社会计算研究前沿：人工智能中的偏见问题
本页依据专委会公众号同名推送整理，保留主题脉络、核心观点和站内视频回放。内容聚焦人工智能系统中的偏见来源、传播机制及其对社会计算研究和智能治理的影响。
内容导读
人工智能中的偏见并不只来自模型本身，也与数据采集、样本结构、算法目标、平台反馈、文化语境和人机互动过程相关。生成式人工智能进入公共服务、内容生产和社会决策场景后，偏见问题会被更快地传播、复制和放大。
核心观点
- 偏见来源复杂。 数据偏差、标签偏差、模型训练目标和评价指标都可能让系统输出带有结构性倾向。
- 多智能体涌现。 在多智能体交互和群体仿真中，个体层面的微小偏差可能通过反馈机制形成集体层面的偏见放大。
- 跨文化差异。 不同人群、语言和文化背景下，模型对价值判断、风险识别和社会规范的理解可能并不一致。
- 治理需要闭环。 偏见治理需要覆盖数据、模型、评估、部署和反馈环节，通过算法设计、透明评估和制度规范共同推进。
视频回放
面向社会计算的启示
社会计算研究需要在技术系统和社会结构之间建立解释框架：既要识别模型如何影响信息传播、群体认知和公共决策，也要分析社会不平等、文化差异和平台机制如何反过来塑造模型输出。偏见问题是可信智能社会建设必须持续面对的基础议题。
站内留存
为避免外部链接失效影响阅读，本站将公众号推送要点整理为本地页面，并保留本地视频文件。相关主题也已在《社会计算与社会智能通讯》第一期中继续展开。