该文综述医学人工智能中的偏见与公平性问题，包括疾病分类器在人群亚组间的性能差异、数据中人类偏见对健康差距的放大、校准指标对样本量的系统性偏差，以及基于CART的偏见检测框架，并探讨联邦学习、模型解释等去偏技术，强调开发健壮、负责任的临床AI以促进健康公平。

本文研究了多语言模型中去偏技术的可转移性，利用多语种 BERT，跨语言的去偏技术效果显著，特别是在低资源语言中。这些新的深入认识有助于对多语种语言模型中的偏见缓解有更深层次的理解，并提供了实践指导。

TransPrompt v2是一种用于少样本学习的传递性促进框架，通过元知识获取和去偏技术提高性能。它在多个NLP任务和数据集上优于单任务和跨任务强基线，并改善预训练语言模型在未见任务上的性能。同时，在使用完整训练集进行学习时也优于强调优基线。