---
title: "AI偏見（Bias in AI）"
slug: bias-in-ai
language: zh-TW
source: https://aiterms.tw/terms/bias-in-ai
updated_at: 2026-04-29
tags: [AI倫理與治理, 模型評估, 資料處理, 機器學習, 模型訓練]
ipas_term: false
---

# AI偏見（Bias in AI）

> **你在看履歷篩選或貸款審核結果時，你會怎麼判斷它真正的作用？**
>
> 你可以把它想成 AI偏見是指AI系統在訓練或決策過程中，由於資料、演算法或人為因素，產生不公平或歧視性的結果。
>
> 在 你在看履歷篩選或貸款審核結果時 這種情境裡，這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。

### 容易混淆
> **AI偏見 vs 統計偏差**
> AI偏見看的是結果會不會傷到某些群體，統計偏差看的是模型估計是否有系統性誤差。
>
> **AI偏見 vs 公平性**
> 公平性是衡量與修正的標準，AI偏見是實際出現的不公平結果。
>
> **資料偏差 vs 標註偏差**
> 一個來自資料分布，一個來自標記流程，兩者都可能把偏見帶進模型。

### 記住這句就好
> 先看它要解決的是什麼問題，再看它是不是最合適的方法。

### 實際案例
> **案例 1：履歷篩選**
> 系統從過去錄取紀錄學到某些群體較常被錄取，結果新履歷也被同樣偏向處理。
>
> **案例 2：貸款審核**
> 不同地區或族群若在訓練資料裡比例失衡，模型很容易把這個差異誤當成風險訊號。

### 深入了解
> | 面向 | 重點 |
> |---|---|
> | 來源 | 資料分布、標註習慣、特徵設計、回饋迴路都可能把偏差放大。 |
> | 檢查 | 要分群看模型表現，不能只看整體準確率。 |
> | 處理 | 補資料、重加權、做公平性約束、上線後持續監控。 |

### 情境判斷
> **Q1（判斷題）：** 一個模型把女性履歷的通過率明顯壓低，這比較像什麼問題？
> → 這很像 AI 偏見，不是單純模型準不準，而是它對某一群人產生系統性不公平。
>
> **Q2（判斷題）：** 如果你把性別欄位拿掉，偏見就一定消失嗎？
> → 不一定，因為模型還可能透過郵遞區號、學校、工作經歷這些代理特徵推回同樣的群體差異。

### 常見問題
> **Q：AI偏見可以完全消除嗎？**
> 很難完全消除，因為它常常來自資料和社會結構。比較實際的做法是持續偵測、修正與審計。
>
> **Q：只刪掉敏感欄位就夠嗎？**
> 不夠，因為代理特徵常常還在，模型仍可能學到同樣的差別對待。
>
> **Q：怎麼看一個模型有沒有偏見？**
> 要分群看命中率、誤判率、通過率，再看不同群體之間是否差很多。

### 相關術語
> - **人工智慧公平性**：這是最容易和它一起出現的概念，能幫你看出風險和邊界。
> - **人工智慧倫理**：這是最容易和它一起出現的概念，能幫你看出風險和邊界。
> - **可解釋人工智慧**：這是最容易和它一起出現的概念，能幫你看出風險和邊界。
> - **資料前處理**：這是最容易和它一起出現的概念，能幫你看出風險和邊界。
> - **偏差**：這是最容易和它一起出現的概念，能幫你看出風險和邊界。

---

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