案主效價:AIGC時代社會工作介入的技術偏見與實踐邏輯

[摘要] 引導人工智能科學地應用于社會工作領域是順應時代發展、強化循證實踐、實現科技賦能的必備環節。既有研究表明，人工智能展現的進步優勢往往伴隨著技術偏見和負面反饋。本文通過提煉“案主效價”的概念，闡釋社會工作領域在人工智能時代的發展標靶與實踐邏輯。生成式人工智能所帶來的技術偏見，包括技術分配偏見、技術認知偏見和技術判斷偏見。三種技術偏見與傳統社會工作的核心價值取向相對應。在新舊機制交融碰撞的過程中，挖掘出社會工作應然的技術實踐邏輯。當下應當警惕的是人工智能賦能介入實踐的梗阻因素，把握中國社會工作的時代內涵和技術潮流。

[關鍵詞] 案主效價" 人工智能" 社會工作介入" 技術偏見

[基金項目] 本文系國家自然科學基金青年項目“基于縱向追蹤數據庫的孤獨癥家庭抗逆力演變機制與靶向干預研究”（項目編號：72404045）、教育部人文社會科學研究青年基金項目“困境兒童網絡風險識別與網絡素養培育的干預研究”（項目編號：24YJCZH073）的初期成果。

[作者簡介] 郭思佳，大連海事大學公共管理與人文藝術學院副教授，碩士生導師，研究方向為兒童社會工作、社會工作介入;雷鈞安（通訊作者），吉林大學哲學社會學院博士研究生，研究方向為城鄉社會學、社會工作。

[中圖分類號] C916

[文獻標識碼] A

[文章編號] 1008-7672（2024）06-0045-11

一、 引言

人工智能（Artificial Intelligence，AI）自誕生之日起，就代表著新一輪科技革命的重要驅動力，推動著人類實踐實現跨越式延展，業已成為全球各國爭相占領的技術高地。隨著OpenAI于2022年年底推出最新自然語言處理技術支持的人工智能聊天機器人ChatGPT（Chat Generative Pre-trained Transformer），人工智能生成內容（AI-Generated Content，AIGC）成為繼專業生成內容和用戶生成內容之后的內容生產方式。AIGC是基于機器學習的生成式AI自動創造或超逼真合成的具有較強新穎性的內容，包括文本、圖片、音頻、視頻等。①大型語言模型（Large Language Model，LLM）加持下的AICG，例如ChatGPT、文心一言和通義千問，在各領域中均表現出了巨大的應用潛力，從根本上改變了人類解決問題的方式，重塑了數字信息交互以及與他人交流的方式，引發了人們對自動化內容生成技術的空前興趣。盡管在應用AIGC的過程中，“人—機”交互是最直觀的方式，但其所充當角色的本質是“輔助式的中介”。在此基礎上，AI的實踐屬性更傾向于基于大量數據的“預測”，并以此為媒介為人與人的溝通和聯結架起數字化的橋梁。②由此觀之，社會工作天然具有應用AIGC技術的適配性。一方面，社會工作是傳統“人與人”互動的領域;另一方面，社會工作是一種前瞻性的實踐，預測性質的工具適用于社會工作③，例如兒童社會工作涉及對兒童未來安全和風險的評估。因此，社會工作領域也開始探索適應和擁抱新技術的道路。

赫爾辛基大學的研究員圖卡·萊赫蒂涅米（Tuukka Lehtiniemi）從預測和預期的角度闡述了AI的情境性社會效價（Contextual social valences）。④他主張，為使人工智能在社會工作中發揮效用，必須將其視作一種輔助人類專家知識創新過程的工具，而非單純的知識成果生產工具。更確切地說，隨著人工智能技術滲透至新的敏感應用領域，人們不應期待其具備普遍的價值和性能，而應密切關注AI的情境性社會效價。強調情境化特征符合社會工作“人在情境中”的理念，但歸根結底最關鍵的要素還是“人”。社會工作是專業的助人活動，這一活動也必然會產生社會工作者與案主之間遵循專業規范行事的專業關系以及因情感等因素產生聯結的多元化的人際關系。⑤這種多元化不僅體現于種族和性別之上，而且還由人與人之間的代際決定。⑥因此，維持關系的基礎必須建立于社會工作者對不同人群所抱有的“同理心”之上。質言之，社會工作介入的實效性依賴于社會工作者對案主真實情感的把握，而這恰恰是目前AIGC技術所欠缺的。

