动手三步

1. 从《隐藏的偏见》开始一路向下滚，重点看「把性别藏起来，模型仍能用社团、面试、作品集拼出性别的替代变量」那一段
2. 进《测量公平性》，拖三个滑块，确认无论怎么拖，两个公平性指标都无法同时拉平
3. 进《数据集自带世界观》，点「运行分类器」，再依次换几种标注口径，看准确率表格里的偏见跑到哪里去了

课堂怎么用

• 《测量公平性》全屏投影，让两个学生分别拖两组滑块，全班一起找「两个指标同时公平」的那一组参数，找不到就是这节课的结论
• 《数据集自带世界观》让每组换一套标注口径跑一遍，把各组的准确率表格并排贴出来，讨论同一个模型同一批数据为什么偏见位置不同
• 和 E-05 几率均等连讲：那件给指标的定义，这三篇给指标为什么会互相打架

思考题

1. 把「性别」这一列从训练数据里删掉，模型就公平了吗？它是靠哪些变量拼出性别的？
2. 为什么只要两组的基准率不同、检测又不完美，几个公平性指标就不可能同时相等？
3. 同一批图片换一套标注口径，「准确率」这个数字还能横向比较吗？

已知限制

• 案例背景是美国语境（大学招生变量、人口普查、司法风险评估），课堂上需要把场景换成本土的说一句
• 《数据集自带世界观》里的标注员界面等插图是位图，图中英文无法翻译，正文与交互界面已是中文
• 原作文末的读者反馈表单在国内不可达，已整块去掉
• 所有数据均为原作生成的模拟数据，不含真实个人信息