تتزايد استخدامات نماذج اللغات الضخمة (Large Language Models) في مجال التعليم، مما يجعل فهم تحيزاتها المحتملة أمرًا بالغ الأهمية. من خلال دراسة جديدة، تم تحليل التحليل الديموغرافي والاجتماعي لتلك النماذج في تقديم الاستشارات التعليمية.

قامت الدراسة بتقييم ردود ستة نماذج لغات ضخمة على أسئلة مستندة إلى 900 سيناريو يعكس طلابًا في ظروف متنوعة. وقد جرت اختبارات منهجية لكل سيناريو عبر 14 محددًا ديموغرافيًا، بما في ذلك العرق والجنس، الحالة الاجتماعية والاقتصادية، وخلفية المهاجرين، بالإضافة إلى حالة تحكم معينة، مما نتج عنه 243,000 رد من النماذج. تُظهر النتائج أن:

1. جميع النماذج تعرض تحيزات قابلة للقياس.
2. أنماط التحيز تتماشى جزئيًا مع التحيزات البشرية الوثيقة، لكنها تختلف بطرق ملحوظة.
3. تتأثر شدة هذه التحيزات بدقة أوصاف الطلاب، حيث أن المعلومات الغامضة أو الضئيلة تعزز الفجوات بمقدار ثلاثة أضعاف تقريبًا، في حين أن المقاييس الفردية والموضوعة بشكل دقيق تقلل هذه الفجوات بشكل كبير.
4. تتفاوت ملفات تعريف التحيز بين النماذج بشكل كبير.

تؤكد هذه النتائج على أهمية توفير معلومات تعليمية سياقية وغنية بحيث يمكن أن تستفيد القرارات التعليمية المدفوعة بالذكاء الاصطناعي من بيانات دقيقة تخص الطلاب، مما يعزز العدالة والمساواة في التعليم. فهل تعتقد أن التعليم يمكن أن يكون أكثر عدالة إذا تم استخدام معلومات دقيقة حول الطلاب؟ شاركونا آرائكم في التعليقات!