待验证50% 置信事实精确时间
算法偏见指模型因训练数据或算法设计的系统性缺陷对特定群体产生不公平的输出，学术界通常将其分为数据偏见和表示偏见两类
1
来源数
50%
置信度
长期有效
时效性
2026/10/7
首次发现
来源
涉及实体
相关事实
待验证exposure bias的根源在于训练与推理的分布不匹配，训练时使用teacher forcing策略而推理时模型依赖自身生成的token77% 相似待验证基于LLM的AI人格可能继承训练数据中的偏见，包括语言偏见、社会经济偏见和时间偏见，导致对少数群体或非主流观点的系统性误判75% 相似待验证裁判模型存在系统性偏差：偏爱与自身训练分布相似的输出风格、对更长回答给出更高分（verbosity bias）、对答案在提示中出现位置敏感（position bias）74% 相似待验证福利审批算法可能因训练数据偏差而系统性拒绝某些群体的申请，构成制度性歧视74% 相似待验证偏见的方向会随审计格式变化，说明偏见高度依赖工具的操作化定义而非模型固有属性72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/985117API
curl https://kongchang.com/api/v1/knowledge/claims/985117MCP
get_claim(id=985117)