🔑 名詞卡
演算法偏見（Algorithmic Bias）
🎯 定義
AI 系統因輸入資料或演算法設計，在無意間放大既有社會偏見或不公平，造成對特定群體不利或歧視性結果的現象。可分為資料層面（來源/內容/製程偏誤）與模型層面（演算法/目標函數/正規化偏誤）兩大成因。
重點／應用
| 資料層面偏誤 | 模型層面偏誤 |
|---|---|
| 來源偏誤：資料無法均衡涵蓋所有群體 | 演算法偏見：追求整體效能忽略少數群體 |
| 內容偏誤：資料本身含刻板印象 | 目標函數偏誤：未加入公平性約束 |
| 製程偏誤：標註過程主觀不一致 | 正規化偏誤：簡化變數降低對少數群體敏感度 |
即使輸入資料相對平衡，模型本身仍可能因演算法設計產生不公平結果，公平性治理不能只處理資料層面。
記憶技巧
「偏見可能來自『資料本身』，也可能來自『演算法運作方式』，兩條路都要檢查」。
易混淆
- vs 公平性指標：演算法偏見是「問題現象」；公平性指標是用來「量化衡量」偏見程度的工具。
📖 課文原文「AI 偏見（Bias）並非單純的技術瑕疵，而是涉及社會公平、法律合規、倫理責任與企業聲譽的多面向議題。」