في عالم الذكاء الاصطناعي، تعد النماذج اللغوية الكبيرة (Large Language Models) من أبرز أدوات التعامل مع النصوص وفهم اللغة. ومع ذلك، فإن هذه التقنية ليست خالية من العيوب، حيث يمكن أن تكشف وتضاعف الانحيازات الاجتماعية أثناء توليد الأفكار. هنا تظهر تقنية COFT (Chain of Fair Thought) كحل مبتكر يُقدم طُرُق جديدة للتحكم في هذه الانحيازات.

تعتمد COFT على ثلاث مراحل رئيسية. أولاً، تُنشئ هذه التقنية مطالبة مضادة مكشوفة من خلال استبدال spans الحساسة برموز محايدة، مما يتيح خلق سياقات أكثر عدالة. ثانياً، تقارن COFT بين توزيعات logit الفعلية والمقنعة باستخدام دمج خفيف الوزن يُسمى logit fusion، مما يُقلل من الانحيازات الناتجة عن السمات. أخيرًا، تستخدم COFT معايير التعديل المبني على التفرع الثنائي لشهادات المجموعة المستهدفة، مما يضمن إصدار قرارات موثوقة في كل خطوة.

تم تقييم COFT عبر ست نماذج وعدد من معايير الانحياز، وأظهرت النتائج تقليلاً لمعدل الانحياز بمعدل يتراوح بين 30-55%، مع الحفاظ على جودة الأداء وفائدة المهمة. والأفضل من ذلك، أن عبء الحوسبة يكاد يكون ضئيلاً، بما يعادل تمريرة أمامية إضافية واحدة فقط. تقدم COFT مسارًا واضحًا وقابلًا للتدقيق نحو توليد أفكار أكثر أمانًا مع تقليل ملحوظ للانحياز، دون الحاجة لإعادة تدريب أو الوصول إلى أوزان النماذج السابقة.