# L23402 演算法偏見與公平性 — 模擬試題 30 題 > 題型：四選一單選題（iPAS AI 規劃師中級 標準題型） > 教材來源：`chunks/L23402.txt`（每題解析末標 chunks 行號） > 命題原則：用易混淆概念設計干擾項（同類項換位、屬性錯配、定義 partial swap） --- ## 第一部分｜前言與章節導覽（Q1） ### Q1 下列關於 AI 偏見（Bias）的本質，何者**正確**？ - (A) AI 偏見純粹是技術瑕疵，與社會公平、法律合規、倫理責任無關 - (B) AI 系統完全中立，不會受輸入資料或演算法設計影響 - (C) AI 偏見涉及社會公平、法律合規、倫理責任與企業聲譽的多面向議題，並非單純的技術瑕疵 - (D) AI 偏見只影響企業效能，與弱勢群體無關 **答案：(C)** 解析：AI 偏見是「多面向議題」，從歷史數據偏誤、資料代表性不足、到模型內部邏輯都可能放大社會偏見，造成歧視性結果。常見干擾項把 AI 偏見窄化為技術問題。（chunks line 9–11） --- ## 第二部分｜偏見成因 — 資料層面（Q2–Q7） ### Q2 下列關於「資料代表性（Data Representativeness）」的核心定義，何者**正確**？ - (A) 衡量模型訓練速度的指標 - (B) 衡量訓練資料能否忠實且全面反映目標群體特性的核心指標 - (C) 衡量模型推論延遲的指標 - (D) 衡量資料壓縮率的指標 **答案：(B)** 解析：資料代表性 = 訓練資料是否能反映目標群體特性。資料若過度集中特定群體/文化/語言/社經背景 → 系統性偏見。（chunks line 20–22） --- ### Q3 下列關於「來源偏誤（Source Bias）」的敘述，何者**正確**？ - (A) 發生在資料蒐集階段，資料無法均衡涵蓋所有應被代表的群體或情境 - (B) 出現在資料標註過程中，因標註者主觀判斷導致偏差 - (C) 因資料內含不公平或歧視觀點而產生 - (D) 與資料是否平衡無關 **答案：(A)** 解析：來源偏誤 = 蒐集階段資料涵蓋不均，例：醫療模型缺某年齡層數據、語料僅來自北美。(B) 是製程偏誤；(C) 是內容偏誤。常見三者混淆。（chunks line 25–36） --- ### Q4 下列關於「內容偏誤（Content Bias）」的敘述，何者**正確**？ - (A) 因資料蒐集階段群體分佈不均所致 - (B) 因資料標註者主觀判斷不一致所致 - (C) 資料本身包含刻板印象或歷史不平等，反映社會偏見（如「醫師預設男性、護士預設女性」） - (D) 與模型架構選擇有關 **答案：(C)** 解析：內容偏誤 = 資料本身內容含歧視觀點/刻板印象 → 模型學習並複製。例：信用審核歷史資料隱含種族或性別歧視。(A) 是來源偏誤；(B) 是製程偏誤。（chunks line 38–51） --- ### Q5 下列關於「製程偏誤（Process Bias）」的敘述，何者**錯誤**？ - (A) 出現在資料標註或編輯過程 - (B) 因標註者的主觀或文化差異造成不一致 - (C) 不同標註者對同一句話在情感分析上的判斷不同，屬於典型例子 - (D) 與資料蒐集階段的群體分佈不均直接相關 **答案：(D)** 解析:(D) 錯 — 群體分佈不均是「來源偏誤」，不是製程偏誤。製程偏誤 = 標註者主觀判斷不一致，例：情感分析標註差異。（chunks line 52–63） --- ### Q6 下列關於三種資料偏誤的**對應**，何者**正確**？ - (A) 來源偏誤=資料蒐集階段不均；內容偏誤=資料本身含歧視觀點；製程偏誤=標註者主觀差異 - (B) 來源偏誤=標註者差異；內容偏誤=蒐集不均；製程偏誤=資料本身含歧視 - (C) 來源偏誤=資料本身含歧視；內容偏誤=蒐集不均；製程偏誤=標註者差異 - (D) 三者皆為標註過程造成 **答案：(A)** 解析：資料偏誤三分類：來源（蒐集階段不均）/ 內容（資料本身含歧視）/ 製程（標註主觀差異）。