待验证50% 置信事实精确时间
该公平性审计框架以配对A/B场景加对称性评分为核心方法，每个场景只改变一个demographic参数（姓名、性别、阶层、出身地、城市或政治敏感度），其余条件全部固定。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
AI偏见检测：公平性审计如何真正运作
rss2026/10/16
涉及实体
相关事实
待验证集合级评分的设计可以迁移到其他需要批量生成且要求互异的场景，如营销文案、测试用例、竞品分析维度等。66% 相似待验证目前主流的偏见基准测试包括WinoBias、StereoSet、BBQ等数据集，通过构造对照句对或多项选择题来衡量模型在性别、种族等维度上的刻板印象倾向66% 相似待验证配对比较设计将模态偏好与证据位置两个因素分开，使交换顺序后的答案变化可直接归因于位置本身65% 相似待验证部署前公平性评估应包含三项维度：跨人口群体的统计均等分析、合格候选人的机会均等评估、交叉性偏见评估。64% 相似待验证审计沿文化偏见、语言偏见、双重标准、评估偏见、交叉性、默认生成、事实中立性等轴逐一探测，每条轴给出0到100的百分比，越高越好。64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1043551API
curl https://kongchang.com/api/v1/knowledge/claims/1043551MCP
get_claim(id=1043551)