探討觸控生物識別中的性別偏差
arXiv - Computers and SocietyJoshua Lee, Ben Khant, Rajesh Kumar
研究發現滑動式生物識別在性別上無顯著偏差，且準確率高達92-94%。
AI 幫你先抓重點
AI 重點 1
滑動式生物識別在性別上無顯著偏差，證明其可作為公平的安全驗證方式。
滑鼠懸停看 AI 判斷理由
此發現打破了行為生物識別可能存在偏差的先入觀念，鼓勵在教育平台及行動裝置中更廣泛採用此技術，提升使用者隱私與安全。
AI 重點 2
XGBoost 在滑動資料上的高準確率顯示，先進機器學習模型能有效捕捉使用者滑動特徵。
滑鼠懸停看 AI 判斷理由
此結果說明在設計認證系統時，可優先選用 XGBoost 或類似模型，以達到高效且公平的驗證效果，對於需要即時授權的學習環境尤為重要。
核心研究發現
- 1
XGBoost 在 BBMAS 資料集上達 92% 的準確率，ANTAL 資料集上達 94%。
- 2
Kolmogorov‑Smirnov、Mann‑Whitney 與 Wasserstein 置換檢定顯示，幾乎所有實驗設定下男女 FAR/FRR 無顯著差異。
- 3
滑動式認證在保持高準確率的同時，對男性與女性使用者表現相當，證實其公平性與可靠性。
對教育工作者的啟發
對於設計學習平台或行動應用的安全機制，建議採用滑動式生物識別並使用 XGBoost 以達到 92‑94% 的準確率；同時在資料收集階段確保男女比例均衡，並定期以 FAR/FRR 及統計檢定監測性別公平性；若發現偏差，應調整特徵工程或模型參數；最後，將此認證方式整合於多因素驗證流程，可提升使用者體驗與安全性。
原始文獻資訊
- 英文標題：
- Investigating Gender Bias in Touch Biometrics
- 作者：
- Joshua Lee, Ben Khant, Rajesh Kumar
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。