常見干擾項把三者特性互換。（chunks line 23–63） --- ### Q7 若 AI 語料庫「僅來自北美，模型無法理解亞洲語境」，屬於何種偏誤？ - (A) 製程偏誤 - (B) 內容偏誤 - (C) 來源偏誤 — 文化與語言侷限，發生在資料蒐集階段 - (D) 模型偏見 **答案：(C)** 解析：「文化與語言侷限」是來源偏誤的典型例子。同類例：群體分佈不均、社經/地理偏重、來源平台侷限。（chunks line 33–34） --- ## 第三部分｜偏見成因 — 模型層面（Q8–Q10） ### Q8 下列關於「模型偏見」的核心特徵，何者**正確**？ - (A) 只有資料偏誤會導致不公平，模型本身不會引入偏見 - (B) 即使輸入資料相對平衡，模型本身仍可能因演算法設計、目標設定或學習邏輯產生不公平的預測結果 - (C) 模型偏見必然減弱資料偏見 - (D) 模型偏見只在訓練階段存在，部署後消失 **答案：(B)** 解析：模型偏見 = 即使資料平衡也可能因模型設計引入或放大偏見。常見干擾項認為模型完全中立。（chunks line 65–67） --- ### Q9 下列關於「目標函數偏誤（Objective Function Bias）」的敘述，何者**正確**？ - (A) 多數模型以「整體平均精度」作為優化目標，若未加入公平性約束，可能在提升整體效能同時犧牲特定群體準確度 - (B) 必然導致全體模型效能下降 - (C) 與模型訓練目標無關 - (D) 屬於資料偏誤的一種 **答案：(A)** 解析：目標函數偏誤 = 整體平均精度為目標但忽略群體差異。屬模型偏見的一種，需加入公平性約束才能避免。（chunks line 75–77） --- ### Q10 下列關於「對抗式訓練不足（Insufficient Adversarial Training）」的敘述，何者**正確**？ - (A) 完全沒有導入對抗式公平學習 - (B) 即使導入對抗式公平學習（Adversarial Fairness），若設計不完善或參數設定不當，仍可能保留部分偏見 - (C) 對抗式訓練不會出現任何偏見問題 - (D) 屬於資料層面偏誤 **答案：(B)** 解析：對抗式訓練不足 = 雖已導入對抗式公平學習，但設計不完善導致殘留偏見。常見混淆認為對抗式訓練能完美消除偏見。（chunks line 83–85） --- ## 第四部分｜公平性指標（Q11–Q17） ### Q11 下列關於「Demographic Parity（群體平等率）」的敘述，何者**正確**？ - (A) 強調不同群體獲得正向預測（如核准貸款、錄取面試）的比例應大致相同（Equality of Outcome） - (B) 強調真正有資格的人不能漏掉 - (C) 要求 TPR 與 FPR 在群體間皆需一致 - (D) 比較群體間正確預測率的差異 **答案：(A)** 解析：Demographic Parity = 結果均等分配（不論實際資格）；常見干擾把 Demographic Parity 與 Equal Opportunity 對調。(B) 是 Equal Opportunity；(C) 是 Equalized Odds。（chunks line 115–134） --- ### Q12 下列關於「Equal Opportunity（機會平等）」的敘述，何者**正確**？ - (A) 不同群體獲得正向預測的整體比例需相同 - (B) 在實際應獲得正向預測的個案中（如真正應核准貸款的人），不同群體被正確預測的機率應相同；強調真正有資格的人不能漏掉 - (C) 要求 TPR 與 FPR 在群體間皆一致 - (D) 比較群體間正向結果的比例是否達 80% **答案：(B)** 解析：Equal Opportunity 聚焦「真正應該被選擇」者的正確預測比例。適用醫療診斷、社會福利核准。常與 Demographic Parity 混淆 — 前者比較資格者、後者比較整體比例。