完整定義
演算法偏見（Algorithmic Bias）源自多個環節：歷史偏見（訓練資料本身的社會偏見）、表示偏見（特定族群資料不足）、測量偏見（特徵定義不公平）。識別方法：公平性指標（Fairness Metrics）如 Equal Opportunity、Demographic Parity。緩解策略：資料重新平衡、對抗性去偏訓練、後處理校正。iPAS 考試重點：了解演算法偏見的來源、識別方式與調整策略，與 AI 倫理、負責任 AI 密切相關。
白話說明
你有沒有看過履歷篩選系統，總是把某些人排得比較後面？
你可以把演算法偏見想成模型學到了不公平的規律，結果對某些族群特別不利。它不一定是故意歧視，但輸出結果真的會讓人感到不公平。
這很重要，因為一旦偏見進到招募、貸款、教育或醫療，傷害會直接落在人身上，不只是數字看起來怪而已。
記住這句
模型不是只要準，還要對所有人都差不多公平。
容易混淆
演算法偏見 vs 人工智慧公平性
偏見是問題現象。
公平性是希望達到的目標。
最關鍵的區別：一個是偏掉，一個是拉回來。
演算法偏見 vs AI倫理
偏見是倫理關心的具體案例。
倫理還包含責任、透明和隱私。
最關鍵的區別：偏見是其中一種倫理風險。
演算法偏見 vs 資料偏差
資料偏差是來源。
演算法偏見是最後在模型結果裡看到的偏差。
最關鍵的區別：來源和結果不同。
實際案例
招募系統
若歷史資料裡某類候選人過去比較少被錄取，模型可能學到這個模式，之後就持續把同類人選排低，這就是偏見會自我放大。
貸款審核
當模型對某些地區或年齡層的拒貸率特別高，就算沒有明寫歧視，結果也可能讓某些族群更難借到錢。
算法與應用
怎麼發現偏見
先切族群看錯誤率，再看不同群體的通過率、召回率和誤判率是否差很多。
怎麼減少偏見
改資料、改特徵、重加權、後處理校正、人工審核，常常要一起做才有效。
情境判斷
Q1（直覺題）： 一個模型整體準確率很高，但某個族群的錯誤率明顯更高，這算不算問題？
算。整體高分不代表所有人都受到同樣待遇，這就是偏見要看的地方。
Q2（判斷題）： 只要把性別欄位拿掉，模型就一定不會有偏見嗎？
不一定，這要看情況。模型可能用其他欄位間接推回性別資訊，所以還要看結果是否真的公平。
iPAS 考題
出題方向： 常考偏見來源、如何檢測不同族群表現差異，以及公平性和準確率的取捨。
題目
下列何者最能描述演算法偏見？
演算法因資料或設計因素，對特定族群產生不公平結果。
常見問題
不一定，很多偏見是資料歷史包袱或設計選擇累積出來的。
不是，小模型一樣會有，只要資料或規則有問題就可能發生。
不能只看總準確率，要分群體看表現差異。
有可能，但常常是必要的取捨，因為你要換來更公平的結果。
常被討論的情境是履歷篩選模型用過去的錄取紀錄訓練，如果過去錄取的人大多來自某個性別或學校，模型就可能把相關特徵當成加分條件，對其他求職者打出較低分數。即使沒有直接輸入性別，郵遞區號或社團名稱等代理特徵也可能帶出同樣的偏差。
英文是 algorithmic bias，指電腦系統裡系統性、可重複出現的錯誤，造成對某些群體不公平的結果，例如讓某一群使用者比其他人更容易被拒絕或被低估。來源可能在資料、特徵設計、模型目標或使用方式，不一定出自開發者的意圖。
出現在這些考古題
官方公告試題的逐題解析裡，這 5 題把演算法偏見列為延伸術語。
立即測驗
想測試你對 演算法偏見 的掌握程度？用考古題作答
相關術語
來源
參考來源：en.wikipedia.org
考試範圍：iPAS AI 應用規劃師評鑑內容範圍參考（115.02 更新），經濟部產業人才能力鑑定，實際考試內容以官方公告為準。
其他格式：Markdown 版本