-15 性格模型整合到了非同步視訊面試形式中。¹⁰ 該工具記錄應聘者對預設問題的回答，然後利用自然語言處理（NLP）和語音轉文字演算法進行評分。¹⁷ Aon 聲稱，透過根據與其性格模型相關聯的「工作相關標準」對應聘者進行評分，該工具可產生「具法律辯護力」的報告。¹⁷

然而，在視訊分析中使用 AI 會引入研究人員所稱的「衍生性身心障礙歧視（emergent ableism）」。⁵NLP 模型是在主要反映典型神經者語音模式、語調抑揚和語言結構的龐大數據集上進行訓練的。¹⁶ 對於自閉症應聘者（其言語可能包含平淡的語調或非典型的停頓），或對於 ADHD 應聘者（可能表現出非線性的敘事結構），AI 的 NLP 引擎可能會將其解讀為「缺乏自信」或「條理不清」。²⁰

此外，ACLU 的申訴指出，Aon 的 vidAssess-AI 透過將口語內容（特定詞組和詞彙）與 ADEPT-15 中的性格構念相關聯來對回答進行評分。¹⁰ 這給神經多樣性個體帶來了「雙重劣勢」：他們不僅要接受回答內容的評判，還要接受機器透過帶有偏見的語言過濾器所解讀出的性格版本評判。²²

gridChallenge：認知障礙的遊戲化

該套件中的第三個工具 gridChallenge（3.0 版本）是一種專注於工作記憶的「遊戲化」認知評估。¹⁰ 它要求應聘者執行複雜的記憶任務（例如識別高亮圓圈的位置），同時執行對稱性評估等「干擾任務」。¹⁰ Aon 將這些遊戲化元素宣傳為提高「應聘者參與度」，但對於患有感官處理障礙或 ADHD 的個體而言，這些干擾因素可能導致感官超載，從而以一種與其實際工作相關認知能力無關的方式降低其表現。¹⁶

心理測量學與臨床診斷學的交會

ACLU 申訴中在法律和倫理上最重大的主張是：Aon 的問題「與自閉症／心理健康診斷高度吻合」。這意味著職場中的「性格」評估已暗中演變成一種形式的「醫療檢查」，這將直接違反《美國身心障礙者法案》（ADA）。⁴

透過將 ADEPT-15 構念與自閉症光譜量表（AQ）和 DSM-5 標準等標準臨床工具進行對照，兩者之間的重疊變得不可否認。²⁵ AQ 是一項包含 50 個題目的自評量表，評估五個領域的特質：社交技能、注意力轉移、對細節的專注、溝通和想像力。²⁵

臨床領域（AQ/DSM-5）	對應的 ADEPT-15 構面	歧視風險
社交技能／互動性	活力／自信魄力	懲罰自閉症光譜（ASD）常見的「內斂」溝通方式。
注意力轉移	靈活性／一致性	篩除偏好常規或深度專注的個體。
對細節的專注	結構性	過度高估或低估對細節的過度專注。
溝通／語用學	覺察力	誤解難以「領會言外之意」的特質。
情緒調節	沈著／積極性	將平淡的情感表達或與焦慮相關的反應病理化。

當像 ADEPT-15 這樣的 AI 驅動工具提出反映臨床標準的問題時（例如「我強烈專注於細節」或「我更喜歡獨自工作」），它會在應聘者的身心障礙狀況與錄用結果之間建立一條「隱性路徑」。⁵如果演算法被訓練為偏好「社交大膽」和「靈活」的應聘者，它將在數學和系統上排除自閉症個體，而無需詢問其診斷情況。⁵

監管範式轉變：從倫理到執法

FTC 對 Aon 的行動並非孤立事件；它是被稱為「AI 合規行動（Operation AI Comply）」的更廣泛監管打擊行動的基石。⁶該倡議表明，聯邦機構不再滿足於將「負責任 AI」作為企業社會責任（CSR）的宣傳流行語。相反地，他們正在對演算法產品嚴格適用消費者保護法和民權法。⁶

FTC：第5條與反欺詐授權

FTC 的主要武器是《聯邦貿易委員會法》第 5 條，該條款禁止「不公平或具欺詐性的行為或實踐」。⁴在 AI 背景下，FTC 明確表示「在缺乏充分證據的情況下誇大產品的 AI 或其他能力即構成欺詐」。⁹ 該機構已對 DoNotPay 等公司採取行動（該公司因對其 AI 法律服務提出未經證實的宣稱而面臨 $193,000 美元的罰款），並對 Rytr 因在生成虛假評論中的作用進行了處置。⁶

