G検定 用語解説
公平性とは
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。
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」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×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プロセスの主体と性質の取り違え（指針か法律か、国内か国際か）。
関連する確認問題
大項目10 AI倫理・AIガバナンス / AI社会原則と倫理
新しい科学技術の研究開発や社会実装に伴って生じる、倫理面・法律面・社会面の諸課題を包括的に捉えるための概念を表す略語はどれか。
正解は「ELSI」である。設問は、新しい科学技術の研究開発や社会実装に伴う倫理的・法的・社会的課題を、三つの側面から包括的に捉える概念を問うている。この組み合わせを表す略語がELSIであり、技術的に実現できるかだけでなく、倫理・法・社会への影響も検討する。XAIはAIの判断根拠を人間が理解できるようにする説明可能AI、MLOpsは機械学習モデルの開発と運用を継続的に回す仕組み、FATは公平性・説明責任・透明性の枠組みである。三側面の頭文字に対応する包括的課題なのか、説明手法・運用・評価原則なのかで分ける。
大項目10 AI倫理・AIガバナンス / バイアスと信頼性
ノイズの多い入力や想定外のデータ、入力への意図的な改変（敵対的攻撃）にさらされても、AIが性能を大きく損なわず安定して動作できる性質を指す語はどれか。
正解は「ロバスト性」である。ノイズの多い入力、想定外のデータ、敵対的攻撃による改変を受けても、性能を大きく損なわず安定して動作できる頑健さがロバスト性である。透明性はAIの動作や判断過程を把握・追跡できること、公平性は特定の属性に不当な差を生まないこと、説明責任は判断や結果について責任を明確にして説明できることを指す。いずれも信頼できるAIに関係するが、設問は判断過程の見え方、属性間の扱い、責任主体ではなく、入力の乱れや攻撃を受けた後も性能を保つ性質を尋ねている。変化前後の性能に注目して選ぶ。
大項目10 AI倫理・AIガバナンス / AI社会原則と倫理
AIがどのようなデータを用い、どのような仕組みで結論に至ったのかを、利用者や社会の側から把握し検証できる状態に保っておくべきだという、人間中心のAI社会原則でも重視される考え方を表す語はどれか。
正解は「透明性」である。AIがどのようなデータを用い、どのような仕組みで結論に至ったのかを、利用者や社会の側から把握・検証できる状態に保つべきだとする考え方が「透明性」である。「プライバシー」は個人の私的情報を保護すべきだという価値であり、判断過程の開示ではなく情報の非開示・保護を求める点で開示の方向とは逆を向いている。「公平性」は人種や性別などの属性で不当な差別をしないという価値で、データや仕組みを外部から検証できる状態そのものではなく判断結果の偏りの有無を問題にする。「人間中心」はAIが人間の尊厳を損なわず人間が主体的に判断できるようにするという理念で、透明性を含むより広いAI社会原則全体の名称であり、データ・仕組みの把握可能性を直接指す語ではない。問題文の「データ」「仕組み」「把握し検証できる」という開示・検証可能性の条件が透明性の定義に一致する。
同じ章で確認したい用語
到達チェック
- 公平性を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、公平性に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）