如果偏見「看不見」，社會學家怎麼證明它存在？

如果偏見「看不見」，社會學家怎麼證明它存在？

假設有人對你說：「台灣的兩性薪資差距，是因為女生比較常選低薪科系、比較常因為家庭中斷職涯，這是個人選擇，不是歧視。」這句話聽起來很有道理，卻也讓人隱隱不安——它把所有差距都歸給「選擇」，彷彿背後沒有任何結構性的不公。

問題是：你要怎麼反駁這句話？光說「我覺得有歧視」沒有用，對方也可以說「我覺得沒有」。社會學作為一門經驗科學，必須拿出可被檢驗的證據。於是真正的進階問題浮現了：當歧視從不寫在公告上、雇主嘴上都說「我們很重視性別平等」時，研究者如何把「看不見的偏見」變成可以測量、可以推估、甚至可以做因果推論的對象？這篇文章要帶你走進性別不平等研究的「方法引擎室」，看社會學家如何把一個道德直覺，轉化成站得住腳的科學論證。

第一個難題：把薪資差距「拆開」——Oaxaca-Blinder 分解

入門篇提過「同工不同酬」，但「同工」兩個字其實藏著巨大的技術挑戰。男女的平均薪資差距，一部分來自雙方在可觀察特徵（observable characteristics）上的差異：教育程度、年資、職業、工時。如果女性平均年資較短，薪資較低本來就不奇怪。要談「歧視」，必須先把這些合理差異扣掉，看看剩下多少無法解釋。

經濟社會學最常用的工具是 Oaxaca-Blinder 分解法（Oaxaca-Blinder decomposition）。它的核心邏輯可以用一個直覺式的拆解來理解。假設男性平均月薪為 $\bar{W}_m$、女性為 $\bar{W}_f$，研究者先分別跑男、女兩條薪資迴歸，得到「每一單位特徵能換多少薪水」的報酬率（係數）。接著把總差距拆成兩塊：

• 稟賦效果（endowment effect / explained）：因為男女在特徵（如年資、職業）上不同所造成的差距。直白說，就是「如果女性擁有和男性一樣的條件，差距會縮小多少」。
• 係數效果（coefficient effect / unexplained）：在特徵完全相同的情況下，同一份條件對女性換到的薪水卻比較少的部分。這一塊無法被可觀察特徵解釋，常被審慎地視為「歧視的上界估計」。

關鍵在於最後這個「無法解釋的部分」。研究反覆發現，即使控制了一長串變項，仍有一段差距頑強地留下來。台灣勞動部歷年公布的兩性薪資差距，以及主計總處的受僱員工薪資調查，都可以做類似拆解，結果通常是：教育與年資的差距已大幅縮小，真正難纏的是「職業隔離」與那塊「無法解釋」的殘差。

但這裡有一個必須誠實面對的方法論陷阱：「無法解釋」不完全等於「歧視」。它也可能藏著研究者沒測到的變項（如協商風格、職涯偏好）。反過來，它也可能低估歧視——因為「職業選擇」本身可能就是歧視的產物（女孩從小被勸退理工科）。把這種「上游的歧視」算進「已解釋」那一欄，反而會讓歧視看起來變小。這正是進階研究者要小心的地方：分解法很強大，但它回答的是「會計問題」，不是「因果問題」。

第二個難題：要做因果推論，得讓「履歷」打架——對應實驗

既然觀察資料的迴歸分解無法乾淨地證明因果，社會學家想出一個更巧妙的設計：對應研究（correspondence study），也叫履歷審查實驗（résumé audit study）。它的精神是——把其他條件全部控制成一模一樣，只改變性別，然後看雇主反應。

具體做法是：研究者製作兩份內容幾乎完全相同的假履歷，學歷、經歷、技能全部對等，唯一系統性不同的，是名字所暗示的性別（或在某些研究中是族裔）。把這兩份履歷大量投遞給真實的招募職缺，再統計哪一份拿到更多「回電面試」的機會。因為兩份履歷的差異只剩性別這一個變項，所以回覆率的差距，就可以被解讀為性別本身造成的因果效果——這是觀察資料做不到的。

國際上著名的研究（如針對科學實驗室招募的隨機化履歷實驗）發現，當履歷上的名字從女性換成男性、其餘完全不變時，被評為「能力較強、值得錄用、願意給較高起薪」的比例顯著上升。更耐人尋味的是，男性與女性評審者都展現了這種偏好——這說明偏見不是「壞男人」的個人惡意，而是一套被所有人內化的隱性刻板印象（implicit bias）。這個發現直接呼應入門篇講的：不平等是結構性的，不需要任何人「故意」。