（chunks line 136–155） --- ### Q13 下列關於「Equalized Odds（均衡機率）」的敘述，何者**正確**？ - (A) 只關注正向預測的正確率 - (B) 要求模型在不同群體間，對「正例」與「負例」都有相同的預測機率，即 TPR（正確核准比例）與 FPR（錯誤核准比例）皆需一致 - (C) 強調結果的均等分配，與正例負例無關 - (D) 是基礎匿名化技術 **答案：(B)** 解析：Equalized Odds = TPR + FPR 在群體間都一致，最嚴格的公平性要求。適用司法判決、信用評估等敏感領域。常見干擾把它與 Equal Opportunity 對調 — 後者只關注 TPR。（chunks line 156–175） --- ### Q14 下列關於「Disparate Impact（不利影響比）」的敘述，何者**正確**？ - (A) 若某群體獲得正向結果的比例未達另一群體的 80%（80% Rule），可能構成間接歧視 - (B) 計算公式為 80% × 正向結果比例 - (C) 不適用於法律合規審查 - (D) 與招聘、公平貸款歧視檢驗無關 **答案：(A)** 解析：Disparate Impact 用「80% Rule」做門檻 — 群體比例差距超過 80% 視為歧視。主要用於法律合規審查（招聘、公平貸款）。（chunks line 177–189） --- ### Q15 下列關於 IBM AI Fairness 360（AIF360）工具的敘述，何者**錯誤**？ - (A) 由 IBM Research 開發的開源 Python 工具包 - (B) 支援超過 70 種公平性指標及多種去偏技術 - (C) 提供資料前處理、模型內部處理及結果後處理的去偏方法 - (D) 是 Microsoft 開發的工具，與 IBM 無關 **答案：(D)** 解析:(D) 錯反 — AIF360 由 IBM Research 開發，Microsoft 開發的是 Fairlearn。常見干擾項把兩個工具歸屬對調。（chunks line 195–214） --- ### Q16 下列關於 Microsoft Fairlearn 工具的敘述，何者**正確**？ - (A) 由 Google 開發 - (B) 由微軟開發，專注於衡量及降低 AI 系統中的公平性問題，與 scikit-learn 等 Python 生態系統高度相容 - (C) 提供超過 70 種公平性指標，遠多於 AIF360 - (D) 不支援可解釋性分析 **答案：(B)** 解析：Fairlearn = 微軟開發、scikit-learn 友善整合、提供公平性約束下的模型再訓練 + 可解釋性分析。但去偏功能較 AIF360 少，適合中小型專案。（chunks line 216–233） --- ### Q17 若場景為「醫療診斷必須確保真正應該被診斷出的病患不能漏掉」，最合適的公平性指標為何？ - (A) Demographic Parity - (B) Equal Opportunity - (C) Disparate Impact - (D) K-Anonymity **答案：(B)** 解析：Equal Opportunity 適用「必須確保真正該被服務者不被忽略」的任務，如醫療診斷、社會福利核准。重點在「TP 中不能漏掉」。（chunks line 147–150） --- ## 第五部分｜降低演算法偏見的方法論（Q18–Q24） ### Q18 下列關於降低演算法偏見的「三階段」分類，何者**正確**？ - (A) 資料前處理 → 模型內部處理 → 模型後處理 - (B) 資料前處理 → 模型評估 → 模型部署 - (C) 模型內部處理 → 資料前處理 → 模型後處理 - (D) 模型後處理 → 資料前處理 → 模型內部處理 **答案：(A)** 解析：降低偏見三階段：① 資料前處理（重新抽樣/特徵去偏/匿名化）→ ② 模型內部處理（公平性約束/對抗式去偏/公平性正規化）→ ③ 模型後處理（門檻調整/結果校準）。