演算法公平性

演算法公平性是資訊科學與倫理學交叉的重要領域，旨在確保機器學習模型與決策系統在預測或資源分配過程中，對不同群體提供一致的服務品質，杜絕因性別、種族、年齡等属性产生的系统性偏差。

在實務上，常見的公平性技術可分為三個階段：前期處理（pre‑processing）透過再加权或抽樣修正，改變訓練資料的分佈；中期處理（in‑processing）在目標函數中加入公平性約束，如公平性 (倫理)約束或 Demographic Parity；後期處理（post‑processing）則利用阈值調整或對抗去偏方法，對輸出結果進行再校準。

評估指標方面，常用的有 Disparate Impact、Equalized Odds 與公平性差距等，這些指標可幫助開發者量化模型在不同的群體間的表現差異。

提升透明度與問責性是實現公平性的關鍵步驟，包括提供可解釋的特徵重要性說明、記錄模型訓練流程以及建立申訴與審計機制。唯有將技術手段與制度設計相結合，才能在實際應用中真正達成演算法公平性的目標。