概要
バイアスとは、ある考え方、解釈、集団、結果を他よりも一貫して優先しやすい傾向を指す。思考、言語、報道、科学、技術、測定など幅広い分野に現れ、意識的な場合も無意識的な場合もある。偏りのある説明は、特定の見方を支持する情報を選んだり強調したりする一方で、反対証拠を弱めたり省いたりする。バイアスを理解すると、主張をより慎重に評価し、不公平または誤った結論を減らす方法を考えやすくなる。入門的な資料としては 関連資料 を参照。
一般的なバイアスの種類
バイアスは単一の現象ではなく、しばしば別々に論じられるいくつかの種類を含む。
- 認知バイアス: 判断をゆがめる心の近道や思考パターン。確証バイアス（既存の信念を裏づける情報を好むこと）や利用可能性バイアス（思い出しやすい情報を過大評価すること）が例。
- 社会的・文化的バイアス: 文化規範、言語、制度上の慣行に根差した固定観念や優遇。採用、警察、教育、日常のやり取りに影響しうる。
- メディア・バイアス: 報道や論評における編集上の偏り。ある媒体が一貫して特定の政治的立場を示し、情報源の引用を選別したり、物語の組み立て方で一方に有利にしたりすることがある。例えば、新聞が記者や編集方針のために政党や思想に肩入れすることがある（メディア・バイアスの例）。
- 統計的バイアス・サンプリング・バイアス: データの収集や分析が対象集団を代表していないときに生じるゆがみ。選択バイアスや生存者バイアスが代表例。
- 測定バイアス: 変数の測り方に生じる体系的な誤差。たとえば、靴を履いたまま身長を測ると、その分だけ結果が一定量上乗せされる。靴の高さを報告しなければ、その測定は偏っており誤解を招く（測定バイアス、身長の例、靴と測定）。
- アルゴリズム・モデルのバイアス: 自動化されたシステムが、歴史的な不平等や学習データに含まれる偏りを反映・増幅し、不公平または不正確な出力を生む場合。
原因と結果
バイアスの原因には、限られた情報、政治的・商業的・社会的な動機、認知の近道、拙い実験計画、そしてデータに組み込まれた歴史的不正義などがある。結果は軽い誤解から深刻な害まで幅広く、世論を誤導する、個人や集団を不公正に扱う、科学的結論を誤る、政策決定をゆがめる、といった影響を及ぼす。技術分野では、偏ったモデルがサービスへの不平等なアクセスを生んだり、差別を強化したりすることもある。
バイアスの検出と軽減
バイアスを見つけるには、方法、言葉遣い、動機を批判的に検討することが必要である。実践的な対策には次のようなものがある。
- 研究では、代表性のあるサンプリングと、透明性の高い測定手順を用いる。
- 可能な場合は盲検化を行い、事前登録をして選択的な報告を避ける。
- 報道では、編集上のバランス、ファクトチェック、情報源の多様性を確保する。
- アルゴリズムとデータセットについて、差別的な影響がないか監査し、学習データとモデルの限界を文書化する。
- 教育や意思決定支援を通じて、よくある認知バイアスへの認識を高める。
歴史と重要な区別
英語の「bias」は、傾きや斜めの方向を意味する古フランス語 biais にさかのぼり、やがて傾いた判断の比喩として広く使われるようになった。関連概念との区別も重要である。prejudice（偏見）は一般に、人や集団に対する先入観に基づく否定的態度を指し、error（誤り）は、体系的というより偶然的なこともある意図しないミスを表す。また、すべてのバイアスが厳密に有害とは限らない。複雑な環境では、ヒューリスティクスが意思決定を速めることもあるが、それでも体系的な誤りを生みうる。
バイアスは微妙で学際的であるため、対策には通常、よりよい研究設計、透明な報告、組織内の多様な声、アルゴリズム監督、そして情報の受け手側のメディア・リテラシーを組み合わせることが多い。バイアスを認識することは、より信頼できる情報と、公共生活におけるより公正な結果への第一歩である。