抽樣偏誤 是什麼？
Sampling Bias：抽樣偏誤 的完整解釋
資料收集過程中某些群體被系統性地過度或不足代表，導致樣本無法真實反映目標母體的問題。
抽樣偏誤的核心問題在於樣本對母體的代表性不足。在統計學的理想假設中，樣本應該是從目標母體中以隨機方式抽取的（即每個個體有相等且已知的被選取機率），但現實中許多資料收集情境都無法滿足這個假設，造成系統性的選取偏差。
常見的抽樣偏誤類型
自我選擇偏誤（Self-Selection Bias）：調查或資料收集依賴個體自願參與，而自願參與者往往具有特定的動機或特徵，不能代表所有人。例如，網路評論只能反映極端滿意或極端不滿意的消費者，無法代表大多數有中性體驗的用戶。
存活者偏誤（Survivorship Bias）：只對仍然存在（存活）的個體進行分析，忽略了已消失（失敗、退出）的個體，導致對成功率的過度樂觀估計。著名案例：二戰時分析返回飛機的彈孔分布來強化防護，但問題在於那些飛機「已經回來了」，應該分析的是沒有回來的飛機受損在哪裡。
確認偏誤（Confirmation Bias）在資料收集中的體現：研究者無意識地更傾向收集支持預設假設的資料，忽略反駁性資料。
選取偏誤（Selection Bias）：研究設計本身決定了哪些個體可以進入研究，例如臨床試驗的入排標準可能排除了老年人或多重疾病患者，導致試驗結果難以推廣到真實患者群體。
歷史偏誤（Historical Bias）在機器學習中：使用過去的決策資料訓練模型，而過去的決策本身就存在歧視性選擇，例如歷史招聘資料中女性程式設計師被系統性低估錄用，用此資料訓練的 AI 招聘工具將延續這個偏見。
地理或平台偏誤：從特定平台或地理位置收集的資料，不一定能代表其他平台或地區的用戶。NLP 模型若主要用英文網路資料訓練，對低資源語言的效果通常較差。
對機器學習模型的影響
抽樣偏誤在機器學習中可以從以下幾個層面造成問題：
- 模型效能差異化：模型在訓練集代表性足夠的群體上效果好，在代表性不足的群體上效果差，但整體指標可能掩蓋這種差距。
- 強化既有不平等：偏斜的訓練資料讓模型「學會」了歷史上的不公平決策模式，並在部署後持續強化這些模式。
- 泛化失敗：模型在測試集（與訓練集同偏誤）上表現良好，但在真實部署環境（不同分布）中表現下降。
偵測與緩解方法
- 資料來源審計：記錄並分析資料的收集方式、時間、地點、來源平台，識別潛在的系統性選取問題。
- 分層抽樣分析：將資料按人口屬性分層，比較各子群的樣本比例與已知母體比例是否一致。
- 重新採樣（Resampling）：對代表性不足的群體進行過採樣（Over-sampling），或對過度代表的群體進行欠採樣（Under-sampling）。
- 樣本權重（Instance Weighting）：對不同群體的樣本賦予不同的訓練權重，使模型學習更公平的分布。
- 增加資料多樣性：主動從代表性不足的群體中收集更多資料，從根源解決問題。
大型語言模型訓練中的抽樣偏誤
LLM 的訓練語料同樣面臨嚴重的抽樣偏誤問題。網路爬取語料高度偏向英語、2020 年代前的資訊、西方文化視角、受過高等教育的寫作風格，以及網路上活躍的族群。這導致 LLM 在代表性不足的語言、文化、時期上的知識和能力明顯較弱。此外，網路語料包含大量虛假資訊、偏激言論，若未適當過濾，模型可能習得有害的偏見。負責任的 LLM 開發者應公開訓練資料的組成與過濾策略（如 Data Cards），讓外界能評估潛在的偏誤來源。
在 AI 系統審計中的重要性
政府與企業在採購或自建 AI 系統時，應要求供應商提供訓練資料的代表性分析文件（類似「資料卡」Data Card 或「模型卡」Model Card），記錄訓練資料的來源、時間範圍、人口組成比例，以及已知的代表性不足問題。這有助於評估 AI 系統在特定部署場景（如服務台灣在地用戶）中可能存在的抽樣偏誤風險，並在系統上線後設計對應的監控指標，確保不同用戶群體都能得到公平且準確的服務。