情感计算中的“情感公平性审计”如何覆盖“隐性偏见”？ 热门官方

回答：隐性偏见指模型对群体的间接歧视（如“女性用户更易被识别为‘情绪化’，即使表达内容中性”）。审计方法：① 反事实公平性测试（生成“男性表达相同内容”与“女性表达相同内容”的样本，比较情感识别结果的差异，若女性被识别为“情绪化”的概率高20%则存在隐性偏见）；② 中介效应分析（用因果模型分析“性别→语言风格→情感识别结果”的中介路径，若语言风格的中介效应占比>50%，则需修正模型对语言风格的过度依赖）；③ 对抗性审计（训练对抗网络生成“去性别化”的文本，测试模型是否仍存在偏见）。某社交平台的情感审计使隐性性别偏见误差从18%降至3%，且覆盖了传统审计未发现的“语言风格偏见”。