建立于LLM上的AIGC技術，核心就是通過大量文本數據訓練，實現“上下文理解”，以通過生成式表達來展現其對文字的理解。這也就導致AIGC本身并不具備同理心、創造力和靈巧性。以ChatGPT為例，它特別擅長拼湊文本、營造出似是而非的回答，因而被戲稱為“隨機鸚鵡”（Stochastic Parrot）。AI沒有同情、關愛之類的“感同身受”的感覺，既無法在情感方面實現與人類的真正互動，也無法給他人帶去關懷。此外，盡管AI非常擅長針對單一領域的任務進行優化，使目標函數達到最優值，但它無法選擇自己的目標，無法跨領域構思，無法進行創造性的思考，也難以靈活地運用那些對人類而言不言自明的常識。換言之，AI針對不同屬性的案主所生成的介入方案，不可避免地存在著技術偏見，無法以案主的真實情感為切入點進行干預。

AI技術中的偏見被定義為決策過程中的系統性錯誤，從而導致不公平的結果。①以往社會工作領域中的AI技術應用主要集中在研究從環境中提取信息②③，以及基于模擬的介入和工作培訓④。這時AI的技術偏見累積的負面效應尚未突顯。而AIGC技術的引入無疑為社會工作帶來了前所未有的機遇，但隨著其產出內容的海量增長，原本訓練數據中的偏見和扭曲不僅被放大，還在持續迭代中形成愈來愈難以打破的惡性循環。這意味著擁抱技術的最終目的并非將社會工作移交給大數據模型和計算機，而是發揮社會工作者的主觀能動性為有需要的案主提供更優質的服務。因此，識別并解決人工智能中的偏見問題至關重要，解決偏見才可確保這些系統對所有用戶都能保持公平公正。基于AIGC技術中“人”所扮演角色的特殊性，本文提出“案主效價”（Client Valence）概念，以期對AIGC時代社會工作介入的實踐邏輯展開討論。

二、 傳統社會工作介入的價值取向及動向回顧

傳統社會工作在長期的實踐過程中形成了一套完整的運作體系。AI的出現，無論是賦能還是解離，都對社會工作造成了極大的影響，甚至是顛覆。欲要解析和回應這種變化，需要對傳統社會工作的價值取向及其發展動向進行回顧和分析。

（一） 傳統社會工作介入的價值取向

自社會工作誕生至今，其價值取向的內涵不斷豐富和發展。社會工作作為一門專業，其核心價值取向是指導實踐、塑造專業形象以及確保服務質量。無論是美國社會工作者協會給出的價值取向，還是費利克斯·比斯特克（Felix Biestek）歸納的價值體系，都深刻揭示了社會工作介入的核心價值，主要涉及以下三點。其一，責任是社會工作者對其工作、服務對象以及社會所承擔的義務和職責。社會工作者需要盡職盡責地提供服務，確保服務的質量和效果，以滿足服務對象的需求和期望。他們還需要對服務對象的問題和需求保持敏感和關注，積極尋求解決方案，并與服務對象共同制定和實施干預計劃。責任還要求社會工作者遵守專業倫理和法律法規，確保服務的合法性和正當性，同時對自己的行為和決策負責，勇于承擔可能的后果和責任。其二，公正是社會工作的基石，它要求社會工作者在實踐過程中，始終保持公平、正義和無偏見的態度。這意味著社會工作者需要關注并努力消除任何形式的歧視和不平等，確保所有人，無論其背景、身份或需求如何，都能平等地獲得服務和支持。公正還要求社會工作者在處理案件和決策時，保持客觀和中立，不偏袒任何一方，確保服務的公正和透明。其三，尊重體現了對每個人的獨特性、價值和尊嚴的深刻認識和珍視。社會工作者需要尊重服務對象的意愿、選擇和決定，即使他們的觀點或行為與社會常規或主流價值觀不同。這種尊重不僅體現在言語和行為上，更需要在態度和情感上給予服務對象充分的認同和理解。尊重還要求社會工作者在服務過程中保持禮貌、友善和同理心，以建立信任和促進良好的溝通關系。

