في عصر الذكاء الاصطناعي، يعاني النظام من تحديات تتعلق بالعدالة عند اتخاذ القرارات. فقد أظهرت الأبحاث الحديثة أنه في بيئات التصنيف الاستراتيجي (Strategic Classification)، حيث يسعى الأفراد للتلاعب بمدخلاتهم للحصول على نتائج مواتية من النماذج التنبؤية، فإن أساليب العدالة الحالية تركز عادةً على العدالة الجماعية (Group Fairness) وتفترض أن الأفراد يتصرفون بشكل مستقل. ومع ذلك، عندما تتطلب الحالة العدالة الفردية (Individual Fairness)، مما يعني أنه يجب على الأفراد المتشابهين أن يحصلوا على نتائج مماثلة، يصبح التلاعب مرتبطًا معتمدًا على نتائج الجوار.

لتجاوز هذه الفجوة، تم تقديم إطار العمل الجديد المعروف باسم التصنيف الاستراتيجي القائم على العدالة الفردية (IFSC)، الذي يعكس كيفية تفاعل الأفراد مع أقرانهم الإيجابيين. يعتمد IFSC على فكرة أن الأفراد يقلدون أقرانهم الذين حققوا نتائج إيجابية للحصول على نتائج مشجعة. يتم وصف هذا النموذج على أنه تقليد قائم على التشابه نحو الأقران المقبولين.

يتطرق IFSC أيضًا إلى قضايا عدم اليقين في إمكانية ملاحظة الأقران، حيث يعتمد على عملية تعلم قوية تعزز التفاعلات العشوائية خلال محاكاة التلاعب. أظهرت التجارب على مجموعات بيانات صناعية وحقيقية أن IFSC يحسن من الاتساق في العدالة الفردية ويخفف من التشوهات الناتجة عن المحاكاة.

إن هذا البحث يفتح آفاقًا جديدة لفهم كيفية تأثير الديناميات الاجتماعية على نماذج الذكاء الاصطناعي، ويشير إلى أهمية مراعاة العدالة الفردية في عمليات اتخاذ القرار. في عالم يزداد فيه استخدام الذكاء الاصطناعي، تبقى مسألة العدالة وموضوع التلاعب موضوعًا ذا أهمية قصوى للحفاظ على المواءمة بين التقنية ومتطلبات المجتمعات.