某個安全攝影機的機器學習系統，不成比例地將特定族裔群體的人標記出來。造成這種不公平結果的偏誤類型是哪一種？

抽樣偏誤（Sampling bias）是指訓練資料未能充分代表真實世界中所有相關群體的分布，導致模型在特定群體上的表現不佳或產生歧視。在此情境中，如果訓練安全攝影機系統的資料集中，特定族裔群體的影像不足或呈現方式有偏差，模型就會不成比例地將他們標記出來，造成不公平的結果。 測量偏誤（Measurement bias）涉及資料收集或測量工具本身的不準確性或系統性錯誤，而非資料集代表性問題。觀察者偏誤（Observer bias）是觀察者對結果產生預期性影響，通常與人類判斷有關。確認偏誤（Confirmation bias）是人們傾向於尋找、解釋和記住支持自己預期或假設的資訊，這與模型訓練資料的代表性問題不同。