（二） 傳統社會工作介入的動向回顧

實踐是社會工作基礎和介入理論發展至今的落腳點。一直以來，傳統社會工作始終圍繞助人自助的專業稟賦開展介入服務。基于此，傳統社會工作介入的動向主要集中于完善介入流程、革新介入模式和提高介入效果等方面。其一，干預流程的完善在于個案、小組和社區工作流程的通用化和特色化。這兩種特征是由社會工作領域的特點決定的，并不矛盾。一方面，社會工作者們通過長時間的介入實踐逐漸總結起一套行之有效的干預流程，而社會工作所服務的案主癥結具有很強的相似性，這就意味著通用化的介入流程能夠幫助社會工作者提高工作效率;另一方面，特色化則是針對特殊群體、特殊研究需要而專門發展所呈現出來的特征。由于個體心理及其經歷的復雜性，社會工作要針對特殊情況進行適配，不可能畢其功于一役。例如，在個案工作中，社會工作者根據事件中案主不同的反應狀態，判定是否需要進行危機介入，而不是完全遵循通用過程。再如小組工作中，社會工作者借鑒循證醫學的實證路徑，采用實驗法、半隨機或完全隨機對照試驗的方法驗證小組干預效果。以隨機對照試驗為例，學界公認的CONSORT流程包括招募（Enrollment）、分配（Allocation）、隨訪（Follow-up）、分析（Analysis）。這些流程遞進式地為循證社會工作實踐提供保障。其二，基于社會工作領域的介入模式，目前已經開發出認知行為治療、優勢視角、焦點解決短期治療等多元化的介入模式，并具有與之配套的介入手冊，以規范社會工作實踐。學界對介入模式的探索并未止步于此，而是憑借多年的研究逐步發展出整合干預的模式，即根據案主特征和本土特征，將兩種或多種介入模式有機結合起來進行實踐。這種方式的好處在于能夠最大限度地提高介入的適配性。近年來這種方式越發見諸社會工作領域。以優勢視角為例，針對不同群體，優勢視角也可與不同模式結合，如面向殘疾人的優勢—殷盛模式（Strength-based Flourishing Intervention）①、應用于大一新生的單階段優勢—認知模式（Single-session Character-strength-based Cognitive Intervention）②。其三，前述兩種動向或多或少涉及介入效果的提高，除此之外，為了提高大樣本介入實踐的效果，學界逐漸開始主張模塊化的介入思路。一方面，在一個大樣本中，根據現實原則將這些樣本劃分為不同批次、不同類別，分開進行干預。社會工作師在減輕干預壓力的同時，將干預內容以更加精準的方式傳遞給每一位案主。另一方面，加強對同項目社會工作師的培訓和科學化監督。在介入活動開始前，對每一位社會工作師進行統一培訓，使之具備相似的干預能力。在每節活動結束時，通過量表對每一位社會工作師進行操作檢驗，例如尋解保真度量表③。總的來說，社會工作介入的發展動向始終圍繞著“人”，既包括案主，也包括社會工作者。盡管AI能夠通過大量案例分析以推進社會工作介入模式的迭代與更新，但卻使社會工作領域的傳統價值取向出現了極易被忽視的松動。

