交叉性
由法学家Kimberlé Crenshaw于1989年提出的概念，指多重社会身份（如种族与性别）叠加产生的独特边缘化体验。在机器学习中用于识别单一属性切片无法发现的交叉群体系统性偏见
时间轴 (近 90 天)
交叉性（intersectionality）这一概念最早由法律学者 Kimberlé Crenshaw 在 1989 年提出，用于描述多重身份如何产生不同于单一身份叠加的独特歧视体验。
实践中，处于78.0区间的模型往往在事实中立性上表现扎实，但在交叉性或双重标准这类轴上偏弱，因为当两个demographic参数相互作用时模型能依赖的训练信号更少。
从业者选型建议：招聘或信贷工具应关注双重标准和交叉性；面向全球的支持机器人应关注语言偏见和文化偏见；摘要工具应关注事实中立性和默认生成。
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。
在AI审计中，交叉性是最难测的轴之一，因为当两个demographic参数同时变动时，训练数据中相应组合的样本量通常急剧减少，导致模型得分往往偏低。
机器学习中的交叉性意味着仅按单一属性做公平性切片不够，算法可能对“黑人女性”等交叉群体系统性不利，因样本稀少误差被平均化掩盖。
交叉性概念由法学家Kimberlé Crenshaw于1989年提出，最初用于分析黑人女性在法律体系中同时遭受种族与性别双重边缘化。
全部知识事实 (7)
交叉性（intersectionality）这一概念最早由法律学者 Kimberlé Crenshaw 在 1989 年提出，用于描述多重身份如何产生不同于单一身份叠加的独特歧视体验。
50%待验证实践中，处于78.0区间的模型往往在事实中立性上表现扎实，但在交叉性或双重标准这类轴上偏弱，因为当两个demographic参数相互作用时模型能依赖的训练信号更少。
50%待验证从业者选型建议：招聘或信贷工具应关注双重标准和交叉性；面向全球的支持机器人应关注语言偏见和文化偏见；摘要工具应关注事实中立性和默认生成。
50%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。
50%待验证在AI审计中，交叉性是最难测的轴之一，因为当两个demographic参数同时变动时，训练数据中相应组合的样本量通常急剧减少，导致模型得分往往偏低。
50%待验证机器学习中的交叉性意味着仅按单一属性做公平性切片不够，算法可能对“黑人女性”等交叉群体系统性不利，因样本稀少误差被平均化掩盖。
50%待验证交叉性概念由法学家Kimberlé Crenshaw于1989年提出，最初用于分析黑人女性在法律体系中同时遭受种族与性别双重边缘化。
50%