歴史的バイアスとは
歴史的バイアス（Historical Bias）とは、過去の社会的不平等や差別的慣行がデータに反映され、それをAIシステムが学習することで過去の偏りが再現・永続化される現象です。データ自体は過去の現実を正確に反映していても、その現実自体が不公正であった場合に生じるバイアスです。
| ひとことで言うと | 過去の差別的な慣行が、そのままデータに記録されていることによる偏り。 |
|---|---|
| よくある例 | 過去の採用実績、過去の昇進履歴、過去の融資承認記録。 |
| 注意点 | データ収集が正しくても偏りは残る。過去を再現してよいかの判断が要る。 |
歴史的バイアスの具体例
採用AIが過去の採用データを学習する場合、過去の採用慣行に存在した性別や学歴に関する偏りがモデルに取り込まれます。融資AIが過去の融資履歴を学習する場合、歴史的に特定の人種グループに対する融資が制限されていた影響が反映されます。言語モデルが過去のテキストコーパスを学習する場合、歴史的に存在していた性別ステレオタイプが埋め込まれます。
1過去に偏った慣行特定層が採用されにくい
▶
2実績データに残る「事実」として記録
▶
3AIが学習パターンとして習得
▶
4同じ偏りを再現過去を自動化してしまう
▶
5意図的な是正が必要データを直すだけでは不足
歴史的バイアスの特殊性
歴史的バイアスが他のバイアスと異なるのは、データの収集や処理に問題がなくても発生する点です。データが過去の現実を正確に反映していることそのものが問題であり、データの品質改善だけでは解決できません。「世界はこうであった」という記述と「世界はこうあるべきだ」という規範の間のギャップが、歴史的バイアスの本質です。
歴史的バイアスへの対処
対処には、データの歴史的文脈を分析し、どのような不平等が反映されているかを特定することが必要です。公平性制約を組み込んだモデル設計、カウンターファクチュアル（反事実的）分析による因果関係の検証、定期的なモデル更新によるバイアスの修正などが有効なアプローチです。社会の変化に応じてAIシステムも進化させていく継続的な取り組みが求められます。