三、 人工智能時代社會工作介入的技術偏見

從AI誕生之日起，人類社會就從未停止對現有AI賦能方法路徑的討論。代碼和模型邏輯交織形成的AI處理單元，盡管從某種意義上是毫無保留地執行了人類所輸入的指令，并在一定程度上保護了現代民主文化④，但其固有的非情感、非創造和不靈活性致使隱含的技術偏見左右了輸出的結果。此外，應用技術的主體以為自己身處科技前沿，但可能也正在落入技術偏見的圈套之中。因此，在媒介與代碼無處不在的社會中，主體的自由意志不得不面向技術的規訓與重塑。⑤在AI背景下，技術偏見可能源自多個方面，包括數據收集、算法設計和人類解釋。①②對于社會工作領域而言，偏見主要反映在組織、方案和流程之中。

（一） 責任削弱：組織中的技術分配偏見

訓練LLM必須建立在大量文本數據基礎之上。這些模型通過閱讀和分析書籍、文章、對話等數據，學習語言結構和用法，類似于背誦并學習大量文本的“人”。訓練所用文本數據的質量與數量對模型生成內容至關重要。質量不佳或價值觀不符的數據會影響模型生成內容的方向。數量不足則可能導致模型總結語言規律不全面、不準確或表達生硬。這表明AIGC天然具有滋生技術分配偏見的土壤，而且會使這種偏見更加明顯和復雜。這是目前AI技術的客觀情況，但放大消極作用的是技術的使用者。技術更關乎資源的優化配置，更涉及社會工作組織之間、組織內成員之間的利益分配和權力關系，以及案主的權益。復雜的利益沖突必然會削弱責任，弱化案主與社會工作者之間的責任關系。一方面，在宏觀上，政府購買社會工作服務時所選擇的服務機構、項目以及投入的資金都可能成為放大技術分配偏見的來源。一旦獲得項目扶持，社會工作機構便能夠迅速訓練自身的LLM，而后續如果政府更傾向于支持那些已經擁有先進AIGC技術的機構，就會出現“勝者全得”的情況，所有資源自然而然地向頭部機構集中。極端的競爭也更易出現“劣幣驅逐良幣”的情景。在資源分配與競爭中，這無形削弱了社會工作機構本該擔負的責任。無論是哪種情況，其他機構都可能因資源匱乏而難以提供同樣質量的服務，導致在介入效果和服務質量上產生差異，進而影響到案主的權益。另一方面，在微觀上，社會工作組織內部的技術分配也可能存在偏見。在社會工作組織中，層級越高的人掌握著越豐富的信息資源，“喂”給AI越豐富的資源，其機器學習的效果越好。越接近以往介入數據和案例文本的高層管理者或技術專家可能擁有更多的技術決策權，更容易獲得技術支持和資源而擁有更好的服務效果，而一線社會工作者可能缺乏足夠的技術支持和培訓，從而影響他們的工作效率和介入效果。這種內部的技術分配偏見不僅可能影響組織成員的積極性和工作效率，還可能加劇組織內的矛盾和不負責任現象，形成組織內的“數據霸權”。此外，在應用過程中，亦存在介入效果不盡如人意的情形，此時極易引發權責倫理方面的爭議，究其原因，是歸咎于AI生成方案的缺陷，抑或是社會工作者未依循科學方法執行所致，但對于誰在什么情況下必須負起責任仍未有定論。

（二） 公正缺失：方案中的技術認知偏見

AIGC的誕生將科技“黑箱”的混沌屬性推向了又一個高峰。通常情況下，使用者只能調用沒法打開的一堆復雜程序，而調用只需要一行代碼。過去的機器學習主要在計算，根據數據共性，總結“規律”。如今，AI的算法已經開始對人腦思考進行模擬，建立聯想，對人類思維的替代不僅限于計算，還包括邏輯、推理、猜測。然而，人的思維并非易于模仿，很有可能刻木為鵠。古語有云：“知之為知之，不知為不知，是知也。”這反映了人類大腦兩個珍貴的特質，即寬容與誠實。當前的AI尚未具備這兩種特質。由于AI擅長計算而非判斷，即通過模型訓練和計算達到“上下文理解”的核心目的，有數據就存在計算，這使得只要輸入端不斷流，AI往往就不會輕易表達“無解”這樣的結論。但智慧有時恰恰就體現在“感覺是對的”和“我確實不知道”這兩種認知上。現有研究表明，目前AI尚不足以細膩地捕捉到社會生活不同領域實踐中復雜技術展褶下的認知，也未能克服信息基礎的不足，這意味著目前AI的參與無力塑造更為公平的社會關系，因而不可避免地存在著技術偏見。

