案例09｜Gender Bias Mitigation：Balanced Data、Gender Swapping、CDA 與 De-biased Embeddings

一、案例定位

本案例依原書 6.5「Approaches to Address Gender Bias in Sentiment Analysis」整理。

建立 Gender Bias Mitigation Toolbox，區分 Data、Representation、Training、Post-training 與 Domain Adaptation 層級。

二、學習目標

掌握原書列出的主要 Mitigation Method。
理解不同方法處理 Bias 的位置不同。
避免宣稱任何單一方法能普遍消除 Gender Bias。

三、案例情境

原書整理多種策略：Balanced Dataset、Selective Privacy-preserving Technique、Negative Multi-task Learning、Data Scrubbing、Gender Swapping、Counterfactual Data Augmentation（CDA）、De-biased Word Embedding、Domain Adaptation 等。作者同時指出 Bias Mitigation 需要 Context-specific Adaptation／Testing。

四、開始資料

方法	原書作用	注意事項
Balanced Dataset	Equal Gender Representation	改善 Training Representation
Data Scrubbing	移除／處理 Gender-related Signal	可能損失有用 Context
Gender Swapping	替換 Gender Term 建 Counterfactual Pair	檢查 Prediction Consistency
CDA	Counterfactual Data Augmentation	擴增公平性訓練資料
De-biased Embedding	減少 Representation 中 Gender Bias	需檢查 Downstream Performance
Privacy-preserving／Negative Multi-task	隱藏 Sensitive Information／移除 Gender-specific Feature	兼顧 Utility
Domain Adaptation	針對特定 Language／Field 調整	Context-specific，不保證跨 Domain 泛化

五、Excel／AI 分析方法

Excel 可建立 Mitigation Method、Bias Metric Before／After、Task Performance Before／After、Domain、Language、Side Effect；AI 可協助產生 Gender-swapped Pair／CDA Sample，但仍需實際 Evaluation。

六、計算結果

本節是方法回顧；原書未提供所有方法可直接比較的統一 Effect Size。

七、結果分析與管理解讀

公平性改善不能只看 Bias Metric，也要確認 Task Utility 沒有被破壞。原書特別提醒，不同方法在不同 Context／Domain 的效果可能不同。

八、AI 提問詞

請把以下 Gender Bias Mitigation Strategy 分成 Data、Representation、Training、Post-training、Domain Adaptation 五層，並列出需要同時監測的 Fairness Metric 與 Task Performance；不要宣稱單一方法 universally solves bias。