動手試試：設計一個你自己的對應實驗

不妨自己當一次研究者。假設你想檢驗台灣的服務業是否對「已婚育齡女性」有招募偏見，請試著回答以下設計問題：

1. 你要操弄什麼變項？ 例如在履歷上加一欄不起眼的資訊：一份寫「已婚、育有一名兩歲幼兒」，另一份寫「已婚」但不提小孩，其餘完全相同。這就是你的實驗操弄（manipulation）。
2. 你要控制什麼？ 兩份履歷的照片、字體、用詞、經歷長度都必須一致，否則回覆率的差異可能來自別的因素，而非你想測的「母職訊號」。
3. 你的依變項（outcome）是什麼？ 最乾淨的是「是否收到面試邀請」這種雇主無法事後否認的客觀行為，而不是問卷上的態度自陳（雇主嘴上多半都說自己沒偏見）。
4. 倫理上要注意什麼？ 投假履歷會佔用真實雇主的時間、若進到面試還可能浪費資源，因此這類研究在台灣須經 IRB（研究倫理審查）核可，並通常在收到回覆後立即婉拒，把對招募流程的干擾降到最低。

走過這四步，你會發現：一個看似簡單的「有沒有歧視」問題，背後需要極縝密的因果設計。這正是社會科學方法訓練的價值——它教你把模糊的指控，變成可被反駁、也可被驗證的命題。

第三個難題：為什麼進步「卡住了」——停滯的性別革命

把鏡頭從個別雇主拉回整個社會的長期趨勢，會看到一個令人困惑的現象。二十世紀後半，女性大量進入職場、教育程度甚至超越男性，性別態度也明顯自由化——這常被稱為性別革命（gender revolution）。但社會學家英格蘭（Paula England）等人指出，這場革命在進入二十一世紀後出現了停滯（the stalled / unfinished revolution）：女性勞動參與率不再快速上升、職業隔離縮小的速度放慢、家務分工的改變遠慢於職場的改變。

為什麼會卡住？一個核心的解釋是「不對稱的變遷」。社會鼓勵女性「向上」進入原本由男性主導的高薪領域（女性當醫師、工程師被視為進步、被讚許），卻很少鼓勵男性「向下」進入女性主導的照顧領域（男性當護理師、幼教老師、全職奶爸，仍常被質疑）。因為「女性化」的工作被社會貶值，男性跨越性別界線等於是「自降身價」，缺乏誘因。結果是隔離只從一邊鬆動，整體仍卡住。

另一個機制是「文化滯後」：制度（法律、職場）的改變快，但深植於日常的性別腳本（誰該為家庭犧牲、誰是「主要照顧者」）改變慢。於是出現入門篇講過的「第二輪班」與「母職懲罰」——女性進了職場，家裡那條起跑線卻沒跟著移動。這也解釋了為何單靠「讓更多女性就業」並不會自動消除不平等：如果無酬照顧的分配與評價沒有同步改變，新增的只是女性的負擔，而非真正的平等。

第四個難題：別忘了「男性」這一邊——男性氣概的代價

進階的性別社會學有一個常被忽略卻極重要的轉向：把男性與男性氣概（masculinity）本身當成研究對象，而不只是把男性當成「不平等的受益者」。入門篇提過康乃爾（Raewyn Connell）的霸權男性氣概（hegemonic masculinity），這裡我們把它的分析威力展開。

霸權男性氣概理論的精髓是「等級化」：在任何社會裡，存在一種被理想化、被當成「真男人」典範的男性形象（典型如：強壯、果斷、異性戀、事業有成、情感克制）。重點是，能完全符合這個典範的男性其實是少數，但這個典範卻支配著所有人——它讓不符合的男性（較陰柔者、性少數者、失業者、身障者）淪為「從屬男性氣概」，也讓所有女性處於結構性的次位。

這個視角帶出一個重要洞見：性別規範對男性也是一種枷鎖。「男兒有淚不輕彈」「男生要扛起一切、不能示弱、不能求助」這套腳本，與男性偏高的自殺率、偏低的就醫與心理求助意願、以及某些風險行為（酒駕、暴力）有結構性關聯。當「會照顧人」「會表達情緒」被貶為「不夠男人」，受害的是男性自身的健康與關係品質。因此，性別平等不是零和的「女性贏、男性輸」，而是讓所有人從僵化腳本中鬆綁——這也是為什麼當代倡議愈來愈強調「邀請男性成為性別平等的夥伴」，而非把男性當成敵人。

第五個難題：照顧與市場——21 世紀的新前沿

最後一條軸線，是把性別不平等放進更大的政治經濟（political economy）脈絡。當生育率下探、人口高齡化，「誰來照顧」這個問題從家庭內部溢出，成為整個社會的結構危機。

