摘要
人工智能在医疗、法律和公共服务等领域日益扮演着重要角色，相关研究领域也因此发展出了一套广泛的方法论来衡量和减轻偏见。然而，这些方法论所依赖的公平性定义、基准和去偏见框架被视为普遍适用，实际上却是由一个从未被充分表征的研究社区所产生。
通过分析692篇涵盖五个主题领域的出版物，结合文献计量分析与语义聚类，我们发现人工智能偏见研究在地理上呈现出高度集中，尤其是在那些该领域继承的相关领域中。这项研究的主要发现包括：
- 研究活动主要由少数国家、机构和作者主导，其中美国在所有领域的出版产出和合作网络中处于领先地位，尤其是在一般公平性和偏见减轻领域。
- 一般公平性和偏见减轻是最大的、引用量最高的领域，并且在四个语义聚类中有着重要的代表性。
- 低收入和中等收入国家在这一研究社区及其合作网络中几乎缺席。
- 引用影响高度偏斜（中位数 = 9；均值 = 93.5），表明少数出版物在该领域中产生了不成比例的影响。
由于一般公平性领域提供了应用领域所需的定义和基准，因此在这一基础领域的研究集中将影响整个人工智能偏见研究。这引发了一个重要的担忧：在狭窄的背景下开发和验证的减轻方法可能无法推广到所有人工智能部署的群体和环境中。我们提供了一个交互式地图，以持续监测该领域的结构。
博主点评： 本文揭示了人工智能偏见研究中存在的结构性不平衡，强调了研究社区的多样性与公平性之间的关系。随着AI在各行各业的应用愈加广泛，确保不同背景的学者参与研究显得尤为重要，以避免在设计偏见减轻方法时的局限性。