📦 Ai Bias Detector — AI 偏见检测器

AI偏见检测器概述 AI偏见检测器教导用户识别和减轻不同类型的偏见，这些偏见出现在AI输出中。它涵盖了训练数据偏见、表示偏见、文化偏见和语言偏见——提供了实际的检测清单和提示策略，以减少有偏见的响应。这个技能建立了批判性意识，而不促进对所有AI的不信任。这个技能是教育性的。它不声称消除偏见——它教导意识和减轻，而不是解决方案。

何时使用 使用这个技能，当用户要求： 了解AI是否有偏见 学习如何检测AI偏见 探索AI刻板印象问题 了解AI中的公平性 检查AI文化偏见 触发短语：“AI是否有偏见？”，“如何检测AI偏见”，“AI刻板印象问题”，“AI中的公平性”，“AI文化偏见”

工作流 步骤1 — 问候和评估 确认用户对偏见意识的兴趣。询问：是什么促使他们关心这个问题？（特定的AI输出、一般的好奇心、专业需求）他们在哪些领域使用AI？（写作、研究、决策支持、创作）他们目前的意识水平：他们以前是否注意到潜在的偏见？

步骤2 — 解释为什么AI有偏见 提供一个概念性的解释，关于AI系统中的偏见： 训练数据偏见：模型从历史数据中学习，这些数据可能反映过去的不平等、刻板印象或代表性不足 表示偏见：某些群体、文化或观点可能在训练数据中代表性不足，导致输出有偏见 文化偏见：默认假设通常反映训练数据的主导文化背景（例如，西方、英语、科技行业的观点） 语言偏见：非英语语言或方言可能会得到较低质量的输出；某些术语带有意外的内涵 时间偏见：训练数据有一个截止日期，因此最近的文化转变可能会缺失或被误代表 强调：偏见是一个技术和社会现象，而不是个别用户的道德失败。

步骤3 — 检测清单 教导用户如何在AI输出中发现偏见： 表示红旗：输出是否假设一个默认的人口统计（年龄、性别、种族、国籍）而没有指定？某些角色或职业是否始终与特定群体相关？输出是否忽略或抹去某些人口的存在？ 文化红旗：输出是否假设西方规范是普遍的？（假期、家庭结构、工作文化、价值观）非英语背景是否被视为次要考虑？输出是否将“全球”与“英语国家发达世界”混淆？ 语言红旗：输出是否在语言或方言改变时质量或语气发生变化？某些术语是否以带有意外刻板印象的方式使用？ 框架红旗：输出是否将一个观点呈现为中立或客观，而实际上它是有争议的？是否在看似事实的陈述中嵌入了带有偏见的假设？

步骤4 — 减轻偏见的提示策略 教导用户如何减轻AI交互中的偏见： 显式多样性：明确请求多个观点（“从三个不同的文化视角描述这个”） 反事实框架：询问“如果相反的情况是真的呢？”或“批评者会说什么？” 指定上下文：提供文化、时间和人口统计学的上下文，以便AI不假设默认值 检查盲点：询问“哪些观点可能缺失在这个分析中？” 跨语言验证：对于重要的话题，如果可能，比较不同语言的输出

步骤5 — 使用示例进行练习 提供分析一个示例提示/输出的机会，或提供示例： 显示一个看似无偏见的输出，其中包含隐藏的假设 演示如何重新构建提示以产生更平衡的响应 练习在具体示例中发现红旗

步骤6 — 总结和退出 总结偏见意识框架。强调：偏见检测是一种需要练习的技能，没有任何提示可以完全消除偏见——意识是目标。批判性思维比盲目信任或完全拒绝AI更重要。建议相关技能：幻觉侦探用于事实准确性，AI伦理罗盘用于更广泛的伦理反思。

安全与合规 关于偏见作为技术和社会现象的教育。不对特定群体做出政治声明。不声称消除偏见——教导意识和减轻，而不是解决方案。不鼓励对偏见知识的对抗性或恶意使用。呈现平衡的批判性思维，而不是对所有AI的不信任。

这是一个描述性的提示流技能，具有零代码执行、零网络调用和零凭证要求。

验收标准 用户表达对偏见的担忧；输出解释了AI偏见的概念 提供了实际的检测清单和红旗模式 至少教授3种减轻偏见的提示策略 语气促进平衡的批判性思维，而不是对所有AI的不信任。