（chunks line 237–333） --- ### Q19 下列關於「資料重新抽樣（Re-sampling）」的敘述，何者**正確**？ - (A) 透過增加或減少特定群體資料的方式，使資料分佈更加均衡，屬於資料前處理 - (B) 在模型訓練過程中加入公平性約束 - (C) 在模型輸出後調整預測門檻 - (D) 屬於模型後處理 **答案：(A)** 解析：資料重新抽樣 = 資料前處理；例：招聘模型訓練前調整不同性別履歷數量達平衡。常與類別權重調整混淆 — 後者不改樣本數但改損失權重。（chunks line 243–251） --- ### Q20 下列關於「特徵去偏處理（Feature Neutralization）」的敘述，何者**正確**？ - (A) 移除或調整可能引發偏見的敏感特徵（如性別、族群）或其高度相關的特徵 - (B) 對模型輸出加上隨機噪聲 - (C) 屬於模型內部處理 - (D) 主要用於提升模型推論速度 **答案：(A)** 解析：特徵去偏處理 = 資料前處理之一；例：銀行信用評分移除客戶族群特徵避免種族偏見。需注意「高度相關特徵」也要處理（避免代理變數仍洩漏敏感資訊）。（chunks line 253–261） --- ### Q21 下列關於「對抗式去偏模型（Adversarial Fairness）」的敘述，何者**正確**？ - (A) 同時訓練一個去預測敏感特徵（如性別）的「對抗式網路」，迫使主模型學到不受敏感特徵影響的特徵表現 - (B) 屬於模型後處理 - (C) 屬於資料前處理 - (D) 直接刪除敏感特徵，不需任何網路訓練 **答案：(A)** 解析：對抗式去偏 = 模型內部處理；例：招聘模型透過對抗網路訓練，使履歷分析結果無法推斷申請者性別。常見混淆把對抗式去偏與特徵去偏對調 — 前者用對抗網路訓練、後者直接移除特徵。（chunks line 287–295） --- ### Q22 下列關於「結果門檻調整（Threshold Adjustment）」與「結果校準（Calibration）」的**差異**，何者**正確**？ - (A) 門檻調整=改變判斷標準（閾值，如貸款核准 60→55 分）；校準=不改閾值但調整不同群體預測分數（如 60→65 分），使同分數在不同群體具相同意義 - (B) 兩者完全相同，僅名稱不同 - (C) 門檻調整改分數、校準改閾值 - (D) 兩者都屬於資料前處理 **答案：(A)** 解析：兩者皆屬模型後處理但機制不同：門檻調整改「判斷標準（閾值）」；校準改「分數本身」但不改判斷標準。最常見混淆點。（chunks line 311–333） --- ### Q23 下列關於「公平性正規化（Fairness Regularization）」的敘述，何者**正確**？ - (A) 在模型訓練目標函數中加入額外的公平性損失項（Fairness Loss），同時平衡準確度與公平性 - (B) 屬於資料前處理 - (C) 屬於模型後處理 - (D) 不涉及損失函數 **答案：(A)** 解析：公平性正規化 = 模型內部處理；例：信用評分模型透過加入公平性損失函數，確保各族群錯誤率接近。常與 L1/L2 正規化混淆 — 後者是防過擬合，公平性正規化是降偏見。（chunks line 297–305） --- ### Q24 若 AI 模型已部署，但發現「在不同族群上錯誤率有明顯差異」，最快速的修正方法為何？ - (A) 重新蒐集所有資料並重新訓練 - (B) 結果門檻調整或結果校準（模型後處理）— 不需重新訓練即可調整不同群體門檻或校準分數 - (C) 完全廢棄模型 - (D) 增加模型參數量 **答案：(B)** 解析：模型後處理（門檻調整 + 結果校準）的最大優勢就是「無需重新訓練」即可在部署後快速修正不公平。常與資料前處理/內部處理混淆 — 前兩者都需重新訓練。