偏见检测
偏见检测是一种识别和评估AI系统在决策中是否存在性别、种族、年龄等歧视性偏差的技术手段，是AI伦理与公平性的核心工具。
一句话解释
偏见检测就像给AI模型做“道德体检”，通过量化分析模型输出结果在不同人群间的差异，来判断这个AI是否公平、是否存在歧视倾向。
为什么会被关注
随着AI进入招聘、信贷、司法等关键领域，模型偏见可能导致真实的社会不公。例如，某些招聘算法被曝存在性别歧视，或人脸识别对深色皮肤人群准确率更低。
企业和监管机构开始强制要求AI系统通过偏见检测才能上线，避免法律诉讼和声誉风险。同时，用户对AI服务公平性的期待也越来越高。
核心逻辑
偏见检测通常通过对比模型在不同敏感属性组（如性别、种族）上的预测准确率、假阳性率等指标来判断是否存在显著差异。常用度量方法包括统计均等差异、均等机会差异等。
检测分为数据层和模型层：数据层检查训练样本是否分布失衡（比如某个群体样本过少）；模型层则分析输出分布是否对不同群体产生系统性不公。发现偏见后可通过重采样、调整损失函数或对抗去偏等方法修正。
常见场景
招聘筛选：检测算法是否对女性或特定年龄段的求职者打分偏低。信用评分：评估模型是否因地域或种族因素错误拒绝贷款申请。人脸识别：验证系统在不同肤色、性别上的识别准确性是否一致。
内容推荐：检查推荐系统是否给某些用户群体推送更低质量的信息。医疗诊断：确保AI对各类患者（不同族群、性别）的疾病预测没有系统性偏差。
容易混淆的点
偏见检测不等于数据清洗。数据清洗只是去除错误或重复数据，而偏见检测关注的是数据中隐藏的社会偏见和模型决策的不公平性，即使数据干净仍可能存在偏见。
偏见检测也常被误认为“去除所有差异”。实际上，公平性要求的是“对相同情况的人给予相同对待”，而非抹杀一切统计差异。例如，某种疾病在特定人群发病率更高，模型正确反映这种差异并不算偏见。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词法院AI应用是指人工智能技术在司法领域的落地实践，包括智能辅助办案、类案自动推送、裁判文书生成、庭审语音识别等，旨在提升审判效率与公平性，减轻法官事务性负担。
法院AI部署是指将语音识别、文书生成、类案推送等人工智能技术集成到法院办案流程中，旨在提升审判效率、降低人为差错，并推动司法透明化。近年来，各地智慧法院试点加速，AI从辅助工具逐渐嵌入核心业务环节。
法院AI训练指利用裁判文书、法律法规等数据，训练机器学习模型以辅助司法工作，如案件分类、证据分析、量刑建议等。它并非替代法官，而是通过技术手段提升效率与一致性，正成为智慧法院建设的核心环节。
法院AI仿真利用人工智能技术对法庭场景、审判程序、辩论逻辑进行数字化模拟，用于法律教学、案件预演、证据推演等场景，帮助法官、律师和法学院学生更直观地理解司法过程。
法院AI建模是指运用人工智能技术，尤其是大语言模型和机器学习算法，对案件的事实要素、法律条文和历史判例进行结构化建模，辅助法官完成证据审查、量刑参考和文书生成的技术方案。