Upendeleo na Ukosefu wa Haki wa AI Huonekana Vipi katika Elimu, na Tunaweza Kufanya Nini Kuuhusu?

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Upendeleo na ukosefu wa haki katika AI ya elimu si tatizo moja. Utafiti katika hifadhi hii ya maarifa unaandika upendeleo ukiingia katika karibu kila hatua ya maisha ya mfumo — data ya mafunzo, tabia ya modeli, prompts, upangaji wa alama, maoni, maamuzi ya ugawaji, na miundombinu iliyo chini yao — na unaathiri wakufunzi, watengenezaji, watafiti na watawala kwa namna tofauti. Mchoro unaojitokeza katika yote ni thabiti vya kutosha kusemwa waziwazi: uliza namba za vikundi vidogo, si wastani; fafanua "aliyeathirika" kwa matokeo, si kwa ukubwa wa kikundi; na chukulia haki kama kitu unachobuni na kukagua, si kitu unachobandika baadaye.

Upendeleo na ukosefu wa haki huonekana wapi

Upangaji wa alama na tathmini. Upangaji wa alama kwa AI unaweza kuadhibu lugha ambayo mwanafunzi anaandika badala ya uelewa unaoonyeshwa: upangaji wa alama wa fizikia unakadiria kwa utaratibu chini wanafunzi ambao maelezo yao hayana ufasaha, ukiwaadhibu waandishi wasio wazawa na wale wasio na kujiamini kwa kile wanachokijua (upendeleo wa lugha katika upangaji wa alama kiotomatiki). Uwekaji alama kiotomatiki pia unakandamiza kuelekea katikati ya mgawanyo, ukiwadhihirisha zaidi wanafunzi bora na dhaifu zaidi, na kutokubaliana kwake na wapangaji wa alama wa binadamu kunatofautiana kulingana na kiwango cha ufaulu na sifa za uso wa lugha kama wigo wa msamiati (OpRaise, 2026). Kwa picha kamili ya upangaji wa alama, tazama FAQ ya haki katika upangaji wa alama.

Mafunzo ya ziada, maoni na mifumo inayobadilika. Modeli ya mwanafunzi ya ndani ya mfumo wa mafunzo ya ziada unaobadilika inaweza kuwaweka vikundi vibaya bila kuonekana: ukaguzi wa haki wa ufuatiliaji wa maarifa wa Bayesian wa kumbukumbu za MATHia za wanafunzi 8,549 kwa miaka miwili ya shule uligundua usawa wa kitakwimu wa jumla wa −0.077 ulioficha stadi 36 kati ya 50 zilizokuwa na upendeleo dhidi ya wasomaji wanaojitokeza, huku upendeleo wa ngazi ya stadi ukifikia −0.262 — mfumo huo haukuwa na sehemu ya stadi za kusoma, kwa hiyo wanafunzi waliokuwa wakisoma kwa ufasaha mdogo walipoteza ardhi katika hisabati (Stinar na wenzake, 2026). Zana za maoni zina upendeleo wao ulioandikwa: modeli nne za LLM zinazotumika sana hubadilisha maoni ya uandishi kwa njia zinazolingana na dhana potofu wanapopewa utambulisho wa mwanafunzi — sifa zaidi, ukosoaji mdogo, dhana kwamba uwezo wake ni mdogo — hata kwa insha zinazolingana (Tan na wenzake, 2026). Walimu wa LLM pia hutofautiana kulingana na lebo ya kidemografia ya mwanafunzi: katika EduFair-Bench, kupanda kwa sauti ya kurekebisha kulizidi 0.10 kwa kila modeli katika kemia na fizikia, huku ujenzi wa hatua ukihusiana hadi |r| = 0.144 na hali za kidemografia katika hisabati, na sauti ilifuata lebo badala ya ubora wa hoja (EduFair-Bench). Hata muktadha wa kidemografia uliopo bila kuonekana katika historia ya mazungumzo unabadilisha matokeo: hali isiyo ya wazi iliongeza alama za insha kiotomatiki kwa hadi pointi 1.57 kwa modeli moja kwa sababu muktadha, si sifa iliyotajwa, ulibeba ishara (Rooein, Benedetto na Hovy, 2026).

