---
title: "公平性（Fairness）"
slug: fairness
language: zh-TW
source: https://aiterms.tw/terms/fairness
updated_at: 2026-04-29
tags: [AI倫理與治理, 模型評估, AI應用]
ipas_term: true
---

# 公平性（Fairness）

> **你有沒有想過，AI 如果拿來篩履歷或核貸款，結果卻老是偏向某些族群，該怎麼辦？**
>
> 你可以把它想成，模型不只要答對，還要避免系統性偏袒某些人。
>
> 公平性不是把所有人都當一樣，而是要檢查資料、規則和結果有沒有把某些群體放在不利位置。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **公平性 vs 準確率**
> 準確率只看結果對不對。
> 公平性還要看不同族群是不是被同樣對待。
> 最關鍵的區別：答對了沒有，和有沒有偏袒。
>
> **公平性 vs 偏差**
> 偏差通常是模型或資料本身帶來的傾斜。
> 公平性是在想辦法檢查和修正這種傾斜。
> 最關鍵的區別：問題來源，還是修正目標。
>
> **公平性 vs 隱私**
> 隱私在乎資料能不能被看見。
> 公平性在乎不同群體有沒有被公平對待。
> 最關鍵的區別：資料保護，還是結果公正。

### 記住這句就好

> 不只要答對，還要答得公正。

### 實際案例

> **貸款審核**
> 銀行若只看歷史資料，可能把過去的偏見學進模型。
> Before：只看通過率。After：檢查不同族群的錯誤率和拒絕率，才知道有沒有偏。
>
> **徵才篩選**
> 履歷模型可能因為訓練資料不平衡，對某些學校或背景特別有利。
> Before：只追求錄取預測準不準。After：還要確認不同族群都沒有被系統性排除。

### 深入了解

> 公平性通常要先定義你在乎哪種公平，例如群體公平、機會公平或預測公平。
>
> 接著要看資料來源、標註方式、閾值設定和後續監控，因為偏見可能藏在每一層。
>
> 有時候要靠資料重加權、閾值調整、後處理或模型設計一起修正，沒有單一萬靈丹。

### 情境判斷

> **Q1（直覺題）：** 為什麼 AI 系統不能只看準確率？
>
> → 因為結果看似很準，仍可能對某些族群不公平。
>
> **Q2（判斷題）：** 如果一個模型整體準確率很高，就代表它一定公平嗎？
>
> → 看情況。整體準確率高，不代表每個族群的錯誤率都平衡，所以還要做分群檢查。

### iPAS 考題

> **Q：為什麼 AI 系統不能只看準確率？**
> → 因為結果看似很準，仍可能對某些族群不公平。
>
> **Q：公平性常要搭配哪類措施？**
> → 資料平衡、閾值調整、偏差檢查與持續監控都很常見。

### 常見問題

> **Q：怎麼衡量公平性？**
> 常用指標有統計均等差異、機會均等差異和預測均等差異。
>
> **Q：公平和隱私會衝突嗎？**
> 會，有時要知道族群差異才能檢查偏誤，所以得在兩者之間找平衡。
>
> **Q：誰該負責公平性？**
> 資料、模型、產品與政策團隊都要一起負責，不是單一職位能解決。

### 相關術語

> - **偏差**：要理解公平性，先看資料和模型怎麼產生偏差。
> - **準確率**：公平性和準確率經常需要一起討論。
> - **可解釋人工智慧**：如果模型看起來不公平，先能說清楚原因會更好處理。
> - **差分隱私**：很多公平性方案會和隱私一起考慮。
> - **歐盟通用資料保護規範**：做公平性與資料治理時，合規背景常會一起出現。

---

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