對於像 Veriprajna 這樣的深度 AI 解決方案供應商而言，訊息非常明確：對「無偏見」性能的每一項聲稱都必須有經驗證據支持。⁶FTC 已明確警告，供應商不能對其工具的差別性影響（disparate impact）「採取鴕鳥政策」。²未能進行嚴格的偏見稽核可能會導致被永久禁止銷售商業機會或部署高風險軟體。²⁹

EEOC：ADA 與「合理調整」條款

EEOC 強調，雇主對其向供應商購買的 AI 工具所造成的任何歧視負有法律責任。¹根據 ADA，雇主不得使用篩除或傾向於篩除身心障礙個體的甄選標準，除非該標準「與工作相關且符合業務必要性」。²³

監管要求	對企業的影響	潛在責任
AI 宣稱的實質證明	必須用數據證明「無偏見」斷言。	FTC 罰款、品牌受損、禁令。
合理調整	必須允許應聘者選擇退出 AI 篩選。	EEOC 訴訟、集體訴訟。
透明度／推論邏輯	必須解釋演算法為何拒絕某位使用者。	州／市級罰款（例如紐約市第 144 號地方律法）。
稽核義務	需進行年度獨立偏見稽核。	監管違規處罰。

EEOC 最近舉行的「因應 AI 中的就業歧視」公聽會強調，自動化系統是「民權的新前線」。³¹ 該委員會在 2024 財政年度已成功為歧視受害者爭取到數億美元的金錢救濟，而演算法偏見現已成為最高等級的執法重點。⁸

為何「外殼（Wrapper）」會失敗：深度 AI 與表面 AI 的本質區別

Aon 事件成為驗證 Veriprajna 定位的重要實證：「大型語言模型外殼（LLM wrapper）」模式從根本上無法滿足現代企業對公平性與安全性的標準。外殼僅僅是將數據傳遞給現有的基礎模型（例如 GPT-4）並呈現輸出。³² 然而，基礎模型並非中立；它們繼承了網際網路的「歷史數據偏見」。³⁴

遞迴偏見迴圈

機器學習模型是在歷史招募數據上訓練的，這些數據往往反映了數十年來對典型神經特徵和特定種族的偏好。¹⁶ 當 AI 模型部署後，其決策又會被用來作為未來訓練集的參考，從而形成一個邊緣化群體持續代表性不足的「持續迴圈」。¹⁶ 簡單的外殼無法打破這個迴圈，因為它缺乏區分真實工作資格與跟受保護特徵相關的「雜訊」所需的「因果表徵」。³⁶

大型語言模型中的衍生性身心障礙歧視

杜克大學的研究表明，大型語言模型系統性地將神經多樣性相關詞彙與負面含義聯繫在一起。⁵ 例如，「我患有自閉症」這句話在這些模型中通常被認為比「我是個銀行搶匪」更具負面意涵。⁵當這些相同的語言模型透過 API 外殼為招募工具提供支援時，它們會在開發者無意為之的情況下，將這些歧視性關聯嵌入到招募流程中。⁵

Veriprajna 深度 AI 誠信架構

為了避開 Aon 的 ADEPT-15 和「外殼」範式的陷阱，Veriprajna 採用了一種整合因果推論、對抗去偏和神經包容性互動設計的多層次技術策略。³⁶

1. 因果表徵學習（CRL）

Veriprajna 利用 CRL 來識別並消除偏見傳播的隱性路徑。³⁶ 傳統 AI 依賴相關性，但相關性正是歧視潛藏之處。CRL 在控制敏感資訊的同時，識別應聘者履歷檔案的「結構性特徵」。³⁶

該框架使用結構因果模型（SCM）來形式化依賴關係。若 代表受保護屬性（例如神經多樣性）， 代表應聘者特徵， 代表錄用結果，Veriprajna 設計的模型可確保「干預不變性」。³⁶ 這意味著用於最終決策的表徵在數學上與 隔離，使得：

透過確保即使該屬性在假設情況下發生改變，決策也不會改變，我們可以提供反事實公平性的數學保證。³⁶

2. 對抗去偏

處理中的偏見緩解是透過對抗訓練實現的。³⁹ 在這種架構中，主模型（「預測器」）被訓練以識別最佳應聘者，而次要模型（「對抗器」）則被訓練試圖從預測器的內部數據表徵中猜測應聘者的受保護特徵。³⁷

