في عصر الذكاء الاصطناعي، تلعب نماذج المخاطر المؤسسية (Institutional Risk Models) دوراً حيوياً في كيفية توزيع الموارد والفرص. ولتعزيز الشفافية في هذه النماذج، أجرينا تدقيقاً لعدالتها في إطار أنظمة التعلم الآلي deployed machine learning pipelines.

استندت دراستنا إلى تعاون ممتد مع كلية Centennial، حيث استخدمنا بيانات تدريب مؤسسية لنموذج نظام الإنذار المبكر (Early Warning System). تم تقييم الفوارق المرسومة بين الجنسين والعمر وحالة الإقامة عبر جميع مراحل المعالجة، بدءًا من بيانات التدريب وانتهاءً بالتنبؤات والنماذج التي تم توفيرها، باستخدام مقاييس عدالة معيارية.

أظهرت النتائج أن هناك انحيازًا منهجيًا، حيث تم تحديد الطلاب الذكور الأصغر سناً والطلاب الدوليين بشكل كبير كموارد تحتاج للدعم، حتى في الحالات التي يكون فيها عدد كبير منهم ناجحاً في دراستهم. في المقابل، يتم تجاهل الطلاب الأكبر سناً والنساء الذين لديهم مخاطر مشابهة للانقطاع، مما يعكس قصوراً في النظام.

المعالجة اللاحقة تعزز هذه الفجوات من خلال دمج الاحتمالات المتنوعة في فئات خطر قائمة على النسب المئوية. تُقدم هذه الدراسة منهجية قابلة للتكرار لتدقيق الأنظمة الذكية المؤسسية وتظهر كيف يمكن أن تتفاقم الفوارق عبر المراحل، مما يبرز أهمية تقييم صحة البناء بجانب العدالة الإحصائية.

تساهم هذه الدراسة في إطار أوسع يناقش تأثير الخوارزميات وبيانات الطلاب والسلطة في التعليم العالي، تأكيدًا على أهمية العدالة في أنظمة الذكاء الاصطناعي لضمان توزيع عادل للموارد والفرص بين جميع فئات الطلاب.