---
title: "演算法偏見（Algorithmic Bias）"
slug: algorithmic-bias
language: zh-TW
source: https://aiterms.tw/terms/algorithmic-bias
updated_at: 2026-04-29
tags: [AI倫理, 公平性, 負責任AI, iPAS中級]
ipas_term: true
---

# 演算法偏見（Algorithmic Bias）

> **你有沒有看過履歷篩選系統，總是把某些人排得比較後面？**
>
> 你可以把演算法偏見想成模型學到了不公平的規律，結果對某些族群特別不利。它不一定是故意歧視，但輸出結果真的會讓人感到不公平。
>
> 這很重要，因為一旦偏見進到招募、貸款、教育或醫療，傷害會直接落在人身上，不只是數字看起來怪而已。

### 容易混淆

> **演算法偏見 vs 人工智慧公平性**
>
> 偏見是問題現象。
>
> 公平性是希望達到的目標。
>
> 最關鍵的區別：一個是偏掉，一個是拉回來。
>
> **演算法偏見 vs AI倫理**
>
> 偏見是倫理關心的具體案例。
>
> 倫理還包含責任、透明和隱私。
>
> 最關鍵的區別：偏見是其中一種倫理風險。
>
> **演算法偏見 vs 資料偏差**
>
> 資料偏差是來源。
>
> 演算法偏見是最後在模型結果裡看到的偏差。
>
> 最關鍵的區別：來源和結果不同。

### 記住這句就好

> 模型不是只要準，還要對所有人都差不多公平。

### 實際案例

> **招募系統**
>
> 若歷史資料裡某類候選人過去比較少被錄取，模型可能學到這個模式，之後就持續把同類人選排低，這就是偏見會自我放大。
>
> **貸款審核**
>
> 當模型對某些地區或年齡層的拒貸率特別高，就算沒有明寫歧視，結果也可能讓某些族群更難借到錢。

### 算法與應用

> **怎麼發現偏見**
>
> 先切族群看錯誤率，再看不同群體的通過率、召回率和誤判率是否差很多。
>
> **怎麼減少偏見**
>
> 改資料、改特徵、重加權、後處理校正、人工審核，常常要一起做才有效。

### 情境判斷

> **Q1（直覺題）：** 一個模型整體準確率很高，但某個族群的錯誤率明顯更高，這算不算問題？
>
> → 算。整體高分不代表所有人都受到同樣待遇，這就是偏見要看的地方。
>
> **Q2（判斷題）：** 只要把性別欄位拿掉，模型就一定不會有偏見嗎？
>
> → 不一定，這要看情況。模型可能用其他欄位間接推回性別資訊，所以還要看結果是否真的公平。

### iPAS 考題

> **出題方向：** 常考偏見來源、如何檢測不同族群表現差異，以及公平性和準確率的取捨。
>
> **題目**
> 下列何者最能描述演算法偏見？
>
> → 演算法因資料或設計因素，對特定族群產生不公平結果。

### 常見問題

> **Q：演算法偏見一定是故意的嗎？**
>
> 不一定，很多偏見是資料歷史包袱或設計選擇累積出來的。
>
> **Q：偏見只會出現在大型模型嗎？**
>
> 不是，小模型一樣會有，只要資料或規則有問題就可能發生。
>
> **Q：怎麼知道模型有沒有偏見？**
>
> 不能只看總準確率，要分群體看表現差異。
>
> **Q：偏見修掉後準確率會下降嗎？**
>
> 有可能，但常常是必要的取捨，因為你要換來更公平的結果。

### 相關術語

> - **人工智慧公平性**：偏見問題修正後要回到這個目標
> - **人工智慧倫理**：偏見是倫理討論的核心議題之一
> - **AI治理**：組織如何監控和修正偏見
> - **資料前處理**：偏見常在資料階段就已經種下
> - **負責任AI**：把公平性、透明和責任一起看

---

來源：https://aiterms.tw/terms/algorithmic-bias
快查頁：https://aiterms.tw/terms/algorithmic-bias
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-algorithmic-bias