Что проверяют
- Различия error rate.
- Различия approval/rejection rate.
- Качество language variants.
- Сегментные performance gaps.
- Стереотипные или систематически искажённые ответы.
Bias зависит от задачи
Нельзя оценить смещение одной универсальной метрикой. Нужны конкретные groups, outcomes и допустимые thresholds для данного use case.