শিক্ষায় এআই-পক্ষপাত ও অন্যায্যতা কীভাবে দেখা যায়, এবং আমরা কী করতে পারি?

ইংরেজি পাতার এই স্বয়ংক্রিয় অনুবাদ, এখনও মাতৃভাষিক বক্তার দ্বারা পর্যালোচনা করা হয়নি।

শিক্ষায় এআই-এর পক্ষপাত ও অন্যায্যতা একটিমাত্র সমস্যা নয়। এই জ্ঞানভিত্তির গবেষণা নথিভুক্ত করে যে পক্ষপাত একটি সিস্টেমের জীবনের প্রায় প্রতিটি পর্যায়ে ঢোকে — প্রশিক্ষণ ডেটা, মডেলের আচরণ, প্রম্পট, স্কোরিং, ফিডব্যাক, বণ্টন-সংক্রান্ত সিদ্ধান্ত এবং তার নিচের পরিকাঠামো — এবং তা শিক্ষক, ডেভেলপার, গবেষক ও প্রশাসকদের ভিন্নভাবে প্রভাবিত করে। এর মধ্যে প্যাটার্নটি এতটাই সামঞ্জস্যপূর্ণ যে সরাসরি বলা যায়: গড় নয়, উপগোষ্ঠীর সংখ্যা চান; "বঞ্চিত"-কে গোষ্ঠীর আকার দিয়ে নয়, ফলাফল দিয়ে সংজ্ঞায়িত করুন; এবং ন্যায্যতাকে এমন কিছু ভাবুন যা আপনি নকশা করেন ও নিরীক্ষা করেন, পরে জোড়া দেন এমন কিছু নয়।

পক্ষপাত ও অন্যায্যতা কোথায় দেখা যায়

স্কোরিং ও মূল্যায়ন। এআই স্কোরিং শিক্ষার্থীর যে ভাষায় লেখে তাকে শাস্তি দিতে পারে, তার প্রকাশ করা বোঝাপড়ার বদলে: পদার্থবিজ্ঞানের স্কোরিং পদ্ধতিগতভাবে সেই শিক্ষার্থীদের কম মূল্যায়ন করে যাদের ব্যাখ্যা কম সাবলীল, ফলে যারা মাতৃভাষা নয় এমন ভাষায় লেখে এবং কম আত্মবিশ্বাসী তারা জানা বিষয়ের জন্য শাস্তি পায় (স্বয়ংক্রিয় স্কোরিংয়ে ভাষা-পক্ষপাত)। স্বয়ংক্রিয় মূল্যায়ন বণ্টনের মধ্যের দিকেও সংকুচিত হয়, সবচেয়ে শক্তিশালী ও দুর্বল শিক্ষার্থীদের সবচেয়ে বেশি উন্মোচিত করে, আর মানুষের মূল্যায়নকারীর সঙ্গে এর অমিল অর্জন-স্তর এবং শব্দভান্ডারের পরিসরের মতো পৃষ্ঠগত ভাষা-বৈশিষ্ট্যের সঙ্গে বদলায় (OpRaise, 2026)। পুরো মূল্যায়ন-চিত্রের জন্য দেখুন মূল্যায়নের ন্যায্যতা ও নির্ভরযোগ্যতা নিয়ে প্রশ্নোত্তর।

