# دراسة: نماذج اللغة ترفض معلومات مراسلين وُصفوا بأنهم سود بنسبة تصل إلى 46٪

> تكشف الأبحاث أن نماذج لغوية شائعة ترفض الوثوق بالمعلومات بوتيرة أكبر عندما يصف السؤال مصدرها بأنه أسود، ما يسلط الضوء على تحيز خفي.

Oossa · 2026-10-23 · https://oossa.com/ar/study-finds-llms-decline-info-from-black-described-reporters-up-to-46-of-the-tim

قاس بحث جديد نُشر على arXiv بعنوان «التغييب بوصفه مصدراً لتحيز الاحتمالات في نماذج اللغة» مدى تكرار رفض النماذج الرائدة الوثوق بتقرير استناداً إلى العِرق المنسوب إلى صاحبه. واستخدم الباحثون لعبة الجرّتين عبر 6,600 جلسة، فوجدوا أن نماذج OpenAI وAnthropic امتنعت عن تقييم مراسل وُصف بأنه أسود في 46٪ من الحالات، مقابل 9٪ لمراسل وُصف بأنه أبيض. وعندما قيّمت النماذج المعلومات، وثقت بالمصدر الموصوف بأنه أسود بدرجة أعلى قليلاً. ويختفي هذا التحيز عندما يكافئ نظام التقييم الأحكام الصحيحة على مدى جولات متكررة.

## الحقائق

- نُشرت الورقة في 2026-10-23 («Fri Oct 23 2026 06:00:00 GMT+0200»)
- معدل الامتناع: 46٪ للمراسلين الموصوفين بأنهم سود، و9٪ للمراسلين الموصوفين بأنهم بيض

## لماذا يهم

ينبغي لمطوري المساعدات الذكية أن يدركوا أن نماذج اللغة الكبيرة الحالية قد تفضل المعلومات أو ترفضها بصمت بناءً على العِرق المتصوَّر، ما قد يؤثر في الإنصاف بتطبيقات مثل دعم العملاء أو فرز الحالات الطبية.

## المصادر والمراجع

1. [Invisibilization as a Source of Probability Bias in Language Models](https://arxiv.org/abs/2610.30785) – arXiv, 2026-10-23

آخر تحديث: 2026-10-23