Twitter 以完整照片取代其有偏見的裁切演算法，將選擇權交還使用者

2018 年，Twitter 開始以顯著性模型裁切時間軸照片：這套軟體以人類眼動追蹤資料訓練，用來估計觀看者會最先注視的區域，並將裁切範圍置中於該處，使時間軸維持一致且密集。2020 年 10 月，使用者回報自動裁切並未公平地對待所有人——它似乎偏好白人面孔而非黑人面孔，且裁切女性身體的方式與男性不同。Twitter 承諾再次分析該模型是否有偏差。

Twitter 的 META 與 Content Understanding 團隊設計了一項對照實驗：隨機配對不同種族與性別的人物影像進行比較，若模型在人口統計上中立，每張影像被選為裁切焦點的機率應為 50%。測得的偏差是系統性的——黑人與白人配對時，對黑人不利的差距為 4 個百分點；男女配對時，對女性有利的差距為 8 個百分點；白人女性對黑人女性時，對白人女性有利的差距為 7 個百分點。針對男性凝視式裁切的測試則未發現顯著的物化現象。

研究人員的結論是，朝向均等重新訓練模型並無法修正這項傷害。即使模型完全均衡，仍會凌駕於人們選擇如何呈現自己的意願之上，而再現性傷害並非統計誤差；論文指出，裁切至單一最顯著點可能放大差異。Twitter 公開的結論是，平台上並非所有事物都適合交由演算法處理，而影像該如何裁切，最好由人來決定。

2021 年 3 月，Twitter 開始在 iOS 與 Android 上以標準長寬比完整顯示照片，而非讓照片經過顯著性裁切；在獲得正面回饋後，於 5 月 19 日向所有人推出這項變更。發文編輯器新增了真正的預覽功能，讓作者在發文前能看到發布後的影像，該公司並將分析結果連同可公開重現的程式碼以論文形式發表，將整項工作定位為公開問責。

公平性指標無法修正凌駕於自我呈現之上的裁切——移除模型，讓人們自行選擇

統計公平性無法解決再現性傷害：即使是均等中立的裁切，仍決定了個人呈現的方式，因此問題出在模型本身，而非其參數。

受控的配對影像實驗 protocol 將使用者的軼事轉化為可測量、可重現的數字，種族與性別差距均被量化，並與計算所用的程式碼一同公開。

顯示完整影像消除了整類裁切錯誤，包括論文中稱為 argmax 偏差、會放大差異的單點規則，且不再留下需要重新稽核的新模型。

發文編輯器的預覽功能讓作者在發布當下握有控制權，因此這項修正恢復了自主權，而非只是把一套裁切規則換成另一套。

發表論文與程式碼使這項回應成為可稽核的公開紀錄，這也是為何該公告讀來像是問責，而非公關話術。

在重新訓練一個決定人們如何呈現的模型之前，先問這項輸出是否為預測；當它涉及自我呈現時，移除模型，將選擇權交還給個人。

至 2021 年 5 月 19 日，完整影像顯示功能已向所有 iOS 與 Android 使用者推出，Twitter 表示此次發布降低了對機器學習裁切的依賴。分析論文（arXiv 2105.08667，2021 年 5 月）獲 CSCW 2021 接受，並於 2021 年 10 月刊登於 PACM HCI，重現程式碼收錄於 twitter-research 的 image-crop-analysis 儲存庫。Hacker News 的討論獲得 197 分與 133 則留言；多數讀者主張從一開始就應提供手動裁切工具，部分讀者則為作者未設定裁切時的人臉感知自動裁切辯護。