টিউটরিং, ফিডব্যাক ও অভিযোজিত সিস্টেম। একটি অভিযোজিত টিউটরের ভেতরের শিক্ষার্থী-মডেল অদৃশ্যভাবে গোটা গোষ্ঠীকে বঞ্চিত করতে পারে: MATHia-র লগে দুই শিক্ষাবর্ষে 8,549 শিক্ষার্থীর বায়েসীয় জ্ঞান-ট্রেসিং ন্যায্যতা-নিরীক্ষায় সামগ্রিক পরিসংখ্যানগত সমতা পাওয়া গেল −0.077, যা লুকিয়ে রাখল 50টির মধ্যে 36টি দক্ষতায় উদীয়মান পাঠকদের প্রতি পক্ষপাত, দক্ষতা-স্তরে পক্ষপাত −0.262 পর্যন্ত — টিউটরটির কোনো পাঠ-দক্ষতা উপাদান ছিল না, তাই যারা কম সাবলীলভাবে পড়ে তারা গণিতে পিছিয়ে পড়ল (Stinar ও অন্যান্য, 2026)। ফিডব্যাক সরঞ্জামের নিজস্ব নথিভুক্ত ঝোঁক আছে: চারটি বহুল ব্যবহৃত এলএলএম শিক্ষার্থীর পরিচয় পেলে লেখার ফিডব্যাক-কে স্টেরিওটাইপ-সামঞ্জস্যপূর্ণভাবে সরিয়ে দেয় — বেশি প্রশংসা, কম সমালোচনা, সীমিত সামর্থ্যের অনুমান — এমনকি অভিন্ন প্রবন্ধেও (Tan ও অন্যান্য, 2026)। এলএলএম টিউটররাও শিক্ষার্থীর জনতাত্ত্বিক লেবেল অনুযায়ী বদলায়: EduFair-Bench-এ রসায়ন ও পদার্থবিজ্ঞানে প্রতিটি মডেলের সংশোধনমূলক স্বরের বিচ্যুতি 0.10 ছাড়িয়ে গেছে, গণিতে ধাপ-স্ক্যাফোল্ডিং জনতাত্ত্বিক শর্তের সঙ্গে |r| = 0.144 পর্যন্ত সম্পর্কযুক্ত, আর স্বর যুক্তির গুণমান নয়, লেবেলকেই অনুসরণ করেছে (EduFair-Bench)। এমনকি কথোপকথনের ইতিহাসে অদৃশ্যভাবে উপস্থিত জনতাত্ত্বিক প্রেক্ষাপটও ফলাফল সরায়: অন্তর্নিহিত কন্ডিশনিং একটি মডেলের স্বয়ংক্রিয় প্রবন্ধ-স্কোর 1.57 পয়েন্ট পর্যন্ত বাড়িয়েছে, কারণ সংকেত বহন করেছিল প্রেক্ষাপট, ঘোষিত কোনো বৈশিষ্ট্য নয় (Rooein, Benedetto ও Hovy, 2026)।

ড্যাশবোর্ড ও প্রাথমিক সতর্কতা। McConvey ও অন্যান্য (2026) 168,550 শিক্ষার্থী-রেকর্ড থেকে তৈরি একটি প্রতিলিপিকৃত প্রাথমিক-সতর্কতা সিস্টেমে ছয়টি পরবর্তী-ঘটনা ন্যায্যতা-হস্তক্ষেপ চাপ-পরীক্ষা করেছেন: কোনোটিই সামঞ্জস্যপূর্ণ লাভ দেয়নি। বৈষম্যগুলো কমেনি, পুনর্বণ্টিত হয়েছে; দুটি পদ্ধতি বঞ্চনা সংজ্ঞায়িত করতে গোষ্ঠীর আকার ব্যবহার করে 706টি সংশোধনের সবই আন্তর্জাতিক শিক্ষার্থীদের দিকে পাঠিয়েছে, যাদের পূর্বাভাসিত সাফল্যের হার আগেই বেশি ছিল (0.916 বনাম 0.756); আর একটি পদ্ধতি নারীদের মিথ্যা-ধনাত্মক হার 0.561 থেকে 0.837-এ ঠেলে জেন্ডার সম-সুযোগের লক্ষ্য পূরণ করেছে। "অজানা জেন্ডার"-এ পড়ে যাওয়া শিক্ষার্থীদের প্রতিটি পদ্ধতিতেই সবচেয়ে কম সত্য-ধনাত্মক হার ছিল।

