研究者们还发现，机器学习程序更容易让非洲裔美国人的名字和不愉快的词语产生关联；这种事情就不怎么会发生在欧洲裔美国人名字上。同样地，这些偏见在人类中也大规模存在。芝加哥大学的Marianne Bertrand和哈佛大学的Sendhil Mullainatha在2004年合作发表过一篇著名论文，其中他们向1300个招聘职位发送了接近5000封简历，而这些简历间的区别仅仅在于求职者的名字是传统欧洲裔美国人的还是传统非洲裔美国人的。结果是惊人的，前者得到面试邀请的概率要比后者高50%。
通过给底层的AI系统和机器学习程序开发明确的、数学性的指导规范，有可能可以避免让电脑程序把人类文化中的刻板性别观念一直延续下去。就像爸爸妈妈或者老师们给小孩逐渐灌输公平公正的观念一样，人工智能的设计者们也可以努力让人工智能更多地反映出人性中更好的那一面。
Narayanan最后总结说：“我们在这篇文章中研究的偏见确实很容易在人工智能系统的设计过程被忽视，这些社会中的偏见和刻板印象以复杂的方式反映在我们语言中，而且难以去除。相比于减少甚至完全消除这些偏见，我觉得更好的方式是先接受这些偏见是我们语言习惯的一部分，然后在机器学习方面建立明确的标准来区分哪些偏见是我们可以接受的，哪些是不允许出现的。”