本研究探讨了人工智能中的知识不公正，提出了一种分类法，强调AI系统在全球南方国家的应用可能导致非西方知识体系的隐形化，为识别和理解AI领域的知识不公正提供了新视角。

本研究探讨了内容审核系统在低资源语言中的不足，尤其是在全球南方国家。通过访谈22名AI研究人员，发现数据访问限制加剧了这些语言的边缘化，现有技术无法准确处理其复杂性，导致审核错误。研究揭示了审核中的不平等，并提出了改进建议。

本研究探讨了人工智能音乐生成中全球南方音乐流派的缺失，指出数据集主要集中于全球北方音乐，威胁音乐多样性，并提出了促进更具包容性的AI音乐生成的关键步骤。

数据标注是机器学习和人工智能的基础。研究强调评分者多样性对模型公平性的重要性，并关注标注者的工作条件和心理影响。文章回顾了数据标注的历史，质疑实验结果的普适性，指出心理学过于依赖WEIRD国家的参与者，而许多标注者来自全球南方。非WEIRD标注者被迫接受WEIRD国家的社会分类，这可能固化过时的分类。文章提出框架以理解全球社会条件与标注工作的互动。