AI 也带有偏见：把它变成教公平的一堂课

我曾在课上让学生用 AI 图像生成器画「医生」和「护士」。屏幕上像事先约好了一样，医生全是男性，护士全是女性。学生起初笑了，但面对「为什么都长这样？」这个问题时，表情变得认真起来。把同样的实验换成「科学家」「罪犯」等词继续做下去，偏向特定性别与种族的图像反复出现。AI 并不是客观映照世界的镜子，而是连所学数据里的偏见也一并学了下来的存在。这一瞬间若就这样放过，学生会误以为 AI 的回答是中立的；若抓住它，就成了一堂共同思考公平的课。

AI 偏见在教室里变得危险的地方

处理 AI 偏见之所以困难，是因为它不容易显露。

• 看上去像中立：仅仅因为是机器给出的答案，学生就毫不怀疑地接受其中的偏向。
• 扎根于数据：偏见不是某一个特定答案，而是渗透在整个训练数据里，很难被看见。
• 再生产的扩散：学生一旦原样引用带偏见的结果，那份偏向就会经由作业与发表传得更广。

目标不是让学生不信任 AI，而是培养一双能追问「答案背后装的是谁的世界」的眼睛。

用 Flipsson 上一堂共同检视偏见的课

Nallijaku 的模块化教学平台 Flipsson 无需安装，在浏览器里就把这项检视活动装进一条流程。用积木块编辑器在导入标注框里抛出探究问题，把学生以多种条件向 AI 提问所得的结果用图片、文件提交积木块收集起来，再用论述作业积木块让他们写下「看到了什么偏见」，观察—证据—解读便在同一个模块里连成一线。给作业积木块设上必答，就能促使学生不止于贴上结果，而是必须留下自己的解读。

尤其 AI 导师是这堂课很好的对照案例。Flipsson 的 AI 导师不是依据整个互联网，而是依据当下正在学习的模块作答，并标示内容取自哪个积木块的出处，因此学生会把「看得见依据的答案」与「藏起依据的偏见」并排比较。核实出处的习惯本身，就会延伸为不盲目接受 AI 答案的态度。接着，各人把找到的偏见案例作为卡片上传到观点板，大约 4 秒就汇聚到所有屏幕上，一个班发现的偏见地图便展现在眼前。大家在彼此的案例上点赞、留言，从同学的卡片里发现自己独自会漏掉的偏见，对公平的敏感度在讨论中生长起来。做好的检视模块保存到模块库里，下学期在别的班级也能再用。

要点小结

AI 的偏见不是需要隐瞒或用来吓唬人的东西，而是可以与学生一同用证据检视的课堂素材。用积木块留下观察与解读，用看得见出处的 AI 导师与观点板把偏见显影出来，公平意识就会在真实的活动中被培养起来。这样练出的眼光会越过 AI，在面对世上的信息时也追问一句「这个判断出自谁的视角」。无需绑定信用卡即可开始，最多 10 个课堂免费，因此建议先从处理偏见的那一个课时开始。