如果對抗器成功猜中，則意味著預測器仍在將受保護資訊用作表現的代理指標。系統隨後透過對抗損失函數「懲罰」預測器，迫使其「遺忘」帶有偏見的模式。³⁶ 這項技術對於消除視訊分析和性格評估中的偏見尤其有效，因為在這些場景中行為訊號可能會充當身心障礙的代理指標。³⁹

3. 反事實公平性稽核

VerityAI 不僅對群體層級的公平性進行稽核（例如「所有新進員工中是否有 10% 具有身心障礙？」）；我們還透過反事實模擬對「個人公平性」進行稽核。³⁸ 這涉及生成真實應聘者數據的合成變體——僅更改其敏感屬性，同時保持所有其他變數不變——以確保 AI 的建議保持一致。³⁸

緩解策略	技術目標	對公平性的影響
CRL／結構建模	隔離因果影響路徑。	防止代理變數歧視。
對抗訓練	最小化預測洩漏。	從模型邏輯中「剝離」受保護資訊。
反事實分析	確保個人層級的一致性。	保證相似應聘者獲得「同等待遇」。
公平感知正則化	對有偏見的結果增加「懲罰」。	迫使模型在準確性的同時優先考慮平等性。

為神經包容性設計：AI 的「社會模型」

Aon 申訴強調，大多數招募技術都是建立在身心障礙的「醫療缺陷」模型之上——將神經多樣性特質視為應當扣分的「問題」。⁴⁴ Veriprajna 提倡「精準神經多樣性」方法，將神經學差異視為人類大腦多樣性的自然體現。⁴⁴

時間與多模態彈性

標準 AI 評估通常會因應聘者反應時間緩慢或出現非典型非語言提示而對其進行懲罰。⁵深度 AI 解決方案必須實施「時間彈性」——認識到視訊面試中較長的反應時間可能是認知處理速度或焦慮的表現，而非缺乏勝任力。²⁰

Veriprajna 的架構優先考慮與個人基準線對齊的「跨通道融合管道」。⁴⁵ 這意味著 AI 會在面試初始階段學習該特定應聘者的「正常」表現模式，而不是將其與「典型神經平均水準」進行比較。⁴⁵

「替代路徑」要求

為了符合 ADA 和倫理標準，企業 AI 必須包含「人機協同（HITL）」和「退出」機制。²¹ 每次自動化面試或評估邀請都應包含明確的選項，以請求人工替代方案或「合理調整」而不會受到任何處罰。²¹

此外，Veriprajna 建議視訊工具轉向「純音訊」模式。²¹ 透過停用臉部分析功能，並僅專注於回答的轉錄內容，企業可以消除對神經多樣性應聘者 90% 的偏見，同時仍能受益於 AI 驅動的轉錄和摘要效率。²¹

企業治理：NIST AI RMF 實戰指南

從「外殼」文化轉向「深度 AI」文化需要董事會層級的治理。NIST AI 風險管理框架（RMF）為這一轉變提供了標準。⁴⁷

高階主管監督檢查清單

1.​ 建立負責任 AI 委員會：這應是一個跨職能機構，包括法務、人力資源、IT 以及外部身心障礙倡導代表。⁴⁹

2.​ 進行年度偏見稽核：這些稽核必須是獨立且由第三方進行的。正如 Aon 案例所表明的，依賴供應商提供的「模型卡」是一項法律隱患。¹

3.​ 實施「偏見演習」：正如企業進行網路安全滲透測試一樣，他們應模擬「最壞情況」的招募場景（例如，某個模型拒絕給予所有自閉症應聘者面試機會），以檢視其內部防護措施是否能捕捉到偏見漂移。⁵¹

4.​ 要求提供推論邏輯：供應商必須提供 AI 決策背後的「原因」。²¹ 如果供應商無法解釋其評分模型的邏輯，這就是一種「不可名狀」的黑箱風險，不應部署在高風險的招募環境中。²¹

風險等級與部署指標

NIST 定義了四個 AI 成熟度等級，從「部分」到「適應性」。⁴⁷ 對於企業招募而言，需要達到「適應性」成熟度水準。這意味著組織擁有系統化、文件化的流程來追蹤「歧視漂移」——即 AI 模型在與現實世界數據互動時隨著時間推移而變得更加有偏見的現象。⁴⁷

