目的基于深度學習算法 BERT 進行特征表示和文本分類，實現對隨機對照試驗（RCT）文獻的自動化偏倚風險評價。方法計算機檢索 Cochrane 圖書館，收集 RCT 相關信息并獲取偏倚風險評價數據，據此構建文本分類所需數據集。采用 BERT 進行特征提取，構建文本分類模型，完成 7 類偏倚風險值（高、低）的評價。將原始數據集的 80% 作為訓練集，10% 作為測試集，10% 作為驗證集。采用準確率（P 值）、召回率（R 值）和 F1 值評價模型的性能，并將所得結果與傳統機器學習方法（結合 n-gram 與 TF-IDF 的特征工程方法和 LinearSVM 分類器）結果進行比較。結果該模型在 7 類偏倚風險值評價任務上取得 78.5%～95.2% 的 F1 值，較傳統機器學習方法高 14.7%。在除“其它偏倚”外的其它 6 類偏倚描述句的提取任務上取得 85.7%～92.8% 的 F1 值，較機器學習方法高 18.2%。結論基于 BERT 的自動化偏倚風險評價模型能夠實現對 RCT 文獻較高準確率的自動化偏倚風險評價，提高完成系統評價的效率和速度。