喂，凭啥说我歧视你？？
思辨 X 赋能 X 行动
C计划是一家致力于思辨教育的社会企业
欢迎戳上方蓝字关注我们
思维体操
如何批判地看待生活中的热点、痛点？
蓝方｜文
编者按：在6月的上海骄傲节上，主创蓝方为来自各地的媒体记者做了一场关于LGBT反歧视的报道培训。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。
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。
而标签最大的意义，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～
那先来试试，你能明确判断出以下这些情形是不是歧视了吗？
有什么疑问，欢迎在留言区相互讨论哦～
关于公平与歧视，或许你还想读
未经特别说明，C计划文章均为原创。文中署名的插画、脑图亦为原创。转载文章或原创插画、脑图，请联系小C（Plan-C2016）或给后台留言。
苹果用户可以识别下方二维码打赏呦~
订阅号：PlanC-Edu
服务号：PlanC-Mall
微博：小C-C计划