事實上，無論是哪一個行業或生活領域，人們深植于自身的經驗之中，都難以置身于偏見之外;隨之而來的，便是對其中一方自我認知和信念的侵蝕，便是其話語權因其社會身份而招致成見和貶低。新興科技的興起往往伴隨著監管上的挑戰，這本不足為奇;但AIGC所引發的問題，卻特別凸顯了更深層次的認知偏見和不平等（即“認知不公”，Epistemic Injustice）。從這方面看，利用AIGC產生的介入方案本身就包含著技術認知偏見。而公正恰恰是社會工作的原則之一，這要求社會工作者要對案主一視同仁。但因AI存在固有的認知偏見，它無法對案主的實際感受產生同理心，進而也無法理性公正地看待每一個案主及其社會網絡中的個體。社會建立在復雜利益交織的體系之上，解決社會問題最簡單粗暴的方式是損害一部分人的利益，并使之讓渡給另一部分人。這種方式對身處社會中的個人而言亦然。AI無法權衡利益，也就無法照顧到案例中每個人的感受，損害其他人的利益以幫助案主走出困境的情況就無可避免。此外，這種偏見還可能由于夾雜在基礎數據中難以剔除的偏見或歧視性語言內容，直接體現于方案的文字表述中，因而加劇了重現于自然語言處理使用的數據和標簽中的偏見。在這種情況下，如果將這些技術應用至日常生活、工作環境甚或社會工作實踐中，那么其所帶來的影響將會遠超理論上的討論，而會直接觸及社會公義與人類福祉的根本。

（三） 尊重析離：流程中的技術判斷偏見

在完成數據介入和案例文本輸入，以及實現“上下文理解”的目標之后，LLM對語言具備了初步的理解能力。基于此，AI能夠依據其儲備對新輸入的案例數據和文本內容進行解析。AI將運用其掌握的語言邏輯規律，識別出語言的語法規則和句子結構等要素，并依據這些模式特征和規律特征，預測接下來的“下一個字或詞”的文本內容。隨后，AI將從預測結果中選取“預測概率”最高的選項，將其添加至現有內容之后。基于更新后的完整內容，AI繼續進行預測循環，直至出現一個“預測完結”的特定標識，從而終止預測過程。通過這種方式，LLM能夠基于提供的案主文本內容，生成使用者能看懂且想看到的內容。盡管AI存在通用的模式，但社會工作覆蓋的群體范圍廣、差異性大、情況多變，容易導致針對幼兒的模型在應對老年人問題時，出現模型適應不良的情況。這就不可避免地產生了模型間無形的“藩籬”。對于案主多元化的社會工作領域而言，這些壁障以一種隱匿的方式析離了社會工作者本該給予案主的理解與尊重。

社會工作者的日常工作習慣和解決問題的思維與AI的“預測”結果高度相關。眾所周知，社會工作的通用介入過程包括接案、預估、計劃、介入、評估、結案。倘若社會工作者在實際介入中，習慣性地不嚴格按照干預手冊進行干預，被漏掉或者不合理存在的冗余環節就會暗含偏見，那么這種情況下產生的數據和案例文本本身也就帶有這些偏見。當使用AIGC的社會工作者有意識或無意識地將自己的現實偏見引入AI模型后，模型也只不過是進行偏見的重復，產生判斷偏見。但在局外人眼中，似乎這種過程并不存在不嚴謹的部分，甚至由于套上了AIGC加持下的“科學外衣”，更易被冠以循證之名。社會工作是一個既需要理性又需要感性的領域，而科學恰恰容易左右社會工作者的情感判斷。而不加論證的技術拿來主義更加深了這一現象的危害程度。例如，在兒童和老年社會工作中，基于案主在介入過程中所呈現的認知水平和接受度，本該適時延長介入環節的時長，卻因套用認知正常的成年人的模型而沒有給出這一建議，這不僅影響了最終的介入效果，對案主的尊重也在AI應用的過程中被析離了。再如，婦女兒童群體中的案主被AI界定為弱勢群體而需要危機介入，但并非所有的弱勢群體都需要危機介入。質言之，社會工作的尊重理念集中體現于“助人自助”，案主享有最大程度的自決，但AI技術的加持給予了傳統社會工作不具備的計算理性，當理性與案主的潛在意愿沖突時，社會工作者的采納傾向就顯得尤為重要。

