選択バイアスとは
選択バイアス（Selection Bias）とは、データの収集やサンプリングの段階で、対象となる母集団を正確に反映しないデータが選ばれることで生じる偏りです。AIシステムにおいては、学習データが特定のグループや条件に偏ることで、モデルの予測が不公平になる原因となります。
| ひとことで言うと | データの集め方によって、母集団とずれた標本になってしまう偏り。 |
|---|---|
| よくある例 | アンケートに答えた人だけ、Web利用者だけ、既存顧客だけのデータ。 |
| 注意点 | 「答えてくれなかった人」に重要な傾向が隠れていることが多い。 |
選択バイアスの発生パターン
選択バイアスにはいくつかの典型的なパターンがあります。生存者バイアス（成功したケースのみがデータに残り、失敗したケースが欠落する）、自己選択バイアス（参加を自発的に選んだ人々のみがデータに含まれる）、除外バイアス（特定の条件を満たさないデータが体系的に除外される）、Berksonのバイアス（選択基準自体が2つの変数の関係を歪める）などがあります。
1アンケートを配布全顧客に送付
▶
2一部だけ回答満足層が答えやすい
▶
3回答だけ分析評価が高く見える
▶
4実態とずれる不満層が反映されない
▶
5補正が必要未回答層の推定
AI開発における影響
医療AIでは、特定の病院や地域のデータのみで学習すると、他の環境では性能が低下することがあります。オンラインサービスのデータはデジタルリテラシーの高いユーザーに偏りがちで、高齢者やデジタルにアクセスしにくい層が十分に反映されません。採用AIでは、過去の合格者のデータのみで学習すると、不合格者の潜在的な適性が反映されない問題が生じます。
選択バイアスの緩和策
選択バイアスへの対処として、層化サンプリングによる代表性の確保、データソースの多様化、欠落データの分析と補完、傾向スコアマッチングなどの統計的手法が用いられます。完全な除去は困難ですが、バイアスの存在を認識し文書化することが、公正なAI開発の第一歩です。