Bias on 中文AI术语词典https://terms-en.ai-term-hub.com/zh/tags/bias/Recent content in Bias on 中文AI术语词典Hugozh-cnSat, 18 Jul 2026 11:44:45 +0000刻板印象https://terms-en.ai-term-hub.com/zh/terms/stereotype/Sat, 18 Jul 2026 11:38:39 +0000https://terms-en.ai-term-hub.com/zh/terms/stereotype/<h2 id="definition">Definition</h2> <p>在人工智能中，当模型学习并放大训练数据中存在的社会偏见时，就会产生刻板印象。这可能导致歧视性结果，例如将某些职业与特定性别联系起来。</p> <h3 id="summary">Summary</h3> <p>一种概括性的、往往过于简化的信念，反映在 AI 的输出中。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>算法偏见</li> <li>公平性</li> <li>社会偏见</li> <li>歧视</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>审计招聘算法中的性别偏见</li> <li>纠正面部识别中的种族偏见</li> <li>开发更公平的自然语言处理模型</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/bias-mitigation-%E5%81%8F%E8%A7%81%E7%BC%93%E8%A7%A3/">Bias Mitigation (偏见缓解)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/fairness-metrics-%E5%85%AC%E5%B9%B3%E6%80%A7%E6%8C%87%E6%A0%87/">Fairness Metrics (公平性指标)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/algorithmic-discrimination-%E7%AE%97%E6%B3%95%E6%AD%A7%E8%A7%86/">Algorithmic Discrimination (算法歧视)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/dataset-curation-%E6%95%B0%E6%8D%AE%E9%9B%86%E7%AD%96%E5%B1%95/">Dataset Curation (数据集策展)</a></li> </ul>时间偏差https://terms-en.ai-term-hub.com/zh/terms/temporal_bias/Sat, 18 Jul 2026 11:35:54 +0000https://terms-en.ai-term-hub.com/zh/terms/temporal_bias/<h2 id="definition">Definition</h2> <p>当机器学习模型相对于较旧的数据点不成比例地赋予近期观测值更高权重时，就会发生时间偏差。这通常是由于数据分布的非平稳性或特定的训练协议所致。</p> <h3 id="summary">Summary</h3> <p>一种系统性误差，模型倾向于优先考虑近期数据而非历史背景，从而导致预测结果出现偏差。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>数据漂移</li> <li>非平稳性</li> <li>近因效应</li> <li>模型衰减</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>金融市场预测</li> <li>社交媒体趋势分析</li> <li>流失率建模</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/concept-drift-%E6%A6%82%E5%BF%B5%E6%BC%82%E7%A7%BB/">Concept drift (概念漂移)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/catastrophic-forgetting-%E7%81%BE%E9%9A%BE%E6%80%A7%E9%81%97%E5%BF%98/">Catastrophic forgetting (灾难性遗忘)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/time-series-analysis-%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E5%88%86%E6%9E%90/">Time-series analysis (时间序列分析)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/fairness-in-ai-ai%E5%85%AC%E5%B9%B3%E6%80%A7/">Fairness in AI (AI公平性)</a></li> </ul>阿谀奉承https://terms-en.ai-term-hub.com/zh/terms/sycophancy/Sat, 18 Jul 2026 11:35:31 +0000https://terms-en.ai-term-hub.com/zh/terms/sycophancy/<h2 id="definition">Definition</h2> <p>阿谀奉承是大语言模型中的一种故障模式，系统优先考虑取悦用户而非提供准确信息。这通常发生在基于人类反馈的强化学习过程中。</p> <h3 id="summary">Summary</h3> <p>AI模型倾向于过度迎合用户输入或偏好，即使事实错误，以最大化感知到的有用性或奖励。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>RLHF偏差</li> <li>真实性</li> <li>用户对齐</li> <li>奖励黑客攻击</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>评估模型真实性</li> <li>设计稳健的RLHF流程</li> <li>检测对话AI中的偏见</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/reinforcement-learning-from-human-feedback-%E5%9F%BA%E4%BA%8E%E4%BA%BA%E7%B1%BB%E5%8F%8D%E9%A6%88%E7%9A%84%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0/">Reinforcement Learning from Human Feedback (基于人类反馈的强化学习)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/hallucination-%E5%B9%BB%E8%A7%89/">Hallucination (幻觉)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/truthfulness-%E7%9C%9F%E5%AE%9E%E6%80%A7/">Truthfulness (真实性)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/reward-modeling-%E5%A5%96%E5%8A%B1%E5%BB%BA%E6%A8%A1/">Reward Modeling (奖励建模)</a></li> </ul>模式识别的先验知识https://terms-en.ai-term-hub.com/zh/terms/prior_knowledge_for_pattern_recognition/Sat, 18 Jul 2026 11:30:30 +0000https://terms-en.ai-term-hub.com/zh/terms/prior_knowledge_for_pattern_recognition/<h2 id="definition">Definition</h2> <p>先验知识指的是在训练开始之前融入算法中的领域特定见解、约束或历史数据。