في عالم الذكاء الاصطناعي، تُعتبر الخصوصية أحد أبرز التحديات التي تواجه نظم التعلم الآلي، وخاصة في ظل تزايد المخاوف بشأن تسرب المعلومات. يُعرف الخصوصية الفائقة (Differential Privacy) بأنها وسيلة لحماية بيانات الأفراد من التحليل غير المشروع، لكن تظهر دراسات حديثة أن تطبيقها قد يؤدي إلى اتساع الفجوات في دقة النتائج بين الفئات السكانية.

يتناول البحث الأخير، الذي تم نشره على arXiv، مفهوم تكاليف الخصوصية ويقدم معياراً جديداً يعرف بنسبة عدالة تكاليف الخصوصية (PCER). يهدف هذا المعيار إلى معالجة عدم العدالة الناتج عن اختلافات التعرض للخصوصية. حيث يقترح الباحثون أن المجموعة التي تواجه تعرضاً أكبر ينبغي أن تستفيد بنسب أعلى من النظام لإصلاح هذه الاختلالات.

من مميزات هذا المعيار هو قدرته على قياس فائدة كل مجموعة بناءً على معدل التنبؤ الإيجابي، ومن ثم مقارنته بفجوة القياس الخاصة بها. يشير البحث إلى أن تكاليف الخصوصية تُعتبر شكلًا من أشكال الضرر، وبالتالي يجب أخذها بعين الاعتبار عند تقييم عدالة الأنظمة.

كما أظهر البحث أن تكاليف الخصوصية تؤثر بشكل مزدوج على المجموعات المحمية، حيث تتعرض لأوامر أكبر من الفائدة السلبية، وهذا ما لم تكشف عنه المعايير السابقة. تم إجراء تقييم شفاف لهذا المعيار عبر العديد من العينات التدريبية والاختبارات، مما يُظهر فعاليته كأداة عملية لفحص العدالة.

تشير النتائج إلى أن تقييم العدالة في أنظمة الخصوصية يجب أن يأخذ في الاعتبار من يتحمل تكاليف الحماية، وليس فقط من يستفيد من النتائج.