জেনারেটিভ আউটপুট: লেখা, ছবি ও অ্যাভাটার। মডেলগুলো প্রভাবশালী রীতি পুনরুৎপাদন করে, যদি স্পষ্টভাবে পরীক্ষা না করা হয়। শিক্ষায় টেক্সট-টু-ইমেজ সরঞ্জামের 31টি গবেষণার পদ্ধতিগত পর্যালোচনায় দেখা গেল ছবিগুলো ধারাবাহিকভাবে সাদা, পুরুষ, পশ্চিমা, চিকন ও প্রতিবন্ধকতাহীন চরিত্রকে কেন্দ্রে রাখে, আর বয়স, শরীর ও সামর্থ্যের বৈচিত্র্য বেশিরভাগ ক্ষেত্রেই অনুপস্থিত (Alon ও অন্যান্য, 2026)। দল-গঠন সহায়করা শিক্ষার্থীদের ভিন্ন অভিজ্ঞতায় পাঠায়: 11,200টি সফটওয়্যার-ইঞ্জিনিয়ারিং অ্যাসাইনমেন্ট বণ্টনকারী তিনটি এলএলএম পুরুষদের "কোর ডেভেলপমেন্ট"-এর বদলে "ইন্টারফেস ডিজাইন"-এ নারীদের চেয়ে অন্তত 80% কম বার পাঠিয়েছে, আর জাতীয়তা মেধা থেকে স্বাধীনভাবে বণ্টন বদলেছে (Entezami ও অন্যান্য, 2026)। এমনকি অ্যাভাটারের পরিচয়-সংকেতও বিশ্বাস বদলায়: দুটি পরীক্ষায় (N = 396) সাদা অ্যাভাটারগুলো বেশি বিশ্বাসযোগ্য ও দক্ষ হিসেবে রেটিং পেয়েছে, অন্যদিকে বয়স্ক কালো নারী অ্যাভাটারগুলো শাস্তি পেয়েছে, আর STEM কাজে প্রভাবটি আরও বেড়েছে (Anthis ও Kyriakidou-Zacharoudiou, 2026)। লেখার সরঞ্জাম শিক্ষার্থীদের নিজের কাজেও পক্ষপাত ঢুকিয়ে দিতে পারে: জেন্ডার-পক্ষপাতী প্রম্পট বেশি জেন্ডার-স্টেরিওটাইপিক প্রবন্ধ তৈরি করে, ফলে সরঞ্জামের পক্ষপাতই শিক্ষার্থীর আউটপুট হয়ে ওঠে (এলএলএম-সহায়ক লেখায় জেন্ডার-পক্ষপাতের স্থানান্তর)।

ডেটা, লেবেল ও পরিকাঠামো। কোনো মডেল প্রশিক্ষণের আগেই পক্ষপাত উপস্থিত। রেডিমেড নাম-সনাক্তকরণ সরঞ্জাম আফ্রিকান নামে 0.7647 এবং এশীয় নামে 0.8640 রিকল পেয়েছে, যেখানে ইউরোপীয় নামে 0.9024 ও আমেরিকান নামে 0.9091; এই ফাঁক একটি ফাইন-টিউন করা মডেল দূর করেছে (Ji ও অন্যান্য, 2025)। প্রশিক্ষণ কর্পাস ও টোকেনাইজেশন কাঠামোগতভাবে কম-প্রতিনিধিত্বপূর্ণ ভাষার বক্তাদের বঞ্চিত করে (Structural Silence), এলএলএম-উৎপন্ন শিক্ষার্থী-প্রোফাইল আঞ্চলিক ও জেন্ডার-ভিত্তিক পূর্বধারণা বহন করে যা নিচের দিকে ছড়িয়ে পড়ে (López-Pernas ও অন্যান্য, 2026), আর মডেলের পেছনের গ্রাউন্ড-ট্রুথ লেবেলগুলো মডেলের মতোই একই পরীক্ষা দাবি করে (গ্রাউন্ড-ট্রুথের নির্ভরযোগ্যতা)।

