搜尋意圖： 如果你在找「抽樣偏誤 是什麼」或「抽樣偏誤 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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。
常見問題
抽樣偏誤和測量偏誤有什麼不同？
兩者都是資料品質問題，但發生在不同環節。抽樣偏誤發生在「誰被納入樣本」的選取階段，問題是樣本結構不能代表母體，例如只訪問自願填問卷的人。測量偏誤則發生在「已選取的樣本如何被量測」的記錄階段，問題是對個體的測量或標記本身不準確，例如問卷問題設計誘導特定答案、醫療記錄對某些群體的診斷標準不一致。兩者都可能同時存在，都需要在資料清理與分析前仔細識別。機器學習中的訓練資料可能同時受到抽樣偏誤（哪些用戶的資料被收集）和測量偏誤（標注者的主觀偏差）影響。
存活者偏誤在商業決策中是如何出現的？
存活者偏誤在商業場景中非常普遍。創業成功案例研究是典型例子：商業書籍和媒體大量報導成功企業家的特質和決策，但未能成功的創業者有同樣的特質卻失敗了，這些案例幾乎從不被記錄。導致讀者誤以為「早起、堅持、差異化定位」是成功的充分條件。另一個例子是投資基金績效評估：只看現存基金的歷史報酬，但已清算的虧損基金不在比較集合內，整體市場的「平均報酬」被高估。在機器學習中，若只用成功完成交易的用戶資料訓練推薦系統，而忽略中途放棄的用戶，系統將學不到放棄行為的信號，導致推薦結果不能有效降低用戶流失。
如何在資料收集階段預防抽樣偏誤？
預防抽樣偏誤最有效的時機是在資料收集設計階段。首先，清楚定義目標母體，明確「希望模型服務的對象是誰」，並確保收集計畫能覆蓋這個群體的所有重要子群。其次，使用機率抽樣方法（如分層隨機抽樣），確保各子群按既定比例被抽取，而非依賴便利樣本（如只向現有用戶發問卷）。第三，記錄資料收集的完整 metadata（時間、地點、管道、排除條件），方便事後審計偏誤來源。第四，定期比較收集到的樣本分布與已知母體分布（如人口普查資料），若有明顯偏差及早調整收集策略。最後，對於高風險 AI 系統，建議在資料收集前進行多元利害關係人審查，識別可能被邊緣化的群體並制定主動納入策略。