治标之策及其局限
面对算法歧视对于女性公平就业的挑战，学界前瞻性地提出了一系列对策，部分对策已经获得了政府的初步采纳。然而，这些对策或者效果有限，或者会抑制企业对于算法的开发和应用，造成产业政策上的消极后果，因而均非治本之道，充其量可做治标之策而已。
第一，为了弥补“不打探”规则的不足，可以阻止算法获取某些便于推测女性婚育状况的数据。例如，可以将网络账户信息设置为求职者的隐私[19]，或者出于保护求职者言论自由的目的[20]，禁止用人单位询问或者网络平台向用人单位泄露这一信息。又如，根据《个人信息保护法》，求职者的婚育信息“一旦泄露或者非法使用，容易导致自然人的人格尊严受到侵害”，所以构成“敏感个人信息”；作为个人信息处理者的用人单位在处理这类信息时，必须“具有特定的目的和充分的必要性”，“取得个人的单独同意”，“向个人告知处理敏感个人信息的必要性以及对个人权益的影响”并且“取得相关行政许可”（第29条至第32条）。
这些措施都会降低算法推测求职者婚育状况的准确性，导致“失算”增多，迫使用人单位放弃使用算法，从而杜绝算法歧视。“失算”意味着用人单位错估求职者给其带来的生育成本，据此做出的招聘决策在经济上是不理性的：如果求职者没有生育计划，却被误判为即将生育，那么单位会将一个“负担较轻”的员工拒之门外；反之，如果求职者确有生育计划，却被误判为不会生育，那么单位会招录一个“负担较重”的员工。如果“失算”所导致的额外的生育成本超出了使用算法所带来的、决策效率方面的收益，算法就可能遭到用人单位的抛弃，歧视也就无从发生了。然而，虽然“失算”会带来额外的成本，但是由于算法的算力强于人脑，在已知数据不变的前提下，算法“失算”的概率仍然比人工推测更小。两害相权取其轻，用人单位将会继续使用算法，歧视也就会继续发生。
第二，为了弥补“不考虑”规则的不足，可以采取倒置举证责任、强制算法透明、过滤训练数据等措施。“不考虑”规则是学界构想的打击算法歧视的主战场，学者建议的措施也尤其多。其一，在反歧视诉讼或类似的争议解决程序中，可以倒置举证责任（说服责任），要求用人单位证明其算法没有实施歧视，否则就要承担败诉风险。具体来说，只要求职者能够举证录用结果存在性别上的不平等，法律就推定这种不平等源自算法歧视，除非用人单位能够证明不平等另有正当原因。这种将结果不平等归责于用人单位的制度，就是美国法上的差别影响（disparate impact）歧视和欧洲一些国家法律上的间接歧视（indirect discrimination）制度。[21]该制度相当于给用人单位设定了额外的注意义务，禁止其任意拒绝录用女性求职者，而是必须有正当的理由，这在效果上与“不考虑”（非正当理由）规则大致相当。[22]问题在于，运用深度学习技术的算法具有高度自主性，很难被人类所理解，程序员在技术上无法确定算法在作出决策时究竟考虑了什么因素。如此以来，将举证责任归于用人单位，就几乎注定了用人单位败诉的命运。为了避免败诉，用人单位可能采取两种策略：一是反向歧视，给女性预留录用名额，而这对于能力更优的男性求职者并不公平；[23]二是放弃使用算法，而这不符合推广算法、提高决策效率的产业政策。可见，举证责任倒置制度的效果有显著的局限，是否引进该制度应当慎重考量。(https://www.daowen.com)
其二，可以要求用人单位实施算法透明政策，公开其在招聘过程中所使用的算法，并由第三方对该算法是否实施歧视加以审计。算法透明曾经是颇受研究者青睐的措施，毕竟，公开是监督的第一步。然而，算法透明存在三个方面的缺陷：一是由于算法不断自主学习和迭代，很难确定算法在做出招聘决策那一刻的状态，也就无法确定应予公开的内容；二是在运用深度学习技术的情况下，算法即使实现了透明也难以解读，更难以审计和评价；三是算法透明还可能造成个人隐私和商业秘密的泄露等负面后果。[24]这些缺陷削弱了算法透明措施的实效，使之无法有效矫正“不考虑”规则的失灵。
其三，可以要求用人单位检视用于训练算法的数据，发现并纠正训练数据集中可能存在的偏见，从而防止算法习得这些偏见。科学界还设想开发帮助用人单位检视算法的新算法，实现“用算法审计算法”。[25]这样做会面临两个难处：一是现有的数据可能普遍包含偏见，不易找到“纯净”的数据集来训练算法。例如在前述亚马逊公司的案例中，由于公司在招聘时长期重男轻女，而且这并不仅仅是一家公司的问题，而是全行业的现象，所以很难寻得不带有歧视烙印的数据，这也是亚马逊公司不得不放弃开发算法的部分原因。二是偏见的发现和纠正可能是一个浩大的工程。因为，算法具备机器学习的能力，会不断收集数据训练自己，直到更多的训练不再提高其预测的精确性，而这个学习过程可以相当漫长，用于学习的数据更是规模庞大，对其加以检视和纠正的成本将会很高。用人单位为了规避这一成本，很可能会倾向于放弃开发和使用算法，而这与产业政策背道而驰。
第三，为了弥补“不卸责”规则的不足，可以采用否认算法的责任能力、在算法与用人单位之间设定连带责任等办法，让用人单位承担算法歧视的法律责任。这样做看似简单，只须法律作出规定即可，却会严重挫伤用人单位开发和使用算法的积极性。在深度学习的场景下，用人单位根本无法控制甚至无法理解算法的内容，如果让其对算法的歧视行为负责，必然给用人单位带来经营风险，而且这种风险的暴发时间及后果大小都难以预测。出于避险的考虑，用人单位放弃算法就是自然的选择。