Dashibodi na tahadhari ya mapema. McConvey na wenzake (2026) walijaribu kwa shinikizo hatua sita za haki za baada ya tukio kwenye mfumo wa tahadhari ya mapema ulioigwa kutoka kumbukumbu 168,550 za wanafunzi: hakuna iliyotoa faida thabiti. Tofauti ziligawanywa upya, hazikupunguzwa; mbinu mbili zilitumia ukubwa wa kikundi kufafanua hali mbaya na zikaelekeza marekebisho yote 706 kwa wanafunzi wa kimataifa, ambao tayari walikuwa na kiwango cha juu cha uwezekano wa kufaulu (0.916 dhidi ya 0.756); na mbinu moja ilifikia lengo lake la fursa sawa kwa jinsia kwa kuinua kiwango cha uongo chanya cha wanawake kutoka 0.561 hadi 0.837. Wanafunzi walioanguka katika "Jinsia Isiyojulikana" walikuwa na viwango vya chini zaidi vya chanya halisi chini ya kila mbinu.

Matokeo jenereta: maandishi, picha na avatar. Modeli huiga kanuni zinazotawala isipokaguliwa waziwazi. Mapitio ya utaratibu ya tafiti 31 za zana za maandishi-hadi-picha katika elimu yaligundua picha zilizoweka katikati takwimu nyeupe, za kiume, za Magharibi, nyembamba na zisizo na ulemavu, huku utofauti wa umri, mwili na uwezo ukiwa haupo kwa kiasi kikubwa (Alon na wenzake, 2026). Wasaidizi wa kuunda timu huwaelekeza wanafunzi kwenye uzoefu tofauti: modeli tatu za LLM zikiweka kazi 11,200 za uhandisi wa programu ziliwapeleka wanaume kwenye Ubunifu wa Kiolesura badala ya Uendelezaji wa Msingi mara 80% chini ya wanawake, na utaifa ulibadilisha nafasi bila kujali sifa (Entezami na wenzake, 2026). Hata ishara za utambulisho wa avatar hubadilisha imani: avatar nyeupe zilipimwa kuwa za kuaminika na zenye uwezo zaidi katika majaribio mawili (N = 396), huku avatar za wanawake weusi wazee zikiadhibiwa, na athari ikiongezeka katika kazi za STEM (Anthis na Kyriakidou-Zacharoudiou, 2026). Zana za uandishi zinaweza kuhamisha upendeleo kwenye kazi za wanafunzi wenyewe: prompt yenye upendeleo wa kijinsia huzalisha insha zaidi za dhana potofu za kijinsia, kwa hiyo upendeleo wa zana unakuwa matokeo ya mwanafunzi (uhamisho wa upendeleo wa kijinsia katika uandishi unaosaidiwa na LLM).

Data, lebo na miundombinu. Upendeleo upo kabla modeli yoyote kufunzwa. Zana za utambuzi wa majina zilizotumika tayari zilikosa majina ya Kiafrika kwa recall 0.7647 na majina ya Kiasia kwa 0.8640 dhidi ya 0.9024 kwa majina ya Ulaya na 0.9091 kwa ya Amerika, mapungufu ambayo modeli iliyorekebishwa iliondoa (Ji na wenzake, 2025). Makusanyo ya mafunzo na uwekaji tokeni kwa utaratibu huwaweka katika hali mbaya wazungumzaji wa lugha zisizowakilishwa vya kutosha (Structural Silence), wasifu wa wanafunzi unaozalishwa na LLM unabeba mielekeo ya kikanda na ya kijinsia inayoenea chini ya mnyororo (López-Pernas na wenzake, 2026), na lebo za ukweli wa msingi zilizo nyuma ya modeli zinastahili ukaguzi sawa na modeli zenyewe (uaminifu wa ukweli wa msingi).