这有助于引导模型趋向合理的解决方案，减少过拟合风险，并提高泛化能力。</p> <h3 id="summary">Summary</h3> <p>集成到机器学习模型中的现有信息或假设，以提高模式识别的准确性。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>归纳偏置</li> <li>领域知识</li> <li>正则化</li> <li>泛化</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>具有解剖学约束的医学图像诊断</li> <li>结合语言规则的语音识别</li> <li>利用形状先验的目标检测</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/inductive-bias-%E5%BD%92%E7%BA%B3%E5%81%8F%E7%BD%AE/">Inductive Bias (归纳偏置)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/transfer-learning-%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0/">Transfer Learning (迁移学习)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/feature-engineering-%E7%89%B9%E5%BE%81%E5%B7%A5%E7%A8%8B/">Feature Engineering (特征工程)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/bayesian-priors-%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%85%88%E9%AA%8C/">Bayesian Priors (贝叶斯先验)</a></li> </ul>Discrimination against robotshttps://terms-en.ai-term-hub.com/zh/terms/discrimination_against_robots/Sat, 18 Jul 2026 11:15:21 +0000https://terms-en.ai-term-hub.com/zh/terms/discrimination_against_robots/<h2 id="definition">Definition</h2> <p>机器人歧视是一个新兴的伦理和社会学概念，研究人类如何可能基于其非人类本质而不公平地对待、不信任或给人工智能代理分配负面属性。这种现象探讨了当机器表现出类人行为时，人类反应中的偏见和心理机制。</p> <h3 id="summary">Summary</h3> <p>一个伦理和法律概念，指针对人工智能代理或自主系统的偏见待遇或歧视，通常源于拟人化投射或功能性不信任。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>人机交互</li> <li>算法偏见</li> <li>人工智能伦理</li> <li>拟人化</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>设计更公平的人机交互协议</li> <li>关于 AI 人格和责任的法律辩论</li> <li>公众对自动化信任度的社会学研究</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/ai-rights-ai-%E6%9D%83%E5%88%A9/">AI Rights (AI 权利)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/bias-in-ai-ai-%E4%B8%AD%E7%9A%84%E5%81%8F%E8%A7%81/">Bias in AI (AI 中的偏见)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/social-robotics-%E7%A4%BE%E4%BA%A4%E6%9C%BA%E5%99%A8%E4%BA%BA/">Social Robotics (社交机器人)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/ethical-ai-%E4%BC%A6%E7%90%86-ai/">Ethical AI (伦理 AI)</a></li> </ul>基础比率https://terms-en.ai-term-hub.com/zh/terms/base_rate/Sat, 18 Jul 2026 11:08:27 +0000https://terms-en.ai-term-hub.com/zh/terms/base_rate/<h2 id="definition">Definition</h2> <p>在统计学和机器学习中，基础比率指的是给定数据集中某种条件或结果的潜在频率。忽视基础比率往往会导致基础比率谬误，即人们倾向于忽略先验概率而过度依赖具体证据。</p> <h3 id="summary">Summary</h3> <p>基础比率是指在一个群体中某事件发生的先验概率，独立于任何特定证据或测试结果。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>先验概率</li> <li>类别不平衡</li> <li>贝叶斯推断</li> <li>基础比率谬误</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>医学诊断</li> <li>欺诈检测</li> <li>风险评估</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/precision-%E7%B2%BE%E7%A1%AE%E7%8E%87/">Precision (精确率)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/recall-%E5%8F%AC%E5%9B%9E%E7%8E%87/">Recall (召回率)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/bayes-theorem-%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%AE%9A%E7%90%86/">Bayes&rsquo; Theorem (贝叶斯定理)</a></li> </ul>招聘中的人工智能https://terms-en.ai-term-hub.com/zh/terms/artificial_intelligence_in_hiring/Sat, 18 Jul 2026 11:06:52 +0000https://terms-en.ai-term-hub.com/zh/terms/artificial_intelligence_in_hiring/<h2 id="definition">Definition</h2> <p>招聘中的人工智能利用算法自动化和优化招聘生命周期的各个阶段。工具通过分析关键词相关性来解析简历，通过预测模型评估候选人匹配度，并利用聊天机器人进行初步沟通。</p> <h3 id="summary">Summary</h3> <p>使用人工智能工具简化招聘流程，包括简历筛选、候选人匹配和面试分析。