C计划

C计划是一家致力于批判性思维教育的机构。C计划的C,是指Critical Thinking(批判性思维),Civic Education(公民教育)。推广思辨教育,重塑公共理性。

喂,凭啥说我歧视你??

平等与公正,一直是C计划倡导的核心价值。反歧视也一直是中国社会的重要议题。我们在不同的场合,讨论过儿童歧视,性别歧视,LGBT歧视,艾滋歧视。但发现关于歧视,人们却还有很多基本概念并不清晰。这一篇全是干货的科普文,希望能让你在面临歧视问题时,有着更加清晰的思路与分析框架。


文|蓝方


1. 歧视是 不公正 的区别对待

歧视,discrimination,英文原意,即为区别对待。

但是(敲小黑板),区别对待,并不一定都是歧视

歧视是基于偏见的,针对某个群体不公正的区别对待,且通常是排斥性的区别对待。


2. 判断公正与否,核心在于排斥的特质与需要评价的特质相关与否

如何判断什么是合理的区别对待,什么又是歧视?

来看两个简单的例子:

1) 一线消防员招聘,不招女生——请问这是歧视吗?

2) 企业财务岗位招聘,明确提出不招河南人——请问这是歧视吗?


一个合理的区别对待是什么样的?

理由1:A标准评价的是p特质

理由2:X和Y有本质的不同,X具有p特质,Y不具有p特质

结论:X符合A标准,Y不符合A标准

 

例如:

理由1:一线消防员招聘,评价的是应聘人员的身体素质,具体的标准是应聘人员的体能测试成绩;

理由2:X和Y在体能测试成绩上有本质的不同:X合格,Y不合格

结论:录取X,不录取Y

对X和Y的区别对待,显然是合理的,而非歧视。

 

那什么样的推理方式才是歧视呢?

理由1:A标准,评价的是特质p

理由2:XY两个人在p特质上没有本质的不同 or Y具有q特质,但q特质并不影响他的p特质(无关)

结论:X符合A标准;Y不符合A标准

 

例如:

理由1:一线消防员招聘,评价的是应聘人员的身体素质,具体的标准是应聘人员的体能测试成绩;

理由2:X和Y在体能测试上分数完全一样;Y是女生,但女性这一身份没有影响她的体能表现

结论:录取X,不录取Y

仅仅因为Y是女生,而最终拒绝录用——这就是歧视。

自己试试看用这个框架分析河南人的例子?

 

3. 歧视的产生,往往都基于偏见,尤其是绝对概括的思维谬误

歧视究竟怎么产生的?问题往往出在理由2上:人们误以为当事人Y的q特质,影响了他的p特质。

背后是这样一个典型的三段论:

大前提:具有q特质的人,都不具有p特质;

小前提:他具有q特质

结论:他一定不具备p特质

 

例如一些拒绝招聘河南人的企业,背后的逻辑是这样的:

1)企业招聘要求应聘人必须诚实守信;

2)河南人都是骗子(对不起河南同胞让你们躺枪,我家小C也是河南人……)

3)他是河南人

4)他一定不诚实

结论:不能招聘他

河南人都是骗子?只要一个反例,整个推论就不再成立。

见到某一个群体的某一些人具有某个负面特征,进而推论至这个群体所有人都具有某个负面特征——这就是典型的绝对概括。

 

4. 使用标签提高筛选效率是可以理解的,但你需要反思你的标签是否成立,在涉及公民基本权利的问题上必须尤其慎重

往往讲完第三点,就会有很多小伙伴站出来反对——

你说的不对!企业不招河南人,消防员不招女生——背后并不是绝对概括,而是基于合理概率。

 

例如:

1)企业招聘要求应聘人必须诚实守信;

2)大多数河南人是骗子(对不起让你们继续躺枪……)

3)他是河南人

4)他很可能不诚实

结论:最好不要招聘他

 

怎么判断一个人是否诚实守信?

我们其实有很多精确度比“河南人”这个标签高得多的办法——例如,你可以去调查应聘者的征信档案,你可以对他做尽职调查。

用这些方法来筛选,精确度更高,但也意味更高的成本。

标签最大的意义,就是帮助我们提升认知效率、降低筛选成本——它是人们认知经验的沉淀,往往代表着大概率事件。

 

但是,我们必须要思考两个问题:


1)你的标签准确吗、成立吗?

大多数河南人是骗子——你的大多数,究竟是怎么得出来的?

我们依靠的,通常是归纳概括:

见到的第一个A,具有b特征;

第二个A,也有b特征;

……

n个A,都有b特征。

人们得出结论:大多数A都有b特征。

 

归纳概括,是基于人的经验。而任何人的经验,都是有限的。再严谨的科学统计,也是在基于一定的样本,对总体做出预测。抽样越科学,对总体作出的预测,自然也就越靠谱。

那你的“大多数”,是来自你的知识积累——读过相对严谨的社科调查、统计报告?还是完全基于你的亲身经验?

通过亲身经历来进行归纳概括,充分性往往都非常低:你的样本量非常有限;而且这有限的样本,往往会因为你社交圈子的局限性,而集中在某个阶层、某个文化程度、某个地域,无法代表总体的多样性,或者说和整体的多样性有着较大偏差。


2)“大多数”要大到什么程度才可接受?

假如,现在有实证数据显示,河南人口中的骗子比例只有0.01%,或者说并不比其他省份更高——显然,因为这0.01%的可能性排除掉所有河南人,是明显的歧视。

那假如这个比例高达98%呢(纯属虚构)?以此为标签排除掉所有的河南人是否就可以接受了呢?那2%会因此受委屈的正直的河南人,他们的权利是不是就不予考虑了呢?

 

这背后,其实就是筛选效率与公民权利之间的衡平。

在什么情况下,标签的准确性必须达到或者接近100%才可接受,什么情况下,可能差不多就行了?

这其实,就是每个国家反歧视的立法与司法实践反复博弈的议题。

 

例如,在美国的司法实践中,提出了三种标准。如果涉及种族、言论、宗教等基本权利,法院将适用最严格的审查标准;其次,基于性别、非婚生子女等特征、涉及重要权利的区别对待,则适用中度审查标准;再次,有关贫富、性倾向及社会经济权利的区别对待,所适用的审查标准则是最宽松的合理审查标准。

 

在中国,在目前的《就业促进法》中,需要最严格审查的几个标签,包括性别、民族、残障、城乡户籍和传染病病原携带者。

 

简单来说,区别对待涉及的权利越重大、越基础,审查的标准究越严格,对区别对待的标准q,与选择规则的实质性要求p,之间的关联度的要求就越高。

看完这么多,对于如何判断歧视与否,有没有更清晰一些?

至于一个人有没有“权利”歧视他人——这又是另一个很有意思的话题。下次继续和大家分享~


有什么疑问,欢迎在留言区相互讨论哦~



發佈評論

看不過癮?

馬上加入全球最高質量華語創作社區,更多精彩文章與討論等著你。