🔑 名詞卡
資料代表性（Representativeness）
🎯 定義
訓練資料是否能準確涵蓋其所欲建模的整體群體，避免過度集中於特定族群、文化、語言或背景。代表性不足會使模型產生系統性偏見（Systematic Bias）。
四類偏誤風險
| 偏誤類型 | 成因 | 後果 |
|---|---|---|
| 性別與族群偏誤 | 語料過度代表某一性別或種族 | 將醫師、工程師預設為男性，護士、助理預設為女性 |
| 地區與文化偏誤 | 語料主要來自特定語系或文化 | 難以反映其他地區語言習慣，造成跨語言應用障礙 |
| 社經地位偏誤 | 資料集中於高收入、都市區用戶 | 對中低收入或偏鄉族群需求理解不足 |
| 資料來源平台偏誤 | 語料主要來自特定社群平台或論壇 | 用語偏離主流人口，無法處理正式或多元語境 |
記憶技巧
代表性＝「你的資料像不像真實世界的人口比例」。控制偏誤的時機在資料收集與前處理階段，不是等模型訓練完才補救。
易混淆
- vs 資料多樣性：多樣性看「涵蓋範圍夠不夠廣」（模態、風格、主題、情境）；代表性看「各族群比例對不對」。多樣性不足 → 生成內容單調；代表性不足 → 生成內容有偏見。
- vs 演算法偏見：資料代表性是成因，演算法偏見是結果。
📖 課文原文「資料代表性（Representativeness）指的是訓練資料是否能準確涵蓋其所欲建模的整體群體，避免過度集中於特定族群、文化、語言或背景。」