يقيس مؤشر EOD الفرق في “معدل الإيجابيات الحقيقية” (True Positive Rate) بين مجموعتين (مثل الطلاب الإناث مقابل الذكور)​ إذا كان EOD = 0 فذلك يعني حصول كلا المجموعتين على نفس نسبة النجاح الفعلية (توزيع متساوٍ للفرص). وإذا كان EOD < 0 فالميزة تكون للمجموعة المفضَّلة​ إذا حقق نظام الذكاء الاصطناعي نسبة نجاح حقيقية (TPR) بلغت 95% للطلاب الذكور و92% للطالبات، في الممارسة العملية، يُعتبر فرق EOD ضئيلًا (ضمن نطاق ±3%) مؤشرًا على عدالة مقبولة نسبيًا. إذا تجاوز الفارق هذا النطاق، أدوات ضبط الانحياز: إعادة وزن العينات (Re-weighting) من أساليب معالجة الانحياز قبل تدريب النموذج، تقنية إعادة وزن العينات. تعتمد الفكرة على تعديل أوزان عينات التدريب بحيث لا تكون فئات حساسة (مثل الجنس أو العِرق) ممثلة بشكل مغاير غير عادل. إذ يتم تحليل توزيع الصفة الحساسة في البيانات وتحديد معامل وزن لكل عيّنة. إذا كان حجم عيّنات إحدى الفئات أقل، تمنح عيناتها أوزانًا أكبر بحيث تُقابل عينات الفئة الأكبر وزنًا أقل. org بعد إعادة الوزن يتعلم النموذج من بيانات أكثر توازناً، مما يعزز إنصاف التوقعات (مثلاً يُقلّل الفارق في معدلات النجاح الحقيقية بين المجموعات ويُقرب EOD من الصفر). كمثال توضيحي، org أي أن النظام أعطى ميزة طفيفة للفئة الذكورية (EOD سالب) لكن الفرق ظل ضمن ±3% (نطاق التسامح المعتاد)، مما يشير إلى تحيز ضئيل نسبيًا. بعد تطبيق إعادة وزن العينات على بيانات التدريب، فيصبح EOD≈0%. بذلك يتحقق التكافؤ الكامل تقريبًا في فرص التقييم بين المجموعتين،

مؤشر العدالة: Equal Opportunity Difference (EOD)
من أبرز مؤشرات العدالة الإحصائية في تصنيف الطلاب هو فرص المساواة (Equal Opportunity Difference – EOD). يقيس مؤشر EOD الفرق في “معدل الإيجابيات الحقيقية” (True Positive Rate) بين مجموعتين (مثل الطلاب الإناث مقابل الذكور)​
medium.com
. إذا كان EOD = 0 فذلك يعني حصول كلا المجموعتين على نفس نسبة النجاح الفعلية (توزيع متساوٍ للفرص). أمَّا إذا كان EOD > 0 فهذا يشير إلى استفادة المجموعة غير المحظوظة (مثلاً الإناث) بنسب أعلى، وإذا كان EOD < 0 فالميزة تكون للمجموعة المفضَّلة​
ar5iv.labs.arxiv.org
.
مثال: لنفترض أن نظامًا قدّره أداء مخصص للذكور أكثر من الإناث. إذا حقق نظام الذكاء الاصطناعي نسبة نجاح حقيقية (TPR) بلغت 95% للطلاب الذكور و92% للطالبات، فإن
EOD

92
%
−
95
%

−
3
%
EOD=92%−95%=−3%، أي أن الإناث حصلن على 3 نقاط مئوية أقل في التوقعات الصحيحة (الميزة – وإن كانت طفيفة – كانت لصالح الذكور)​
ar5iv.labs.arxiv.org
.
في الممارسة العملية، يُعتبر فرق EOD ضئيلًا (ضمن نطاق ±3%) مؤشرًا على عدالة مقبولة نسبيًا. فاختلاف ضمن ثلاث نقاط مئوية يدل على أن فرص الوصول إلى النتيجة المرجوَّة متقاربة جدًا بين المجموعات، دون انحياز كبير. إذا تجاوز الفارق هذا النطاق، يُحَذِّرُ المحللون من احتمال وجود تحيّز مهم في النموذج.
أدوات ضبط الانحياز: إعادة وزن العينات (Re-weighting)
من أساليب معالجة الانحياز قبل تدريب النموذج، تقنية إعادة وزن العينات. تعتمد الفكرة على تعديل أوزان عينات التدريب بحيث لا تكون فئات حساسة (مثل الجنس أو العِرق) ممثلة بشكل مغاير غير عادل. إذ يتم تحليل توزيع الصفة الحساسة في البيانات وتحديد معامل وزن لكل عيّنة. وبذلك يُنتج نظام بيانات جديد محسَّن بالتوازن بحيث تسهم كل مجموعة بنفوذ متساوٍ تقريبًا في تعلم النموذج​
arxiv.org
.
على سبيل المثال، إذا كان حجم عيّنات إحدى الفئات أقل، تمنح عيناتها أوزانًا أكبر بحيث تُقابل عينات الفئة الأكبر وزنًا أقل. بهذه الطريقة يقل تأثير التحيّز في بيانات التدريب دون الحاجة لتغيير الوسوم الأصلية​
arxiv.org
. بعد إعادة الوزن يتعلم النموذج من بيانات أكثر توازناً، مما يعزز إنصاف التوقعات (مثلاً يُقلّل الفارق في معدلات النجاح الحقيقية بين المجموعات ويُقرب EOD من الصفر). هذه التقنية أثبتت فعاليتها في مكتبات معالجة الانحياز مثل AIF360​
arxiv.org
​
arxiv.org
.
مثال رقمي (دراسة ميدانية صينية)
كمثال توضيحي، لنفترض دراسة ميدانية في بعض مدارس الصين حيث استُخدم نموذج ذكاء اصطناعي لتوقع نجاح الطلاب في امتحان. أظهر النظام دقة 92% إجمالاً. لو حقق تنبؤ النظام نجاح 95 من أصل 100 طالب ذكور (TPR=95%) و92 من 100 طالبة إناث (TPR=92%)، يكون الفرق EOD = 92%−95% = −3%​
ar5iv.labs.arxiv.org
. أي أن النظام أعطى ميزة طفيفة للفئة الذكورية (EOD سالب) لكن الفرق ظل ضمن ±3% (نطاق التسامح المعتاد)، مما يشير إلى تحيز ضئيل نسبيًا. بعد تطبيق إعادة وزن العينات على بيانات التدريب، تُعدل الأوزان بحيث تصبح نسبة النجاح المتوقعة متقاربة مثلاً 93% لكلٍ من الطلاب والطالبات، فيصبح EOD≈0%. بذلك يتحقق التكافؤ الكامل تقريبًا في فرص التقييم بين المجموعتين، مما يعكس تحسنًا في عدالة النموذج.