🔑 名詞卡
公平性指標（Fairness Metrics）
🎯 定義
用來衡量不同群體之間，在 AI 模型預測結果上是否存在系統性差異的量化指標，選用哪個指標取決於應用場景、業務目標與法規要求。
重點／應用
| 指標 | 定義 | 適用情境 |
|---|---|---|
| Demographic Parity（群體平等率） | 不同群體獲得正向預測的比例應大致相同 | 招聘、入學機會 |
| Equal Opportunity（機會平等） | 實際應獲得正向預測者，不同群體被正確預測的機率應相同 | 醫療診斷、社福核准 |
| Equalized Odds（均衡機率） | 不同群體的 TPR 與 FPR 皆需一致 | 司法判決、信用評估 |
| Disparate Impact（不利影響比） | 群體正向結果比例未達 80% Rule 可能構成間接歧視 | 法律合規審查 |
記憶技巧
「Demographic Parity 看『整體比例』；Equal Opportunity 看『真正合格者』；Equalized Odds 兩者都要看」。
易混淆
- vs 演算法偏見：公平性指標是量化工具，演算法偏見是被量化的問題現象。
- Demographic Parity 與 Equal Opportunity 可能同時符合一個、違反另一個，需依情境權衡選擇（見 CH6.2 情境題）。
📖 課文原文「『公平』並不是單一概念，而是需要明確的衡量標準與工具，才能有效檢驗模型在不同群體間是否存在不公平的差異。」