学者谈算法歧视认定标准：大数据杀熟造成差别对待不必然构成歧视(9)

2.差别对待目的与区分事由间的合理关联性。合理关联是指具有正当且必要的关联。如信贷资格的分配与用户的守约程度（如是否依约定偿还贷款）之间具有合理关联，但与用户的消费习惯则无必要关联，尽管后者可能反映用户的经济水平和消费理性程度；又如差别定价与用户特殊需求往往具有必要正当关联，但与用户的价格敏感度则无必要关联，后者并非实质的交易条件，算法控制者以后者作为差别定价的依据，不符合正当的交易习惯。
合理关联的证明首先要求算法控制者揭示真实的区分事由。在算法控制者使用代理标签进行区分决策的情形下，由于代理标签与决策目的之间关联较为疏远，算法控制者须主动揭示真实的区分事由，才能完成合理关联的证明。可见，合理关联证明义务客观上有利于解决真实区分事由的认定问题。合理关联性还要求算法控制者证明不存在其他可替代的、能够防止或者缓解不利后果的区分事由。算法控制者主张区分事由不可替代时，用户可提出可替代性事由或其他相反证明。
3.差别对待的合比例性。差别对待合比例性证明具体包括两个层面：一是差别对待的区分事由与不利后果之间具有合比例性；二是差别对待的不利后果与决策目的之间具有合比例性。
区分事由与不利后果之间的合比例性，要求算法控制者在复合的区分事由中，为各区分事由设置合理权重。区分事由在决策目的实现中的作用程度，应与其所生后果的差别性和不利性程度相匹配，次要的区分事由不应主导差别对待。此一证明义务，要求算法控制者阐明特定区分事由在决策目的实现中的具体作用和所占权重，并证明二者具有合比例性。以某讯的征信评分算法为例，其以守约指数（如是否如期偿还信用卡借款）、安全指数（如个人信息是否准确、账户安全性是否足够高）、财富指数（如个人资产状况）、消费指数（如消费偏好、消费频率）以及社交指数（如用户的人脉关系）作为评价指标，对用户进行信用评分［11］。算法控制者必须揭示各指数在征信评分中的作用及其权重分布，并说明权重分布的合比例性。显然，守约指数与信用评分的关联最为紧密，其在信用评估中应占最高权重，而消费指数、社交指数仅与信用存在间接的、不稳定的关联，权重设置应当处于低位。
若该评分算法将消费指数和社交指数作为主要的评分指标，则存在区分事由与差别不利后果的比例失当，可能构成对消费频率较低者或者社交偏保守者的歧视。
差别对待的合比例性还包括不利后果与决策目的之间的合比例性，此种合比例性旨在防止算法控制者过分规避商业风险，损害用户利益。为实现效益最大化，算法控制者可能倾向于利用信息优势，一边摒弃风险用户，一边从“合格”用户处极力攫取利益以作弥补。在此种利益补偿机制中，双边用户都沦为算法控制者的牺牲品。不利后果与决策目的间的合比例性，意在规制算法控制者恣意的趋利避害，要求算法控制者在实现商业目的时，尽可能减轻针对用户的不利对待。如在利用信用评分算法进行贷款审批时，算法控制者应灵活配置贷款资格、贷款额度、增信措施、偿还期限等要素，以适用于信用评分不同的用户，而不能为了规避风险，一概剥夺信用评分偏低群体的贷款资格。不利后果的合比例性还要求算法控制者采取措施缓解不利后果，如优化算法模型、为用户提供反馈渠道等。算法控制者主张不存在消除或缓解不利后果的措施的，用户可以提出相反证明。