সনাক্তকরণ সরঞ্জাম বহুভাষিক লেখকদের সবচেয়ে বেশি আঘাত করে। যেহেতু সনাক্তকারীরা পাঠগত পূর্বানুমেয়তার ভিত্তিতে শ্রেণিবিন্যাস করে, অতিরিক্ত ভাষার লেখার কম পারপ্লেক্সিটি ও সূত্রনির্ভর ঘনত্ব মিথ্যা "এআই" পতাকা তোলে: নথিভুক্ত গবেষণা অ-মাতৃভাষিকদের আসল TOEFL প্রবন্ধের বড় অংশ ভুল শ্রেণিবিন্যাস করেছে (Angelier, 2026), আর অ-মাতৃভাষিকের লেখা সম্পাদনা করা রায় দুদিকেই সরিয়েছে — এক সনাক্তকারীতে পতাকার সম্ভাবনা 10.7 পয়েন্ট কম, অন্যটিতে 5.8 পয়েন্ট বেশি (Park, Jeong ও Kim, 2026)।

প্রবেশাধিকার ও সরঞ্জামের গুণমানও ন্যায্যতার প্রশ্ন। ডিজিটাল বিভাজন মৌলিক (ডিজিটাল প্রবেশাধিকার), আর গুণমানের বিভাজন তা বহুগুণ করে: একই মডেলের বিনামূল্যের স্তর 150টি উত্তরের মধ্যে 49টিতে (32.7%) ভুল ছিল, প্রিমিয়াম স্তরে যা 150-এর 18টি (12%), ফলে শিক্ষকেরা এটিকে "গণিতের জন্য প্রায় অকেজো" বলেছেন (Canonigo, 2026)। অনুষদ সদস্যেরা বিপুলভাবে আশা করেন জেনারেটিভ এআই বৈষম্য বাড়াবে — জরিপে অংশ নেওয়া 1,057 জন অনুষদের 81% তা বলেছেন, 58% বলেছেন তা অনেকটাই (Watson ও Rainie, 2026)। আর এআই টিউটরিংয়ের সুবিধা স্বয়ংক্রিয়ভাবে বণ্টিত হয় না: লাভ সেখানে ঘনীভূত হয় যেখানে বণ্টন প্রয়োজন অনুসরণ করে, যেমন যখন একটি কাটঅফের অনেক নিচে থাকা শিক্ষার্থীদের লক্ষ্য করে সক্রিয় মানব টিউটরিং ঠিক সেই গোষ্ঠীতেই প্রান্তিকভাবে বেশি বৃদ্ধি এনেছে (75%, p = .065) (Gurung ও অন্যান্য, 2026), বা যখন বিশেষজ্ঞ-যাচাইকৃত এআই অধ্যয়ন-উপকরণ 2.34 নম্বরের লাভের সবচেয়ে বড় অংশকে নিম্নতম কুইন্টাইলে সরিয়েছে (Dang ও Nguyen, 2026)।

এটি নিয়ে কী করবেন — আপনার ভূমিকা অনুযায়ী

আপনি শিক্ষক হলে: যে সরঞ্জাম গ্রহণ করবেন, তাকে জিজ্ঞাসা করুন আপনি যে উপগোষ্ঠীগুলো পড়ান তাদের জন্য এর ত্রুটি-হার কত ছিল, কেবল সামগ্রিক নির্ভুলতা নয়। সনাক্তকারীর রায় মেনে নেওয়ার আগে বহুভাষিক লেখকদের কাজ ভালোভাবে দেখুন — ওই সরঞ্জামগুলো অতিরিক্ত ভাষার লেখা ভুল শ্রেণিবিন্যাস করে। শিক্ষা-উপকরণ তৈরি করার সময় নিরপেক্ষ প্রম্পট ব্যবহার করুন (নিরপেক্ষ প্রম্পট জেন্ডার-বিভক্ত ভাষা তৈরি করা অনেকটাই এড়ায়), আর এআই আউটপুটকে কর্তৃত্ব ভাববার বদলে নিজের মানদণ্ডের সঙ্গে তুলনা করুন (এআই আউটপুট যাচাই)। মূল্যায়নের ক্ষেত্রে সীমান্তবর্তী ঘটনায় মানুষকে লুপে রাখুন।