Zana za utambuzi zinawapiga zaidi waandishi wa lugha nyingi. Kwa sababu vigunduzi huainisha kwa utabirifu wa maandishi, urahisi mdogo wa kueleweka na msongamano wa fomula wa uandishi wa lugha ya ziada huchochea bendera za uongo za "AI": tafiti zilizoandikwa ziliainisha kwa makosa sehemu kubwa za insha halisi za TOEFL za wasio wazawa (Angelier, 2026), na kuhariri karatasi ya mtu asiye mzawa kulibadilisha hukumu pande zote mbili — pointi 10.7 chini ya uwezekano wa kuwekewa bendera chini ya kigunduzi kimoja, pointi 5.8 zaidi chini ya kingine (Park, Jeong na Kim, 2026).

Ufikiaji na ubora wa zana ni masuala ya usawa pia. Mgawanyiko wa kidijitali ni msingi (ufikiaji wa kidijitali), na mgawanyiko wa ubora unaongeza: kiwango cha bure cha modeli hiyo hiyo hakikuwa sahihi katika majibu 49 kati ya 150 (32.7%) dhidi ya 18 kati ya 150 (12%) kwa kiwango cha kulipia, hali iliyofanya walimu waiite "haina matumizi kwa hisabati" (Canonigo, 2026). Kitivo kwa wingi kinatarajia AI jenereta kuongeza ukosefu wa usawa — 81% ya kitivo 1,057 kilichohojiwa kilisema hivyo, 58% wakisema kwa kiasi kikubwa (Watson na Rainie, 2026). Na faida za mafunzo ya ziada ya AI hazigawi kiotomatiki: faida hujikita pale ugawaji unafuata hitaji, kama vile mafunzo ya ziada ya binadamu ya mapema yaliyoelekezwa kwa wanafunzi walio chini zaidi ya kizingiti yalipozalisha ukuaji wa juu kidogo (75%, p = .065) katika kikundi hicho hasa (Gurung na wenzake, 2026), au wakati nyenzo za kujifunza za AI zilizothibitishwa na wataalamu zilihamishia sehemu kubwa ya ongezeko la alama 2.34 kwenye kwintile ya chini (Dang na Nguyen, 2026).

Nini cha kufanya kuuhusu — kwa nafasi yako

Ikiwa wewe ni mkufunzi: uliza zana yoyote unayokubali viwango vyake vya makosa vilikuwa vipi kwa vikundi vidogo unavyofundisha kwa kweli, si usahihi wake wa jumla tu. Kagua kazi za waandishi wa lugha nyingi kwa makini kabla ya kukubali hukumu ya kigunduzi — zana hizo huainisha kwa makosa uandishi wa lugha ya ziada. Tumia prompt zisizoegemea upande wowote unapozalisha nyenzo za kufundisha (prompt isiyoegemea kwa kiasi kikubwa inaepuka kuchochea lugha iliyotofautishwa kijinsia), na linganisha matokeo ya AI na viwango vyako mwenyewe badala ya kuyachukulia kama yenye mamlaka (Nitawafundishaje Wanafunzi Kuthibitisha Matokeo ya AI?). Kwa upangaji wa alama, weka binadamu katika mzunguko kwenye kesi za mpaka.

Ikiwa wewe ni mtengenezaji wa programu: kagua katika hali za utambulisho — lugha, jinsia, utamaduni, ulemavu — ukitumia pembejeo zinazobadilisha muktadha wa mwanafunzi pekee (matokeo ya ishara isiyo ya wazi yanaonyesha sifa zilizotajwa si njia pekee). Jaribu kwa masomo yaliyotengwa, si vitu vilivyotengwa pekee: faida za haki zilizodumu kwenye mgawanyo wa uthibitishaji zilitoweka kwa modeli halisi ya umakini wa mwanafunzi katika runs 4 kati ya 10 (Fragkiadakis na wenzake, 2026). Pendelea upunguzaji ndani ya modeli — urekebishaji, mafunzo yasiyobagua lahaja, malengo yanayozingatia haki kama GroupDRO — badala ya marekebisho ya matokeo ya baada ya tukio (mbinu za upunguzaji wa upendeleo). Kamwe usikadirie hali mbaya kutoka ukubwa wa kikundi, na ripoti vipimo vya vikundi vidogo ikiwa ni pamoja na vikundi ulivyolazimika kuachia kwa sababu sampuli ilikuwa ndogo sana (Ye na wenzake, 2026 waliwaachia wanafunzi wa Kiingereza na wanafunzi wa IEP kwa sababu hii hasa — sema hivyo unapofanya hivyo).