（chunks line 307–333） --- ## 第六部分｜組織面向的 AI 公平性治理（Q25–Q30） ### Q25 下列關於「跨部門公平性審查委員會」的敘述，何者**正確**？ - (A) 集合法務、技術、產品、倫理及風險管理等部門，負責定期審查 AI 系統的公平性風險及績效 - (B) 只能由技術部門單獨組成 - (C) 在 AI 專案完成上線後才介入，不參與早期設計 - (D) 不需要跨部門合作 **答案：(A)** 解析：公平性審查委員會 = 跨部門組成，於 AI 專案早期即參與，預防潛在偏見而非事後處理。常見干擾項把它窄化為單一技術團隊。（chunks line 351–355） --- ### Q26 下列關於「明確責任與問責機制」的敘述，何者**錯誤**？ - (A) 將 AI 公平性納入高階主管（如資訊長、法務長）的 KPI 或企業 ESG 報告範疇 - (B) 建立公平性審查流程的紀錄機制 - (C) 紀錄機制需確保可追溯與透明 - (D) 公平性責任由基層工程師個人承擔，與高階主管無關 **答案：(D)** 解析:(D) 錯反 — 應將公平性納入「高階主管 KPI」與 ESG 報告，責任應從上層往下落實，不是基層個人背鍋。常見干擾項。（chunks line 357–360） --- ### Q27 下列關於「多元化團隊」的敘述，何者**正確**？ - (A) 積極聘用不同性別、族群、文化、專業背景的人才，降低團隊盲點風險，鼓勵跨部門合作與交流 - (B) 團隊組成必須越單一越好，以提升開發效率 - (C) 多元化團隊與 AI 公平性無關 - (D) 不需要任何倫理培訓 **答案：(A)** 解析：多元化團隊 + 公平意識教育訓練 = 降低演算法偏見的重要基礎。團隊組成多元 + 跨部門合作 + 倫理培訓，三者並行才能建立公平性文化。（chunks line 362–375） --- ### Q28 下列關於「公平性稽核（Fairness Audits）」的敘述，何者**錯誤**？ - (A) 每年定期對關鍵 AI 系統進行公平性稽核，並產出公開報告與改善計畫 - (B) 對於新上線或重大更新的 AI 系統，應進行公平性審查與測試 - (C) 將公平性指標納入 AI 系統日常監控報告，並建立即時警示機制 - (D) 一次性稽核即可永久解決公平性問題，無需持續追蹤 **答案：(D)** 解析:(D) 錯 — 教材強調「制度化、持續性」評估與稽核，不是一次完成。應定期稽核 + 日常監控 + 即時警示三層機制。常見干擾項。（chunks line 377–391） --- ### Q29 下列關於「AI 公平性資訊揭露與溝通策略」的敘述，何者**正確**？ - (A) 定期公開 AI 系統的公平性衡量結果、績效分析與改善措施，並邀請外部專業機構進行公平性稽核或審查 - (B) 應對所有公平性問題保密，避免影響企業形象 - (C) 公平性報告只供企業內部參考，不對外公開 - (D) 不需要與利益關係人保持溝通 **答案：(A)** 解析：透明度 = 建立外界信任的關鍵。應主動揭露公平性報告 + 引入第三方獨立驗證 + 與利益關係人保持溝通。常見干擾項把「透明」誤為「保密」。（chunks line 393–411） --- ### Q30 下列關於本章「降低演算法偏見三階段技術」的對應整理，何者**錯誤**？ - (A) 資料前處理：資料重新抽樣、特徵去偏、資料匿名化與泛化 - (B) 模型內部處理：公平性約束訓練、對抗式去偏模型、公平性正規化 - (C) 模型後處理：結果門檻調整、結果校準 - (D) 知識蒸餾（Knowledge Distillation）屬於模型後處理階段的公平性修正方法 **答案：(D)** 解析:(D) 錯 — 知識蒸餾是「模型壓縮技術」（L23304），不是公平性修正方法。模型後處理只有「門檻調整」與「結果校準」兩種。常見跨章節混淆。