আপনি সফটওয়্যার ডেভেলপার হলে: পরিচয়-শর্তজুড়ে নিরীক্ষা করুন — ভাষা, জেন্ডার, সংস্কৃতি, প্রতিবন্ধকতা — এমন ইনপুট ব্যবহার করে যা কেবল শিক্ষার্থীর প্রেক্ষাপট বদলায় (অন্তর্নিহিত-সংকেতের ফলাফল দেখায় ঘোষিত বৈশিষ্ট্যই একমাত্র চ্যানেল নয়)। শুধু আলাদা রাখা আইটেম নয়, আলাদা রাখা অংশগ্রহণকারীদের ওপর পরীক্ষা করুন: বৈধতা-বিভাজনে টিকে থাকা ন্যায্যতা-লাভ একটি বাস্তব শিক্ষার্থী-মনোযোগ মডেলের জন্য 10টির মধ্যে 4টি রানে উবে গেছে (Fragkiadakis ও অন্যান্য, 2026)। পরবর্তী আউটপুট-সমন্বয়ের বদলে মডেলের ভেতরে প্রশমন বেছে নিন — ফাইন-টিউনিং, উপভাষা-অপরিবর্তনশীল প্রশিক্ষণ, GroupDRO-র মতো ন্যায্যতা-সচেতন উদ্দেশ্য (পক্ষপাত প্রশমনের পদ্ধতি)। গোষ্ঠীর আকার থেকে কখনো বঞ্চনা অনুমান করবেন না, আর উপগোষ্ঠীর মেট্রিক জানান — যে গোষ্ঠীগুলো নমুনা খুব ছোট বলে বাদ দিতে হয়েছে সেগুলো সহ (Ye ও অন্যান্য, 2026 ঠিক এই কারণেই ইংরেজি শিক্ষার্থী ও IEP শিক্ষার্থীদের বাদ দিয়েছে — বাদ দিলে তা বলুন)।

আপনি গবেষক হলে: ন্যায্যতার মেট্রিক জানান, শেষ। শিক্ষার্থী-মূল্যায়নে NLP প্রয়োগকারী 421টি গবেষণার একটি স্কোপিং পর্যালোচনায় আনুষ্ঠানিক ন্যায্যতা-মেট্রিক পেয়েছে মাত্র 8টিতে (1.9%) (Eicher ও da Silva, 2026), আর এআই বনাম মানুষ স্কোরিংয়ের 12টি গবেষণার মধ্যে দশটি জনতাত্ত্বিক, ভাষাগত বা সামাজিক পক্ষপাত নিয়ে চুপ ছিল (Xu, Lu ও Abdi, 2026)। কেবল জেন্ডার নয়, জনতাত্ত্বিক মাত্রাজুড়ে পরীক্ষা করুন; ছোট গোষ্ঠী বাদ দেওয়ার কথা জানান; আর ন্যায্যতাকে নির্ভুলতার পাশাপাশি মূল্যায়ন করুন, পরে যোগ করা ভাবনা হিসেবে নয়। ইতিহাস টিউটর বা ভিন্ন প্রেক্ষাপটের টিউটর হিসেবে মডেল নিরীক্ষা করার সময় সিদ্ধান্তে পৌঁছানোর আগে পরিচয়-শর্ত পরীক্ষা ব্যবহার করুন (পিতৃতান্ত্রিক ফিল্টার হলো সতর্কতামূলক উদাহরণ)।

