設計級別01：形式與功能

誰是使用者？

您是否正在為黑人女性開發產品？還是老年人？富有的非二元者？瑞典的LGBTQ+者？住在加州的亞裔孩子？

您的產品如何客製？

例如您將如何處理特定性別的生物力學、人體測量學、生理學和物理強度？又或者是膚色，例如臉部識別？您是否正在考慮年輕人和老年人的力量和靈巧度有何不同？

您在哪些方面關注產品中使用的材料和生產方法對環境的影響？

它是由當地採購的材料製成的嗎？可以重複使用嗎？它是由回收材料製成的嗎？您知道您產品的碳足跡嗎？

包容性碰撞測試假人

關鍵交織因素：年齡、種族、社會性別、生理性別

在控制體重的情況下，在類似的碰撞事故中，女性司機遭受重傷的可能性比男性高47%。碰撞測試假人被設計為代表中型男性（5'7”/166 磅）；第5個百分位數的女性假人（4'9”/104 磅）只是這個男性標準的縮小版本。這些小假人經常被放置在乘客座位上，這強化了性別刻板印象，且無法保護女性司機。

在幾乎所有的碰撞類型中，老年人都更有可能遭受嚴重傷害，而老年女性骨折的風險最大。

亞洲人口的身高和體重平均低於美國成年人。 密西根大學的馬特里德教授（Professor Matt Reed）開發了虛擬假人，可以根據美國和日本人口的身高、體重和年齡進行調整。

臉部辨識

關鍵交織因素：社會性別、生理性別

我們能否超越性別的二元概念？自動化性別辨識Automatic Gender Recognition（AGR）總是無法“看到”跨性別者，尤其是在轉換過程期間。性別確認賀爾蒙療法Gender-affirming hormone therapy（HT）可以重新分配臉部脂肪並改變臉部的整體形狀。而辨識系統若能著重於眼睛（或眼周）區域可能會產生更好的結果，因為與其他面部區域相比，該區域受變化的影響較小。然而，跨性別族群可能不希望受到臉部識別技術的影響。

Google的Cloud Vision API不再將圖像標記為「男人」或「女人」，因為這強化了二元性別。它現在使用中性標籤：「人」。

脈搏血氧儀

關鍵交織因素：種族、生理性別

自動給皂機不適用於膚色較深的人。這是為什麼？近紅外技術不會從膚色較深的手上反彈、關閉電路和分配肥皂。更嚴重的是，心率監測器，甚至 Fitbits，都不適用於膚色較深的人。這可能會使他們面臨心臟病等嚴重疾病的風險。用於測量血液中氧含量的脈搏血氧儀會高估皮膚較深患者血液中的氧含量。如果氧氣的補充不足，他們就會面臨器官衰竭的風險。

對於女性來說，血氧儀也可能不準確，她們的手指通常更小，按幾何學原理來看也與男性不同。而黑人女性的誤測率可能最高。

機器學習中的數據偏差

關鍵交織因素：民族、地理位置

電腦視覺經常錯誤地標記來自不同地理位置和民族的圖像。美國傳統新娘穿著白色（右）的照片被正確標記為「新娘」、「禮服」、「女人」、「婚禮」，但北印度新娘（左）的照片卻被錯誤標記為「表演藝術」、「紅色」、「服裝」。

為什麼會這樣？在這種情況下，數據是有偏差的。超過45%的ImageNet數據來自美國（ImageNet是當時促進電腦視覺發展的資料庫），而美國的人口僅佔世界人口的 4%。相較之下，中國和印度佔了世界人口的 36%，加起來卻僅佔了ImageNet數據的3%。資料庫需要再捕捉更適切的民族和地理多樣性之數據。