تعتبر مشكلة كشف الأصوات المزيفة (Audio Deepfake Detection) واحدة من أبرز التحديات التي تواجه أنظمة التعرف على الصوت. ففي ظل تقدم تقنيات الذكاء الاصطناعي (Artificial Intelligence)، تزداد احتمالية استغلال الأصوات المزيفة في ممارسات غير قانونية مثل انتحال الهوية. ورغم التقدم الكبير في هذا المجال، يُعد التحيز الجندري (Gender Bias) قضية لم تُستكشف بشكل كافٍ بعد.

تتناول الدراسة الجديدة التحليل الجندري في أداء نماذج كشف الأصوات المزيفة، حيث استخدمت مجموعة بيانات ASVspoof 5 لتدريب نموذج ResNet-18. تم تقييم أداء الكشف عبر أربعة ميزات صوتية مختلفة ومُقارنة النتائج مع نموذج AASIST الأساسي.

لم يقتصر التحليل على المعايير التقليدية مثل معدل الخطأ المتساوي (Equal Error Rate - EER %)، بل تم استخدام خمس مقاييس عدالة مثبتة لتحديد الفجوات الجندرية في الأداء.

تشير النتائج إلى أنه حتى عندما تكون الفروق في معدل الخطأ بين الجنسين ضئيلة، فإن التقييم المدرك للعدالة يكشف عن تباينات في توزيع الأخطاء، والتي يتم إغفالها عند الاعتماد على مقاييس الأداء العامة. تُظهر هذه النتائج أن الاعتماد على المقاييس القياسية غير موثوق، بينما توفر مقاييس العدالة نظرة عميقة حول أوضاع الفشل الخاصة بالفئات السكانية.

تؤكد هذه الدراسة على أهمية التقييم المدرك للعدالة في تطوير نظام كشف صوت مزيف أكثر عدلاً وموثوقية وفعالية. بينما نتقدم في هذا المجال الحساس، تبرز ضرورة مراعاة الفروق الجندرية لتحقيق نتائج أفضل.