第4课 数据偏见 · 随堂练习

一、选择题（每题 4 分，共 16 分）

1. 数据偏见指的是（　　）。
   A. 电脑死机　B. 训练数据不能代表真实全体　C. 网速慢　D. 屏幕坏
   答案：B　解析：数据偏见指训练数据不具代表性或有偏差。

2. 某招聘 AI 因历史数据男性偏多而偏向男性，这说明（　　）。
   A. 算法故意歧视　B. 模型把数据中的偏见学了进去
   C. 电脑坏了　D. 与数据无关
   答案：B　解析：模型忠实反映训练数据，数据有偏则结果有偏。

3. 关于公平性，正确的是（　　）。
   A. AI 天然公平　B. 应对不同群体尽可能公正
   C. 偏见无法减少　D. 公平性不重要
   答案：B

4. 减少数据偏见的有效办法是（　　）。
   A. 只用很少的数据　B. 让数据更平衡并审核标签
   C. 关闭系统　D. 随机乱标
   答案：B　解析：数据平衡与标签审核可降低偏见。

二、判断题（每题 4 分，共 8 分）

1. 人工智能的偏见往往来自训练数据，而不是算法自己「故意」歧视。（　　）　答案：√
2. 只要数据量够大，就一定不会存在偏见。（　　）　答案：×　解析：数据量大但若不平衡或有偏，仍可能产生偏见。

三、填空题（每题 4 分，共 8 分）

1. 训练数据不能代表真实全体，会让模型学到__________。
   答案：偏见
2. AI 应对不同群体尽可能公正，这体现了__________性。
   答案：公平

四、简答题（8 分）

请解释什么是「数据偏见」，并举例说明它怎样让 AI 结果不公平；再写出一条减少偏见的办法。

参考答案：

• 数据偏见：训练数据不能代表真实全体或带有历史偏差，模型会把这种偏差学进去。
• 例子：若历史招聘数据中男性远多于女性，AI 可能学到「男性更合适」的错误倾向，对女性不公平。
• 办法：采集更平衡、更具代表性的数据；认真审核标签是否带偏见；上线后持续监测与纠偏。
  （解释、举例、办法合理即可得分。）