社會學者福爾布雷（Nancy Folbre）等人發展的照顧經濟學（economics of care）指出：照顧勞動（育兒、長照、護理）具有巨大的社會價值，卻因為其「女性化」與「無酬／低酬」的雙重標記而被系統性低估。當社會試圖把照顧「外包」到市場（請外籍看護、托嬰中心、長照機構），這份勞動往往落到更弱勢的女性身上——在台灣，常是社經地位較低的本國女性或來自東南亞的女性移工。這就讓入門篇的交織性（intersectionality）有了最尖銳的現實版本：一位都會專業女性能去職場拚事業，很可能是建立在另一位移工女性以低薪承接了她的照顧責任之上。性別不平等沒有消失，只是沿著階級與族群的斷層被「轉移」了。

更前沿的議題還包括演算法與性別偏見：當企業用 AI 篩選履歷、用機器學習模型評估升遷潛力時，如果訓練資料本身來自過去充滿偏見的人事決策，模型會把歷史的歧視「學起來」並自動放大——曾有大型科技公司的招募 AI 因為學到「過去錄取者多為男性」而自動懲罰履歷中出現「女性」相關字眼。這把古老的性別問題帶進了資料科學的全新戰場，也是 Educational Omics 這類多模態資料平台在設計時必須警惕的倫理紅線。

重點回顧

1. 把差距「拆開」是第一步：Oaxaca-Blinder 分解法把薪資差距拆成「可解釋（特徵差異）」與「無法解釋（常被視為歧視上界）」兩塊，但要小心「無法解釋」既可能高估也可能低估歧視。
2. 因果證據靠實驗設計：對應研究／履歷審查實驗藉由「只改變性別、其餘全控制」來分離出性別的因果效果，反覆發現連女性評審者也內化了隱性偏見。
3. 革命會停滯：性別變遷是不對稱的——社會鼓勵女性向上進入男性領域，卻不鼓勵男性向下承接被貶值的照顧勞動，加上文化滯後，導致進步卡關。
4. 男性氣概也有代價：霸權男性氣概理論顯示性別規範同時束縛男性（健康、情感、求助），性別平等是讓所有人鬆綁，而非零和對立。
5. 照顧與演算法是新前沿：照顧勞動被系統性低估並沿階級／族群轉移，演算法則可能把歷史偏見自動放大——交織性與資料倫理在此交會。

深入探討（研究所視角）

進入研究所，性別不平等研究的方法論辯論會更為尖銳。第一條軸線是因果推論的階層。對應實驗雖能建立因果，卻有外部效度的限制：它測的是「招募第一關」的偏見，無法回答升遷、留任、長期薪資成長中的歧視。於是學者轉向準實驗設計（quasi-experimental design）——利用政策變動作為自然實驗，例如某地實施「父親專屬育嬰假（daddy quota）」前後，比較男性請假率與女性職涯軌跡的變化（difference-in-differences），以推估制度介入的因果效果。一個值得鑽研的台灣題目是：育嬰留職停薪津貼的歷次修法，是否真的鬆動了照顧分工，還是只是讓原本就會請假的女性領到錢？

第二條軸線是測量與概念的張力。當性別被理解為光譜而非二分時，傳統「男／女」二元編碼的問卷與行政資料就顯得粗糙。如何在量化研究中納入性別認同（gender identity）與性別表現（gender expression）的多樣性，同時維持統計檢力與樣本代表性，是一個尚未有標準答案的前沿難題。這也牽動 Ethicomics 層次的問題：資料的分類方式本身就是一種權力，把人塞進預設的盒子，可能在分析之前就抹除了某些群體。

第三條軸線是跨國比較與福利體制（welfare regime）。艾斯平—安德森（Esping-Andersen）的福利資本主義三類型，以及女性主義學者對它「性別盲」的批判，催生了「去家庭化（defamilialization）」概念——國家透過公共托育、長照把照顧責任從家庭（女性）手中分擔出去的程度。北歐高度去家庭化、東亞（含台灣、日本、南韓）則高度依賴家庭內女性。把台灣放進這個比較座標，可以追問：在一個生育率全球最低、女性高教育、卻仍高度家庭主義的社會，制度（政策設計）與規範（「好媽媽」的文化期待）究竟誰在拖住性別革命的後腿？這是一個能同時串起人口學、社會政策與性別理論的博士級研究問題。

最後，是反身性（reflexivity）的提醒。性別研究者本身也帶著性別位置與價值立場進入田野。優秀的研究不是假裝自己「客觀中立」，而是誠實地交代自己的視角如何影響提問與詮釋，並讓資料有機會推翻自己的預設。這種把研究者自身也納入分析的自覺，正是社會學作為一門「批判而嚴謹」的科學，最迷人也最艱難之處。