성평등 관점에서 본 국내 AI 윤리와 정책 담론: 접근성, 편향 및 지식의 재개념화를 중심으로
Discourse on AI ethics and policy from a gender equality perspective: Focusing on accessibility, bias, and the reconceptualization of knowledge
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
이 연구는 한국의 ‘사람이 중심이 되는 인공지능 윤리기준’ 및 이를 기반으로 이루어지는 인공지능 윤리 및 AI 관련 정부 정책에 대한 담론 분석을 통해, AI 윤리 기준과 정책에서 고려되어야 할 성평등 이슈가 무엇인지를 제기하고자 한다. 현재 한국의 정책 담론에는 젠더 이슈를 별도로 제기하지 않고 다양성 관점에서 접근성 보장 및 편향의 제거를 핵심 과제로 설정 하고 있다. 이때 접근성의 문제가 기존의 정보 격차 모델에 따라 평가되어 AI 기술 이해와 활용의 문제를 다루기 어렵다. 또한, 편향이 제거된 세계를 핵심 과제로 설정할 경우, 편향 제거를 위한 데이터 투입과 조정 과정에서 기존의 차별적 범주를 재생산하는 반면 현실 세계의 편향을 발생시키는 사회적 구조는 논의되지 못한다. AI 노동 영역에 대한 정책 담론은 인재 양성이나 산업 발전의 중심으로 하는 추격 담론을 중심으로 형성되어, 노동 현장과 개인의 노동권에 미치는 영향에 대한 논의의 틀을 마련하지 못했다. 이 연구는 AI와 성평등 논의에서 구조적 관점과 차이의 존중이 없이 통계적 평균에 근거한 편향의 최소화만을 윤리 기준으로 삼는 것에서 벗어나 노동의 가시화, 돌봄 윤리 고려, 다양한 지식의 데이터화를 비롯한 보다 다층적인 성평등 관점의 접근이 필요하다고 주장한다.
Abstract
This study analyzes South Korea’s “people-centered AI ethics standards” discourse and related government policies to highlight gender equality issues that should be considered in AI ethics standards and policies. Currently, South Korea’s policy discourse does not address gender issues separately; instead, it sets accessibility and bias removal as core tasks from a diversity perspective. However, accessibility issues are evaluated using existing information gap models, which makes it difficult to address problems related to understanding and utilizing AI technology. Furthermore, when eliminating bias is set as a core task, the process of inputting and adjusting data to remove bias may reproduce existing discriminatory categories. Meanwhile, the social structures that generate bias in the real world remain undiscussed. Discourse on AI labor policy has centered on a catch-up discourse focused on talent cultivation and industrial development. This discourse has failed to establish a framework for discussing the impact on workplaces and individual labor rights. This study argues that discussions on AI and gender equality must move beyond an ethical standard that minimizes bias based solely on statistical averages. This standard fails to consider structural perspectives or respect differences. A more multi-layered approach to gender equality is required, including visualizing labor, considering care ethics, and digitizing diverse knowledge.