评估偏倚、公平与代表性

Assess Bias, Equity, and Representation · 🟡进阶 · 所属分类：科研伦理、安全与诚信

队列人群太单一、性别年龄族群失衡，结论就没法往外推；AI 模型一到少数群体身上性能就掉，审稿人一句「补做公平性分析」常让人不知从哪下手。它帮你把样本构成和目标总体一对照，把代表性缺口、潜在偏倚来源列清楚，再告诉你该做哪些分层分析、报哪些公平性指标，以及结论到底能推到多远。

适合谁

做流行病学或队列研究的研究者、训练临床预测模型的算法工程师，以及被要求补公平性分析的投稿作者。

给它什么 · 得到什么

• 你提供：研究人群或数据集构成（性别/年龄/族群/地域等分布）、研究问题或模型任务、结局或性能指标
• 你得到：一份偏倚与代表性评估，含样本构成对比目标总体的缺口表、潜在偏倚来源清单、分层与公平性指标建议，以及结论外推边界说明

怎么用

可以这样问：「我的糖尿病预测模型训练集里女性和老年人偏少，审稿人让补公平性分析，帮我理一下代表性缺口和该报哪些指标。」触发后它会描述样本构成、对照目标总体找出代表性缺口，定位选择/测量/幸存者/标注等偏倚来源，建议分层分析与子群体公平性指标，并评估结论或模型的合理外推边界。

提个醒

公平性判定依赖数据可得性，敏感属性的使用须符合伦理与隐私规范；它不会臆造或反推缺失的人口学数据。