綜上所述，AI因其本身的特性而容易產生技術偏見，但“人”的因素會不斷放大這些偏見，導致出現更為嚴重的消極影響。因此，“人”的因素也會被納入后續討論過程中。

四、 案主效價的生成與實踐邏輯

AIGC的使用始終存在技術隔閡和壁壘，加之不同領域的應用深度和廣度不盡相同，導致行業間的不良競爭和技術恐懼。在AIGC技術的浪潮下，為了避免出現與環境之間的格格不入，大部分人通常會隱藏自己的擔憂和焦慮。然而，技術應用本身并不是目的，社會工作的根本目的始終都是圍繞案主開展服務的。換言之，社會工作領域的從業者是AIGC技術的使用者，但真正技術作用的對象卻是案主。這極易被忽視的一點從很大程度上割裂了傳統意義上社會工作的價值取向。摻入AI技術而迥異于傳統模式的案主為本理念，本質上是技術沖擊下社會工作中實踐的一種新理念與取向，本文將其概念化為“案主效價”。相較于傳統意義上的“案主自決”與“助人自助”，當前呈現出來的這種案主為本的社會工作介入邏輯，表現得更為順應時代，也更符合案主的利益。

效價（Valence）是一個受到多學科關注的概念或者價值，從效價的管理學和心理學的視角出發，社會效價、情緒效價、情境效價等理論成為人類社會研究中的重要內容。效價，即當對象（如人工智能工具）嵌入不同的社會環境中時，話語和實踐中會出現一系列的期望。①雖然AI已經在各個應用場所和社會部門中傳播，但對AI的價值和性能的期望往往是通用的，并且非常相似。對案主效價的探究，可從社會效價的概念中借鑒，AI背景下的社會效價是指在各種社會環境中對人工智能的價值和性能的期望。②社會工作領域的案主效價，則可被定義為案主在AI應用時代對社會工作價值和表現的期望。案主效價的實踐邏輯根植于社會工作“助人自助”的原則之中，但也區別于傳統理念，更傾向于在AI與現實、理性與感性間為客體服務。因此，即便技術取得了突破，但也依然建立于社會工作三大基礎方法之上，也因個案、小組和社區的事件處理環境不同而存在不同的特性。基于此，通過分開討論三種工作方法下案主效價的核心生成方式，進一步探討AIGC技術在社會工作中的實踐邏輯。

