AI 的偏见：在课堂上蔓延成歧视之前先做检查

向职业推荐 AI 提问"适合领导力强的学生的职业"，结果一连串全是男性形象的职业——这并非偶然。AI 把互联网上累积的人类偏见当作数据来学习，因此会像镜子一样把那份偏见反射回来。同样的提问，换成"需要照护的职业"，这回又可能只出现女性形象。AI 的偏见不是机器的失误，而是我们社会的偏见被自动化并放大之后的结果。 在课堂上放任不管，等于是在把歧视教给学生。

偏见藏在哪里

偏见并不张扬，它渗进细小的表述和推荐里。所以不刻意去审视，就很容易被放过。

• 性别刻板印象：在职业、角色、性格描写中预设了特定性别。
• 文化与语言偏重：只举英语圈的案例，或把非主流文化简单化。
• 外貌与残障的描写：在图像生成中把特定人种或体型当成默认值。
• 姓名偏见：把外国式姓名或特定地区的姓名与负面语境挂钩。

越是表面看着中立的回答，越要推敲其中的默认值是以谁为基准的。

在课堂上检查的流程

偏见无法彻底消除，但可以建立发现并纠正它的流程。重要的是不把偏见藏起来，而是和学生一起把它摆出来讨论。

1. 对照提问：把同一个问题只改动性别、国籍、姓名再抛出去，观察答案会不会变。
2. 质疑默认值：如果 AI 画出的"医生"或"科学家"形象总是差不多，就和学生一起讨论其中的原因。
3. 要求修正：像"请换成背景多样的人物重新生成"这样，明确下达补正的指示。
4. 记录与共享：把发现的偏见案例与同事老师共享，防止再次发生。

找出偏见的眼光，会成长为学生读懂世间不公的能力。

偏见检查不是审查，而是向学生教授批判性媒介素养的活教材。 比如提问"谁适合当班长"，就着出来的答案一起分析为什么会浮现出那样的形象，这就成了一堂一小时的讨论课。

核心要点

对待 AI 偏见最危险的态度，就是相信"机器是客观的"。第一，认识到偏见藏在职业、文化、外貌、姓名的各个角落。第二，用只改动条件的对照提问把偏见显露出来。第三，一经发现就立刻修正并共享案例。和学生一起发现并讨论 AI 偏见的课堂，反而会成为打破偏见的最好学习场。 希望你不要害怕检查，而把它当成课堂的一部分。哪怕一学期只做一次"找出今天 AI 展现的偏见"活动，学生也会获得连机器给出的答案都能批判性看待的眼光。这份眼光会越过 AI，成为读懂广告、新闻以及社会上种种讯息的终身财富。