公平性とは

まず押さえる結論

公平性は、G検定の「大項目10 AI倫理・AIガバナンス」に出てくる用語です。見分けの要点は、公平性は判断の「結果」の偏りを問題にし、透明性は判断に至る「過程」を外部から把握・検証できるかを問題にします。センシティブ属性は人種や性別など特別な配慮が求められる人間の属性、代理変数はその代わりに使われる属性（郵便番号など）です。指標では、実際の結果を問わずグループ間の承認率をそろえる人口統計学的パリティと、望ましい結果に当たる人の間で真陽性率をそろえる機会の平等を区別します。

公平性の具体例と、問題文で見る箇所・隣接概念との境界

公平性を、役割と隣接概念の境界から捉える

AIの判断や処理が、性別・人種などの属性によって不当に偏らないことを求めるAI社会原則の一つ。データバイアス・アルゴリズムバイアスは、この公平性を損なう具体的な原因にあたる。人種や性別など特別な配慮が求められる属性をセンシティブ属性、その代わりに使われる属性（郵便番号など）を代理変数と呼び、測る指標には実際の結果を問わずグループ間の承認率をそろえる人口統計学的パリティや、望ましい結果に当たる人の間で真陽性率をそろえる機会の平等などがある。 試験では、処理の対象・目的・使う段階を別の概念と入れ替えた選択肢が出ます。何に対して何をする手法かを分けて確認します。

問題文で見る箇所

AIの判断結果が性別・人種などの属性によって不当に偏っていないかを問う説明か、その偏りをどの基準で測るかを確認します。

隣接概念との境界

公平性は判断の「結果」の偏りを問題にし、透明性は判断に至る「過程」を外部から把握・検証できるかを問題にします。センシティブ属性は人種や性別など特別な配慮が求められる人間の属性、代理変数はその代わりに使われる属性（郵便番号など）です。指標では、実際の結果を問わずグループ間の承認率をそろえる人口統計学的パリティと、望ましい結果に当たる人の間で真陽性率をそろえる機会の平等を区別します。

誤答しやすい選択肢

• 判断過程を外部から確認できるかどうかを公平性の定義として扱う、または人口統計学的パリティと機会の平等を同じ指標として混同する。定義の主語と処理対象を確認します。
• 公平性の目的だけを見て、同じ目的を持つ別手法まで同じ用語とする。具体的な処理を比較します。
• 公平性を使えば目的が必ず達成されると断定する。適用条件や評価を別に確認します。

4段階の判断手順

1. 01問題文が状態、手法、評価指標、制度のどれを説明しているか決める。
2. 02定義の中心となる対象と動作が公平性に一致するか確認する。
3. 03隣接概念と共通する目的ではなく、処理や条件の違いを見る。
4. 04必ず・完全に・だけでよいという過度な断定がないか見直す。

到達条件: 公平性を一文で説明し、最も混同しやすい隣接概念との違いを処理または条件から言える。

試験での問われ方

誤答しやすいポイント

「大項目10 AI倫理・AIガバナンス」の問題で、取り違えやすい組み合わせです。

• データバイアスとアルゴリズムバイアスの区別（偏りの原因がデータ側かアルゴリズム側か）。
• フィルターバブル（アルゴリズムによる個人化で偏る）とエコーチェンバー（同じ意見が集団内で増幅）の混同。
• AIに関する指針・法律の取り違え。AI事業者ガイドライン・AI新法・EU AI Act・OECD AI原則・広島AIプロセスについて、定めた主体と、指針か法律か、国内か国際かを混同する。

関連する確認問題

同じ章で確認したい用語

他資格でも出題される用語