Ikiwa wewe ni mtafiti: ripoti kipimo cha haki, kwa hakika — mapitio ya wigo wa tafiti 421 zinazotumia NLP kwa tathmini za wanafunzi yaligundua kipimo rasmi cha haki katika 8 pekee (1.9%) (Eicher na da Silva, 2026), na kati ya tafiti 12 za upangaji wa alama wa AI dhidi ya binadamu, kumi hazikusema kuhusu upendeleo wa kidemografia, lugha au kijamii (Xu, Lu na Abdi, 2026). Jaribu katika vipimo vya kidemografia, si jinsia pekee; ripoti uachiaji wa vikundi vidogo; na tathmini usawa pamoja na usahihi badala ya kama jambo la baadaye. Unapokagua modeli kama walimu wa historia au walimu katika miktadha tofauti, tumia upimaji wa hali za utambulisho kabla ya kufikia hitimisho (kichujio cha kibabe ni mfano wa onyo).

Ikiwa wewe ni msimamizi: fanya ripoti ya vikundi vidogo na ukaguzi kabla ya kupitisha kuwa masharti ya mkataba unaponunua zana za utabiri au jenereta — waandishi wa utafiti wa tahadhari ya mapema wanaona utawala wa ununuzi, si uboreshaji wa vipimo, kama kinga ya msingi (McConvey na wenzake, 2026). Angalia mgawanyiko wa viwango vya ubora unaoacha madarasa yenye rasilimali chache na utendaji mbaya zaidi wa zana, na unganisha ufikiaji na msaada na mafunzo badala ya kutoa leseni pekee. Tumia vipini katika sera ya AI ya taasisi kuhitaji ufichuzi na ripoti ya usawa, na elekeza majadiliano ya R&D na uangalizi kupitia mikataba ya utafiti wa usawa, maadili na usalama.

Nini hakifanyi kazi

Madai ya usahihi wa jumla. Usawa wa jumla wa −0.077 uliendana na stadi 36 kati ya 50 zenye upendeleo dhidi ya kikundi; modeli iliyoonekana sawa ilikosa wanafunzi wanaojitahidi karibu kabisa kwenye mgawanyo usio sawa (Hooshyar na wenzake, 2026 waligundua recall ya 8%, 12% na 16% kwa wanafunzi wa chini kwa usahihi wa 80%). Wastani unaendana na madhara yaliyokolea.

Marekebisho ya usawa ya baada ya tukio. Kila uingiliaji katika utafiti wa tahadhari ya mapema ama uligawanya upya makosa, ulirekebisha waliokuwa tayari wamefaidika, au ulifikia usawa kwa kufanya kikundi kisionekane zaidi. Kurekebisha mnyororo ni bora kuliko kubandika matokeo.

Upunguzaji mmoja uliofanywa mara moja. Upendeleo huingia tena kupitia data, prompt, upangaji wa alama na utekelezaji; utafiti unaonyesha mikakati saidizi (malengo ya mafunzo ya haki, ubunifu wa prompt, kutobagua lahaja, upangaji wa alama unaotenganisha uelewa na lugha, ufafanuzi, uangalizi wa binadamu) kwa sababu hasa hakuna suluhisho moja linalofunika mnyororo mzima (Kupunguza Upendeleo).

Wapi kwenda ndani zaidi

Ukurasa wa Kupunguza Upendeleo unaorodhesha vyanzo na mbinu za upunguzaji katika mnyororo mzima; Usawa unashughulikia vipimo vya ufikiaji, uwakilishi na matokeo pamoja na ushahidi kwa kila kimoja; Upendeleo wa Kiotomatiki unashughulikia kushindwa kwa upande wa msomaji — kuamini kupita kiasi pendekezo lenye upendeleo au lililo kimakosa tu; na Athari Tofauti Kati ya Vikundi vya Wanafunzi unakusanya tafiti zinazofuata jinsi zana moja inavyotua tofauti kwa vikundi tofauti.