（一） 個案工作：案主關系中的預測機制

在個案工作中，AIGC技術的應用極大地便捷和高效化了案主關系的建立和管理過程。借助數據分析的強大功能，社會工作者能夠更精準地預測案主的需求和問題，從而提前為他們量身定制個性化的服務計劃。然而，這種預測機制也可能帶來一定的副作用，即可能導致案主效價的扭曲。預測模型涉及確定服務資格、傷害風險或不當行為傾向的分類任務。從代碼設計的基礎邏輯上講，這些模型以犧牲其他人的利益為代價，服務于另一些群體及其行為，并使之正常化。在弱勢群體社會福利領域，這種隱含的技術偏見將會導致錯誤，并放大不平等和歧視性的行為。③這表明AI支持的介入過程中，案主可能會感到自己的隱私被無端侵犯，或者擔憂自己的行為和需求被過度解讀和預判，從而產生抵觸情緒。因此，從社會工作的專業視角來看，預測并非僅由AIGC簡單執行的任務，它不僅是一個過程，更是一種維護關系的實踐，涉及個案工作者與身處困境之中的案主的互動。發揮AI優勢的前提是必須確保AI介于個案工作者與案主之間的互動具備關聯性。這意味著，預測不應被視作一種單純的結果，而應被理解為一個持續維持案主效價的過程。與具有諷刺性的技術樂觀主義者或AI批判主義者不同，個案工作者所期待的是通過AI獲得一些符合現實情況且“上下文”高度相關的理性預測內容，以便更加高效地與案主溝通。因此，社會工作者在使用AIGC技術時，必須充分尊重案主的意愿和選擇，確保技術的使用不會以任何方式損害案主的權益和尊嚴，從而維護良好的案主關系。

（二） 小組工作：人在情景中的離散與收斂

社會工作始終秉持“人在情境中”的觀點，認為人處于運動變化中的情境中。在小組工作中，AIGC技術為社會工作者提供了有力的工具，以更好地理解和分析小組成員在特定情境中的行為和反應。由于小組工作本質上涉及小組成員特征及其分組行為的離散與收斂問題，案主效價在這一背景下的生成和實踐邏輯變得更加復雜。盡管每個小組成員都因具有相似的問題才被納入干預活動，然而他們的情況依然具有一些不同之處，這就導致其所處情境特征是離散的。離散，指的是每個小組成員都有其獨特的個性、需求和背景，他們在小組中的表現和行為是多樣化的。這種離散性在小組工作中是不可避免的，也是小組工作豐富性和復雜性的來源。在小樣本介入活動中，人力區分容易達到目的。但在大樣本介入活動中，社會工作者憑借有限的人力資源和已知成員信息，通常是無法準確捕捉和解釋每個人的獨特性和復雜性，而僅能根據共同特征生成一般化的介入方案。具有相同問題的案主，因同一問題被聚集，所涉及的人際關系也僅限于其自身，個體之間的關聯甚少，導致固有人際導向下的自然集聚難以為繼。案主可能感到自己的獨特性和需求被忽視或誤解，從而產生不滿和挫敗感。

收斂，則是小組工作追求的目標之一，即通過小組活動和互動，使小組成員在某些方面達成共識、形成共同體，并促進他們的成長和發展。特征分析很容易被看作一項機器可以處理的任務。存儲在小組工作登記冊和其他數據庫中的數據使得將小組成員塑造為某些特征的組合成為可能，并通過識別與暗示消極變量相吻合的組合來預測負性結果。在AIGC技術的輔助下，社會工作者可以更有效地引導小組成員進行收斂，例如通過數據分析來識別小組的共同需求和問題，并據此制定針對性的介入策略。然而，在離散與收斂的對立統一過程中，案主效價的生成和實踐邏輯面臨著挑戰。一方面，社會工作者需要確保技術的使用不會損害任何一個小組成員的權益和尊嚴，尊重他們的獨特性和需求。另一方面，社會工作者還需要利用技術來促進小組的收斂，確保小組成員能夠在小組中獲得成長和發展。為了實現這一目標，社會工作者需要在小組工作中采取一種綜合的策略。他們需要結合技術手段和人文關懷，關注每個小組成員的個體差異和需求，同時利用技術來引導小組成員進行收斂。此外，社會工作者在運用技術手段的同時，必須融入人文關懷，關注每個小組成員的個體差異和需求，確保技術的使用能夠真正服務于案主的成長和發展，促進小組工作的順利進行。