NIST RMF 功能	HR 領導者的行動項目	成功指標
GOVERN（治理）	建立董事會層級對 AI 結果的問責制。	零通報訴訟／申訴。
MAP（繪製）	記錄每個 AI 工具的目的和應用背景。	為每位被拒絕的應聘者提供清晰的「推論邏輯」。
MEASURE（度量）	使用 CRL 和基於 CRL 的工具執行持續偏見稽核。	人口統計平等差距 < 5%。
MANAGE（管理）	實施「合理調整」退出選項。	100% 符合 ADA 請求。

戰略啟示：為何這對高階管理層至關重要

Aon-ACLU 申訴案是 AI 時代的「煤礦中的金絲雀」。它證明了「廉價」AI 的代價呈指數級高於「深度 AI」的前期投資。⁵¹ 「外殼」解決方案可能在第一季度節省時間，但它會帶來巨大的法律、財務和聲譽責任，進而摧毀企業價值。⁵¹

防訴訟的卓越人才經濟

到 2027 年，全球人才經濟價值將達到 $30B。³⁷ 能夠證明其招募工具具備「唯才是用」且「與偏見無關」特性的企業，將在吸引頂尖人才方面獲得巨大的競爭優勢。³⁷ 特別是神經多樣性個體，在模式識別、細節專注和創造性問題解決方面擁有卓越的技能。⁵³ 使用 Aon 模式篩選的企業，正在系統性地篩除推動創新的核心人才。²¹

Veriprajna 的方法不僅僅是「避免」偏見；它能「釋放」人才潛能。³⁷ 透過用透明的「神經真實性」與因果邏輯取代不透明的「性格契合度」代理指標，我們使企業能夠打造一支不僅多元化、而且在工作績效上經過數學優化的員工隊伍。³⁷

「信任契約」

歸根結底，企業的 AI 政策是其與員工和客戶之間的「信任契約」。³² 為了維持這種信任，領導者必須跨越「無偏見」技術的行銷炒作，擁抱深度 AI 的紮實工程技術。這意味著要求實質證明、進行嚴格稽核，並設計同等重視「標準大腦」與「神經多樣性大腦」的系統。³²

Aon 申訴是一記警鐘。企業是時候停止做單純的「AI 使用者」，轉而成為「AI 架構師」了。³³ Veriprajna 致力於為這個未來提供藍圖——在那個未來，AI 不再是包容的障礙，而是人類潛能的終極賦能者。⁵³

引用文獻

1. Another Employer Faces AI Hiring Bias Lawsuit: 10 Actions You Can Take to Prevent AI Litigation | Fisher Phillips, 2026年2月6日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, https://catalystogc.com/ai-deception/

7. The FTC is on the Front Lines of AI Innovation & Regulation, 2026年2月6日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, https://app.getamsverified.com/product/aon-adept-15

13. Adept 15 Fact Sheet PDF | PDF | Cognitive Science | Psychology - Scribd, 2026年2月6日存取, 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日存取, https://arxiv.org/html/2501.10371v1

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

16. Hiring inclusively with AI: The dangers of screening out neurodiverse talent, 2026年2月6日存取, 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日存取, https://app.getamsverified.com/product/aon-vidassess-ai

18. Aon VidAssess AI vs HireVue Video Interviewing - Comparison - AMS Verified, 2026年2月6日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, https://pmc.ncbi.nlm.nih.gov/articles/PMC8859712/

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

27. AQ - Autism Spectrum Quotient Test - NovoPsych, 2026年2月6日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, https://iterate.ai/ai-glossary/counterfactual-fairness

39. Algorithmic Fairness in Recruitment: Designing AI-Powered Hiring ..., 2026年2月6日存取, 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日存取, 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日存取, 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日存取, https://arxiv.org/html/2505.12114v2

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

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

45. Designing Inclusive AI Interaction for Neurodiversity - ResearchGate, 2026年2月6日存取, 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日存取, 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日存取, 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日存取, 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日存取, 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日存取, https://verityai.co/blog/credit-scoring-ai-bias-testing

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

52. Navigating the NIST AI Risk Management Framework - Hyperproof, 2026年2月6日存取, 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日存取, 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日存取, 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日存取, https://www.mdpi.com/2673-2688/6/7/143