في عالم الذكاء الاصطناعي، تُعتبر العدالة الموضوعية موضوعاً شائكاً يستدعي بذل جهدٍ فكري عميق. تكشف دراسة حديثة تم نشرها على منصة arXiv عن مفهوم جديد يُعرف بـ "العدالة الموضوعية في نظم الاسترجاع المدعومة بالذكاء الاصطناعي" (Retrieval-Augmented Generation) والتي تعتمد على ضمان العدالة في كل موضوع بدلاً من النظر إليها بشكل إجمالي فقط.

بينما يعتمد التقييم التقليدي للعدالة في هذه الأنظمة على مقاييس متجمعة عبر الاستفسارات، فإن هذه المقاييس يمكن أن تخفي عدم التوازن بين المواضيع. فعلى سبيل المثال، قد يُظهر النظام تحيزاً واضحاً حيث يفضل النساء في أسئلة حقوق الإنسان لكنه يميل للرجال في أسئلة تتعلق بالممثلين وصنّاع الأفلام. لذا، تبرز الحاجة الملحّة لدراسة العدالة الموضوعية لضمان العدالة بين مختلف المواضيع.

في هذه الدراسة، قام الباحثون بتعديل طريقة إعادة التصنيف لتتناسب مع كل موضوع بشكل منفصل، باستخدام هدف Bradley-Terry تحت إشراف مباشر من المخرجات المُولّدة. بناءً على أزواج التفضيلات المستمدة من المخرجات، تمكن الباحثون من تقليص الفجوة المتوسطة لكل موضوع بمعدل 51% في مجموعة بيانات RoMQA و40% في TREC Fair Ranking، مع الحفاظ على مستوى الدقة المطلوب.

لم تصل أي طريقة أساسية إلى هذا المستوى من التقليص، حتى مع تعديلات تجعل كل موضوع يُعالج بشكل منفصل. ولا يعمل أيضاً الأسلوب الذي يستخدم مُعادة تصنيف واحدة لجميع المواضيع بكفاءة، إذ أنه يتبع الاتجاه الذي تتطلبه معظم المواضيع. هذا الابتكار يُشهد له بأنه يوفر رؤية جديدة حول كيفية معالجة مسألة العدالة في نظم الذكاء الاصطناعي، مما يُظهر لنا أن العدالة ليست مجرد مفهوم شائع، بل هي مسألة تتطلب اهتماماً متخصصاً وفهماً عميقاً.