（chunks line 235–333） --- ## 答案速查表 | Q | 答 | Q | 答 | Q | 答 | |---|---|---|---|---|---| | 1 | C | 11 | A | 21 | A | | 2 | B | 12 | B | 22 | A | | 3 | A | 13 | B | 23 | A | | 4 | C | 14 | A | 24 | B | | 5 | D | 15 | D | 25 | A | | 6 | A | 16 | B | 26 | D | | 7 | C | 17 | B | 27 | A | | 8 | B | 18 | A | 28 | D | | 9 | A | 19 | A | 29 | A | | 10 | B | 20 | A | 30 | D | ## 命題分布統計 | 章節 | 題號 | 題數 | 重點 | |---|---|---:|---| | 前言／章節導覽 | Q1 | 1 | AI 偏見的多面向本質 | | 偏見成因-資料層面 | Q2–Q7 | 6 | 資料代表性/來源偏誤/內容偏誤/製程偏誤 | | 偏見成因-模型層面 | Q8–Q10 | 3 | 模型偏見/目標函數偏誤/對抗式訓練不足 | | 公平性指標 | Q11–Q17 | 7 | Demographic Parity/Equal Opportunity/Equalized Odds/Disparate Impact/AIF360/Fairlearn | | 降低偏見三階段技術 | Q18–Q24 | 7 | Re-sampling/Feature Neutralization/Adversarial Fairness/Fairness Regularization/Threshold Adjustment/Calibration | | 組織面公平性治理 | Q25–Q30 | 6 | 審查委員會/責任問責/多元化團隊/稽核/揭露溝通/三階段整理 | | **合計** | — | **30** | — | ## 易混淆考點清單 | # | 易混淆對 | 差異 | |---|---|---| | 1 | 來源偏誤 vs 內容偏誤 vs 製程偏誤 | 來源=蒐集不均；內容=資料本身含歧視；製程=標註主觀差異（Q3/Q4/Q5/Q6） | | 2 | Demographic Parity vs Equal Opportunity | Demographic Parity=結果整體比例相同；Equal Opportunity=真正應被選擇者的 TPR 相同（Q11/Q12/Q17） | | 3 | Equal Opportunity vs Equalized Odds | EO 只看 TPR；Equalized Odds 同時看 TPR + FPR（Q12/Q13） | | 4 | Disparate Impact 80% Rule | 比例未達另一群體 80% → 構成間接歧視（Q14） | | 5 | AIF360 vs Fairlearn | AIF360=IBM、70+ 指標、企業級；Fairlearn=Microsoft、scikit-learn 整合、輕量（Q15/Q16） | | 6 | 降低偏見三階段 | 前處理（資料）→ 內部處理（訓練時）→ 後處理（輸出時）（Q18/Q30） | | 7 | 結果門檻調整 vs 結果校準 | 門檻調整=改判斷閾值；校準=不改閾值但調整分數使同分數有同意義（Q22） | | 8 | 對抗式去偏 vs 特徵去偏 | 對抗式=訓練對抗網路（模型內部）；特徵去偏=直接移除敏感特徵（資料前處理）（Q20/Q21） | | 9 | 公平性正規化 vs L1/L2 正規化 | 公平性 Loss 平衡準確度與公平性（降偏見）；L1/L2 防過擬合（Q23 vs L23304） | | 10 | 公平性治理三層機制 | 跨部門委員會 + 多元化團隊 + 持續稽核（一次性稽核不夠）（Q25/Q28） | --- — 命題：Heiter（2026-05-12） — 對應章節：6.2 演算法偏見與公平性（chunks 6468–6992）