（三） 社區工作：介入實踐中的倫理紓解

社區工作中，介入目標不是只聚焦某個人或者某個群體，而是滿足社區中大多數人的訴求。這些社區成員之間，彼此的關系既獨立又相互聯結。AIGC技術的應用為社會工作者提供了更全面的視角和更強大的工具，以更深入地了解社區問題和需求，并制定更有效的介入策略。然而，在介入實踐中，倫理問題成了一個重要的挑戰。一方面，數據的收集和使用可能涉及隱私問題。在社區工作中，社會工作者往往需要收集大量的數據來分析和了解社區問題，但這些數據可能包含案主的個人信息和隱私。如果數據的使用和處理不當，就可能引發倫理問題，損害案主的權益和尊嚴，從而降低他們的效價。另一方面，算法的決策可能帶來不公平的結果。如果說在個案工作中，這種預測是對于案主自身的預測，那么在社區工作中，預測的對象就從個體變為非實體的“社區”，即群體關系。AIGC技術往往依賴算法來作出決策和預測，但這些算法可能存在偏見和歧視，導致不公平的結果。這種不公平可能進一步加劇社區內的不平等和矛盾，使案主對社會工作的價值和表現產生懷疑，進而降低他們的效價。

為了應對這些倫理挑戰，社會工作者需要在介入實踐中充分考慮倫理因素，確保技術的使用符合倫理標準，并能夠為案主帶來積極的影響。他們需要與案主建立信任關系，通過溝通和協商來解決可能出現的倫理問題，確保技術的使用能夠得到案主的認可和支持。同時，社會工作者還需要在社區工作中注重倫理紓解。可以通過開展倫理教育和培訓來提高社會工作者的倫理意識和能力，使其能夠更好地應對倫理挑戰。此外，社會工作者還可以建立倫理審查機制，對技術的使用進行倫理審查和監督，確保技術的使用不會損害案主的權益和尊嚴。

五、 結語

在AIGC技術的推動下，數字化工作業已成為各行各業生產實踐的日常。但目前身處AIGC接收端口的社會工作相關從業群體，尚未共識性地將數字時代的數字化信息生成視為回應新式問題解決所不可避免的流程。“急切享受技術紅利”和“主觀忽略知識異化風險”的目標替代取向滋生出充滿機會主義色彩的AIGC使用策略，不僅嚴重阻滯與銷蝕了社會工作領域AI應用秩序，而且還從結果實用性層面加深了案主“被AI操縱”的消極觀念和數字焦慮。AI專家斯圖爾特·羅素在《人類兼容》中強調了為AI系統提供剛性目標的風險，他主張底層邏輯應是AI輸出目標的不確定性，并設置人類監管和選擇結果的環節。

在社會工作領域，AIGC技術的引入無疑為社會工作者提供了前所未有的機遇和挑戰。案主身處復雜社會關系中，要助其通往“自由”之路，就需要梳理好案主身處的境況，合理預測案主及其事件的發展方向，剝離困境形成的根源。通過技術的輔助，社會工作者能夠更深入地了解案主的需求，更有效地制定和實施介入策略，從而提升服務質量和效果。突出案主效價的技術準則與實踐邏輯，不僅確保了AIGC結果與人類價值觀的一致，還能夠從一定程度上預防使用者陷入拿來主義的風險之中。但也必須提防AIGC能所帶來的技術偏見。在規避偏見的前提下，AIGC能夠給予社會工作介入模型創新的除社會工作者智力外的第二重保障，即通過大量案例對比尋找有機結合點，使模型能夠更適合特殊群體的干預需要，并迅速實現本土化。在現有社會工作干預框架下，AIGC以其數據處理和機器學習的優勢，為循證社會工作的發展提供了窗口和便利。

本文嘗試借助“案主效價”這一分析概念來闡釋當下AI與社會工作的交互及其背后的實踐邏輯。我們將社會工作領域中AI技術偏見下的案主期望概念化為“案主效價”。作為一個分析概念，“案主效價”表達的是AI技術應用中社會工作所要維護的案主權益的新形式、新策略。與傳統社會工作理念不同的是，案主效價更強調對技術偏見的規避。正是這種基于技術的介入邏輯，在有效助力循證社會工作實現的同時，又較好地打破了AI技術對個體福祉實現所設置的無形“藩籬”。

（責任編輯：徐澍）