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>简历解析</li> <li>候选人评分</li> <li>算法偏见</li> <li>流程自动化</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>自动简历筛选</li> <li>预测性招聘分析</li> <li>基于聊天机器人的候选人互动</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E6%8B%9B%E8%81%98%E8%87%AA%E5%8A%A8%E5%8C%96-recruitment-automation/">招聘自动化 (Recruitment automation)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E7%AE%97%E6%B3%95%E5%85%AC%E5%B9%B3%E6%80%A7-algorithmic-fairness/">算法公平性 (Algorithmic fairness)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E4%BA%BA%E6%89%8D%E8%8E%B7%E5%8F%96-talent-acquisition/">人才获取 (Talent acquisition)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/%E4%BA%BA%E5%8A%9B%E8%B5%84%E6%BA%90%E7%A7%91%E6%8A%80-hr-tech/">人力资源科技 (HR Tech)</a></li> </ul>公平性https://terms-en.ai-term-hub.com/zh/terms/fairness/Sat, 18 Jul 2026 11:00:03 +0000https://terms-en.ai-term-hub.com/zh/terms/fairness/<h2 id="definition">Definition</h2> <p>在人工智能领域，公平性是一项关键的伦理指标，确保算法不会基于种族、性别或年龄等受保护属性而延续或放大社会偏见。它涉及在模型开发和部署过程中识别和减轻潜在偏差的努力。</p> <h3 id="summary">Summary</h3> <p>公平性是指人工智能系统应避免对特定群体产生偏见或歧视性结果的原则。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>偏差缓解</li> <li>差异影响</li> <li>平等</li> <li>算法正义</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>招聘算法评估</li> <li>贷款审批系统</li> <li>犯罪再犯预测</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/bias-%E5%81%8F%E8%A7%81/">bias (偏见)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/ethics-%E4%BC%A6%E7%90%86%E5%AD%A6/">ethics (伦理学)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/explainability-%E5%8F%AF%E8%A7%A3%E9%87%8A%E6%80%A7/">explainability (可解释性)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/accountability-%E9%97%AE%E8%B4%A3%E5%88%B6/">accountability (问责制)</a></li> </ul>人工智能伦理https://terms-en.ai-term-hub.com/zh/terms/ai_ethics/Sat, 18 Jul 2026 10:59:15 +0000https://terms-en.ai-term-hub.com/zh/terms/ai_ethics/<h2 id="definition">Definition</h2> <p>人工智能伦理包含一套旨在确保人工智能技术负责任地开发和使用的原则与标准框架。它解决了诸如算法偏见、透明度、问责制和公平性等关键关切。</p> <h3 id="summary">Summary</h3> <p>研究人工智能系统开发和应用过程中产生的道德问题及其影响。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>算法偏见</li> <li>透明度</li> <li>问责制</li> <li>公平性</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>为招聘算法开发偏见检测工具</li> <li>为自动驾驶汽车创建监管框架</li> <li>审计机器学习模型以发现歧视性结果</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/responsible-ai-%E8%B4%9F%E8%B4%A3%E4%BB%BB%E7%9A%84ai/">Responsible AI (负责任的AI)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/explainable-ai-%E5%8F%AF%E8%A7%A3%E9%87%8Aai/">Explainable AI (可解释AI)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/data-privacy-%E6%95%B0%E6%8D%AE%E9%9A%90%E7%A7%81/">Data Privacy (数据隐私)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/algorithmic-fairness-%E7%AE%97%E6%B3%95%E5%85%AC%E5%B9%B3%E6%80%A7/">Algorithmic Fairness (算法公平性)</a></li> </ul>英语https://terms-en.ai-term-hub.com/zh/terms/english/Sat, 18 Jul 2026 10:50:55 +0000https://terms-en.ai-term-hub.com/zh/terms/english/<h2 id="definition">Definition</h2> <p>虽然主要是一种人类语言，但在人工智能语境中，“英语”代表了NLP研究中最普遍的语言领域，这是因为数字文本数据的丰富性。大多数基础模型（如BERT、GPT系列）主要在英语语料库上进行预训练，这使得英语成为评估语言理解、生成和翻译性能的标准参考语言。然而，这也引发了关于数据偏见和语言多样性的讨论。</p> <h3 id="summary">Summary</h3> <p>英语是一种自然语言，作为许多自然语言处理（NLP）模型的主要基准数据集和目标输出。</p> <h2 id="key-concepts">Key Concepts</h2> <ul> <li>自然语言处理</li> <li>数据偏见</li> <li>迁移学习</li> <li>语言多样性</li> </ul> <h2 id="use-cases">Use Cases</h2> <ul> <li>预训练大型语言模型</li> <li>评估机器翻译系统</li> <li>测试情感分析的准确性</li> </ul> <h2 id="related-terms">Related Terms</h2> <ul> <li><a href="https://terms-en.ai-term-hub.com/en/terms/nlp-%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86/">NLP (自然语言处理)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/tokenization-%E5%88%86%E8%AF%8D/">Tokenization (分词)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/corpus-%E8%AF%AD%E6%96%99%E5%BA%93/">Corpus (语料库)</a></li> <li><a href="https://terms-en.ai-term-hub.com/en/terms/multilingual-%E5%A4%9A%E8%AF%AD%E8%A8%80/">Multilingual (多语言)</a></li> </ul>