第4课 数据偏见 · 教案

一、教学目标

1. 知识与技能：理解数据偏见的概念及其如何影响模型结果，认识公平性的重要。
2. 过程与方法：通过对比「不平衡数据」与「平衡数据」的结果，体会偏见来源。
3. 情感态度与价值观：树立关注数据来源、追求公平的意识。

二、教学重点与难点

• 重点：理解数据偏见与公平性的关系。
• 难点：理解「模型只是忠实反映数据」，数据有偏则结果有偏。

三、教学准备

多媒体课件、两组对比数据卡（平衡/不平衡）、任务单。

四、教学过程

环节一　情境导入（5 分钟）

举例：某招聘 AI 因为历史数据男性多，倾向于给男性更高分。提问：机器「学会」了偏见，怪谁？引出数据偏见。

环节二　新知探究：什么是数据偏见（12 分钟）

1. 数据偏见：训练数据不能代表真实全体（如某群体样本过少、标签带历史偏见）。
2. 后果：模型把偏见「学」进去，输出也不公平。
3. 公平性：AI 应对不同群体尽可能公正，不因无关特征区别对待。

环节三　实践操作：平衡 vs 不平衡（15 分钟）

小组活动：

• 任务一：一组卡片 9 张猫 1 张狗（不平衡），让「模型」学规则，结果偏向猫。
• 任务二：换成 5 张猫 5 张狗（平衡），再学，结果更公平。
• 任务三：讨论——现实中怎样减少数据偏见（多采集、审核标签）。

教师引导：数据决定模型，要先保证数据公正。

环节四　交流总结（8 分钟）

各组展示，教师总结：偏见常来自数据而非算法本身；追求公平要从数据和设计两端入手；人人可监督。

五、板书设计

数据偏见

数据偏见：训练数据不具代表性 → 模型学到偏见

例：历史招聘男多 → AI 偏向男性

公平性：对不同群体尽可能公正
办法：数据平衡、标签审核、持续监督

六、教学反思

（课后填写：学生是否理解偏见来自数据；平衡实验是否直观；可补充更多生活偏见案例。）