আপনি প্রশাসক হলে: পূর্বাভাসমূলক বা জেনারেটিভ সরঞ্জাম ক্রয়ের সময় উপগোষ্ঠী-ভিত্তিক প্রতিবেদন ও গ্রহণের আগে নিরীক্ষাকে চুক্তির শর্ত করুন — প্রাথমিক-সতর্কতা গবেষণার লেখকেরা ক্রয়-পরিচালনাকে, মেট্রিক অপ্টিমাইজেশন নয়, মূল সুরক্ষা হিসেবে দেখেন (McConvey ও অন্যান্য, 2026)। গুণমান-স্তরের বিভাজন দেখুন যা কম-সম্পদশীল শ্রেণিকক্ষকে বস্তুত খারাপ সরঞ্জাম-কর্মক্ষমতা দিয়ে যায়, আর কেবল লাইসেন্স দেওয়ার বদলে প্রবেশাধিকারের সঙ্গে সহায়তা ও প্রশিক্ষণ জুড়ুন। প্রাতিষ্ঠানিক এআই নীতি-র সুইচ ব্যবহার করে প্রকাশ ও ন্যায্যতা-প্রতিবেদন বাধ্যতামূলক করুন, এবং গবেষণা-উন্নয়ন ও তদারকির আলোচনা ন্যায্যতা, নীতি ও নিরাপত্তা গবেষণার রীতির মধ্য দিয়ে চালান।

যা কাজ করে না

সামগ্রিক নির্ভুলতার দাবি। −0.077 সামগ্রিক সমতা একই সঙ্গে বিদ্যমান ছিল একটি গোষ্ঠীর প্রতি পক্ষপাতী 50টির মধ্যে 36টি দক্ষতার সঙ্গে; ভারসাম্যপূর্ণ দেখতে একটি মডেল অসন্তুলিত বিভাজনে সংগ্রামরত শিক্ষার্থীদের প্রায় সম্পূর্ণই মিস করেছে (Hooshyar ও অন্যান্য, 2026 80% প্রিসিশনে নিম্ন-কর্মক্ষমদের জন্য 8%, 12% ও 16% রিকল পেয়েছে)। গড় মান ঘনীভূত ক্ষতির সঙ্গে সামঞ্জস্যপূর্ণ।

পরবর্তী-ঘটনা সমতা-সংশোধন। প্রাথমিক-সতর্কতা গবেষণার প্রতিটি হস্তক্ষেপ হয় ত্রুটি পুনর্বণ্টন করেছে, নয়তো ইতিমধ্যে সুবিধাপ্রাপ্তদের সংশোধন করেছে, নয়তো একটি গোষ্ঠীকে কম দৃশ্যমান করে সমতা অর্জন করেছে। পাইপলাইন ঠিক করা আউটপুটে তালি দেওয়ার চেয়ে ভালো।

একবার করা একটি প্রশমন। পক্ষপাত ডেটা, প্রম্পট, স্কোরিং ও মোতায়েনের মধ্য দিয়ে আবার ঢোকে; গবেষণা পরিপূরক কৌশল দেখায় (ন্যায্য প্রশিক্ষণ-উদ্দেশ্য, প্রম্পট নকশা, উপভাষা-অপরিবর্তনশীলতা, বোঝাপড়াকে ভাষা থেকে আলাদা করা স্কোরিং, ব্যাখ্যাযোগ্যতা, মানব তদারকি) ঠিক কারণ কোনো একক সংশোধন পাইপলাইন ঢাকে না (পক্ষপাত প্রশমন)।

আরও গভীরে কোথায় যাবেন

পক্ষপাত প্রশমন পাতাটি পাইপলাইনজুড়ে উৎস ও প্রশমন-পদ্ধতি তালিকাভুক্ত করে; ন্যায়বিচার প্রবেশাধিকার, প্রতিনিধিত্ব ও ফলাফলের মাত্রাগুলো প্রতিটির প্রমাণসহ ঢাকে; স্বয়ংক্রিয়তা পক্ষপাত পাঠক-পক্ষের ব্যর্থতা ঢাকে — পক্ষপাতী বা কেবল ভুল সুপারিশে অতিরিক্ত ভরসা; আর শিক্ষার্থী-গোষ্ঠীজুড়ে ভিন্নতর প্রভাব সেই গবেষণাগুলো জমা করে যা দেখায় একই সরঞ্জাম ভিন্ন গোষ্ঠীতে ভিন্নভাবে পড়ে।