NIST人工智能偏差识别与管理标准：从数据、模型到实际使用环境

资料定位

系统解释人工智能偏差如何在数据、模型、人员、组织和具体使用环境中形成，并给出识别、描述和治理偏差的共同框架。

阅读重点

• 偏差不是单一的数据问题，还可能来自制度、人员、测量方法和部署环境。
• 文档区分系统性偏差、统计与计算偏差以及人类认知偏差，并强调它们可能相互作用。
• 适合用于模型立项、数据审查、采购评估和上线前影响分析，不能被简化成一张自动化公平性评分表。

如何用于实际项目

建议先明确AI系统边界、数据与模型来源、责任人和部署环境，再把文档要求映射到现有研发、采购、安全审查和事件响应流程。框架性文件不能代替具体模型测试，也不能代替适用法律与行业要求。

原文与本地文件

原文标题：Towards a Standard for Identifying and Managing Bias in Artificial Intelligence。作者：Reva Schwartz、Apostol Vassilev、Kristen Greene 等。本站保存NIST发布的完整英文PDF，并提供独立中文导读；PDF内容未被修改。原始发布入口：https://doi.org/10.6028/NIST.SP.1270。