تزايد استخدام نماذج اللغات الضخمة (Large Language Models) في التطبيقات الواقعية يسلط الضوء على أهمية ضمان العدالة في استجاباتها عبر مختلف الفئات. على الرغم من الجهود المبذولة لتحقيق ذلك، تبقى مشكلة التحيز الخفي تحدياً مستمراً. يُظهر نموذج اللغات الضخمة عدالة في التقييمات القياسية، ولكنه قد يؤدي إلى استجابات متحيزة خارج تلك الإعدادات.

تقدم ورقة بحثية جديدة مفهوم "فارق التعبير" (framing disparity) الذي يركز على كيفية تأثير طريقة تقديم الأسئلة على تقييم العدالة. يتم قياس هذا التأثير من خلال مقارنة التعبيرات المختلفة لنفس المحتوى مثل "A أفضل من B" مقابل "B أسوأ من A". من خلال توسيع معايير تقييم العدالة لتشمل طرق تعبير بديلة، يتضح أن (1) نقاط العدالة تتباين بشكل كبير حسب طريقة التعبير، و(2) الطرق الحالية لمعالجة التحيز تحسن العدالة العامة ولكن قد لا تقلل من الفروقات الناتجة عن طريقة التعبير.

لمعالجة هذه المشكلة، اقترح الباحثون طريقة معالجة تحيزات تعتمد على الوعي بطبيعة التعبير، تشجع نماذج اللغات الضخمة على أن تكون أكثر اتساقاً عبر تعبيرات مختلفة. أظهرت التجارب أن هذه الطريقة تساهم في تقليل التحيز العام وتعزز من صمود النموذج ضد الفروقات الناجمة عن طرق التعبير المختلفة، مما يمكّن النماذج من تقديم استجابات أكثر عدلاً وتماسكًا. إن هذه الخطوات تمثل خطوات مهمة نحو تحقيق العدالة في الذكاء الاصطناعي، ما يدخلنا في عصر جديد من التطبيقات التي تضمن أن تكون التكنولوجيا في خدمة الجميع.