عدم المساواة غير العادلة في التعليم: معيار لأبحاث إنصاف الذكاء الاصطناعي

لماذا يهم هذا الطلاب والمجتمع

في أنحاء العالم، تعتمد المدارس بدرجة متزايدة على البيانات والخوارزميات لتقرير من يحتاج إلى مساعدة، ومن المرجح أن ينجح، وحتى من يحصل على برامج خاصة. لكن إذا كانت البيانات التي تغذي هذه الأنظمة متحيزة، فقد تُعمّق الخوارزميات الظلم بهدوء بدلاً من مكافحته. تقدم هذه الورقة مجموعة بيانات تعليمية جديدة بُنيت خصيصًا لتمكين الباحثين من دراسة تقليل المعاملة غير العادلة في الذكاء الصناعي، بهدف مساعدة جميع الطلاب—وخاصة أولئك من خلفيات محرومة—على الاستفادة من الأدوات المعتمدة على البيانات.

نافذة جديدة إلى الفصول الدراسية الحقيقية

تأتي مجموعة البيانات من مدارس عامة في جزر الكناري بإسبانيا، وتتابع أكثر من أربعين ألف طالب عبر عدة سنوات دراسية. بدلاً من تسجيل درجات الاختبارات فقط، تجمع بين معلومات عن الطلاب وأسرهم ومعلميهم ومديري المدارس. وهذا يعني أنها تلتقط ليس فقط مدى أداء الطلاب في الرياضيات والإسبانية والإنجليزية، بل أيضاً دخل الأسرة وتعليم الوالدين وموارد التعلم في المنزل وممارسات التدريس في الفصل وكيف يشعر الطلاب تجاه المدرسة. ومن خلال امتدادها لعدة سنوات ومستويات صفية متعددة، تتيح البيانات للباحثين تتبع تقدم الأطفال وأين قد يتخلفون أو يتركون المدرسة.

تحويل بيانات المدارس الفوضوية إلى بيئات اختبار عادلة

البيانات التعليمية الواقعية فوضوية: تحتوي على مئات الأسئلة، والعديد من المواضيع المتداخلة، وكثير من الإجابات الفارغة. تتخطى بعض الأسر أسئلة حساسة عن الدخل أو ظروف المعيشة، غالباً بسبب الخوف أو الوصمة. وبدلاً من ملء هذه الفجوات بتخمينات، يميز المؤلفون بعناية بين الإجابات المفقودة عشوائياً وتلك التي من المرجح أن تعكس هشاشة اجتماعية. بالنسبة للحالات الأخيرة، يتجنبون الإصلاح التلقائي الذي قد يخفي عدم المساواة بدلاً من كشفها. وبالتعاون مع خبراء في التعليم والاقتصاد، يجمعون الأسئلة ذات الصلة في مجموعة أصغر من المؤشرات الواضحة والمُعدَّلة—مثل مدى استخدام الطالب للحاسوب أو قوة علاقته بالمعلمين—مع ترك الأنماط الحساسة بشكل خاص بالتفصيل للباحثين للتعامل معها بحرص.

الحفاظ على القصة في الأرقام

عند تقليص أكثر من 500 سؤال مسح إلى نحو 140 ميزة، ثمة خطر حقيقي في تحريف القصة التي ترويها البيانات. للتحقق من أن ذلك لم يحدث، تُجري الفريق سلسلة من الاختبارات الإحصائية. يقارنون بين البيانات الأصلية والمبسطة لمعرفة ما إذا كانت لا تزال تشفر نفس العلاقات—سواء بين خلفية الطالب والأداء، أو بين السمات الحساسة (مثل الجنس أو مكان الميلاد أو دخل الأسرة) والنتائج. باستخدام مقاييس متقدمة للاعتماد وعدة فحوصات للإنصاف، يبينون أن مجموعة البيانات الجديدة والمضغوطة تحافظ على معظم المعلومات الموجودة في الأصل، والأهم أنها لا تجعل الأنماط غير العادلة القائمة أفضل أو أسوأ.

ما الذي يمكن للباحثين استكشافه باستخدام هذا المورد

بما أن مجموعة البيانات متاحة علنًا بصيغة سهلة الاستخدام، فهي تقدم «مَرجِع اختبار» مشترك لأنواع عديدة من الدراسات. يمكن للعلماء بناء ومقارنة خوارزميات لترتيب الطلاب للحصول على أماكن محدودة في البرامج، مع التأكد من أن الاختيار لا يضر مجموعات معينة. يمكنهم تصميم أدوات لاكتشاف الطلاب الذين يتراجعون بهدوء وشرح العوامل الأكثر مسؤولية، حتى يتمكن المعلمون وصانعو السياسات من التدخل. تدعم البيانات أيضاً نماذج الإنذار المبكر للتسرب من المدرسة، وتحليلات أوسع حول كيف تشكل موارد الأسرة ووظائف وتعليم الوالدين وسياق المدرسة فرص التعلم. التوثيق المفصل والكود مفتوح المصدر يجعل من السهل إعادة إنتاج عمل المؤلفين وتوسيعه.

كيف يقدّم هذا تقدمًا في إنصاف الذكاء الاصطناعي في التعليم

بعبارات بسيطة، تقدم المقالة مجموعة بيانات مدرسية مُنقّحة بعناية وموثقة جيدًا تتيح للباحثين اختبار ما إذا كانت خوارزمياتهم تعامل الطلاب بعدل. تحترم قوانين الخصوصية، وتحافظ على الأنماط الحقيقية في البيانات—بما في ذلك الأنماط المزعجة—وتكشف كيف قد تشير الإجابات المفقودة نفسها إلى معاناة. من خلال تقديم كل من المعلومات الخام وإصدار مُنسَّق مصمَّم للاستخدام الخوارزمي، يمنح المؤلفون المجتمع أساسًا مشتركًا لبناء ومقارنة وتحسين أدوات الذكاء الاصطناعي التي تهدف لدعم الطلاب دون تعزيز عدم المساواة غير العادلة.

الاستشهاد: Giovanelli, J., Magnini, M., Ciatto, G. et al. Unfair Inequality in Education: A Benchmark for AI-Fairness Research. Sci Data 13, 572 (2026). https://doi.org/10.1038/s41597-026-06827-x

الكلمات المفتاحية: بيانات تعليمية, إنصاف خوارزمي, أداء الطلاب, عدم المساواة الاجتماعية والاقتصادية, الذكاء الاصطناعي المسؤول