原書指出，numeric prediction distributions 已有較成熟方法，但 text、image、audio、video 的 output distribution monitoring 是新問題。
某企業使用生成式 AI 大量產生內容，需要判斷 deployment target 是否出現 spurious correlations，例如某些群體被過度關聯特定語氣、影像特徵或結果。
| Output type | 原書監控挑戰 |
|---|---|
| Numeric predictions | 已有較成熟 distribution monitoring |
| Text | 內容／語義分布不易直接量化 |
| Image | 視覺特徵／representation monitoring |
| Audio | voice／tone／content distribution |
| Video | multimodal spurious correlation 更難辨識 |
先定義 human-reviewed categories，再建立 output distribution table；AI 可協助分類，但 sensitive／fairness audit 應有人員驗證。
教材情境：1,000 個 outputs 中 700 個落在單一 category，該 category share=70%。
70% 本身不一定有問題；重點是它是否與預期 population／prompt distribution 不一致，或是否形成不合理關聯。
根據已人工定義 categories 計算 output distribution，標示集中度異常；不要自行推測 protected attributes。
**題目：**若期望 share 為 50%，實際 70%，差多少個百分點？
**參考解答：**20 個百分點。