Wikidata 人类条目覆盖偏差首次评估：女性仅占 28.71%

查看 PDF

摘要：引言。Wikidata 等开放协作知识图谱日益成为智能体人工智能、信息检索和语言建模系统的基础，因此对其人口代表性及整体公平性进行系统性审计已成为一项研究要务。方法。在此，我们提出一个开源审计平台，该平台通过 QLever 摄取 Wikidata 上代表超过 600 万人的逾 1000 万条陈述绑定，并评估性别、性取向、地理、出生地城市化程度、族裔、标签/描述/别名的多语言覆盖、职业以及这些实体的部分交叉对的代表性。该平台依据 Rubin 的缺失分类法，采用卡方拟合优度检验、95% Wilson 得分置信区间和差异比进行评估。结果。在 Wikidata 中明确标注性别的人群里，女性占 28.71%（CI +/-0.04）。38.26% 的人有公民身份陈述，其中西欧和北美（WENA）约占此类陈述的 53%。在可分类的 180 万个出生地中，农村出生地占 2.48%（相比之下全球基线为 27.4%）。不到 1.2% 的实体带有族裔陈述，非英语 Wikidata 描述覆盖了 18.2% 的条目。讨论。我们的发现揭示了所评估各维度上存在显著缺失。族裔和性取向的记录缺失最为严重（缺少陈述），而农村出生地和非 WENA 公民身份的代表性最低。

评论：	11 页，3498 词，1 张表，5 幅图。修正了一些拼写错误（Figure X 改为 Figure 2，Figure Y 改为 Figure 3，Figure G 改为 Figure 4，Figure C 改为 Figure 5），并使部分文字更清晰（第 4 页未明确说明约 250 万人类实例上总共存在约 500 万条公民身份陈述；文字已修改以明确这一点）
主题：	计算机与社会（cs.CY）；人工智能（cs.AI）；计算与语言（cs.CL）
ACM 分类：	H.3.3；I.2.4；I.2.7；H.3.4；K.4.2
引用为：	arXiv:2609.22375 [cs.CY]
	（或本版本的 arXiv:2609.22375v2 [cs.CY]）
	https://doi.org/10.48550/arXiv.2609.22375 arXiv 通过 DataCite 颁发的 DOI

提交历史

来自：Clair Kronk [查看邮箱]
[v1] 2026 年 9 月 17 日星期四 19:48:54 UTC（598 KB）
[v2] 2026 年 10 月 22 日星期四 13:34:37 UTC（1,140 KB）