模型的偏見大多來自訓練資料本身的分布不均。某些群體的樣本特別多，模型自然就偏向他們。 想像班上要選代表，可是報名的人九成來自同一個系。不管你怎麼改投票規則，選出來的還是那個系的人。真正的解法是先讓各系都有人報名。資料去偏就是在報名這一關動手，不是在投票規則上動手。 資料去偏（Data Debiasing）就是在「資料層」動手：重新平衡樣本比例、補齊代表性不足群體的資料、重新標註或過濾有偏內容，讓語料的分布更公平，從源頭降低偏見。