تصميم نموذج خوارزمي ذكي لاكتشاف التحيّز في المحتوى الرياضي الرقمي

Abstract

يشهد المحتوى الرياضي الرقمي تزايدًا لافتًا في اعتماده على تقنيات الذكاء الاصطناعي، وخاصة الخوارزميات المستخدمة في تصفية الأخبار، وتقديم التوصيات، وتوليد النصوص بشكل تلقائي. غير أن هذه الخوارزميات، وإن كانت فعالة من حيث الكفاءة والسرعة، قد تُكرّس أنماطًا من التحيّز التحريري، إمّا بفعل البيانات غير المتوازنة، أو بسبب غياب ضوابط أخلاقية واضحة في البرمجة. تهدف هذه الورقة إلى تصميم نموذج خوارزمي ذكي قادر على اكتشاف التحيّز في النصوص الرياضية الرقمية، بالاعتماد على تقنيات التعلم الآلي، من خلال استخدام خوارزميات تصنيف آلي مثل التصنيف الاحتمالي البسيط وآلة الفصل الداعمة، إلى جانب أدوات تحليل اللغة المكتوبة. وقد تم تجميع عينة مكوّنة من 1000 خبر رياضي منشور على منصات رقمية، وتصنيفها يدويًا إلى ثلاث فئات حسب درجة التحيّز. ثم جرى تدريب النموذج اعتمادًا على تحويل النصوص إلى تمثيلات عددية وفقًا لتكرار المصطلحات وتوزيعها، مع اختبار أدائه باستخدام مؤشرات مثل الدقة، ونسبة الاسترجاع، ومعامل التوازن. تشير النتائج الأولية إلى فعالية عالية للنموذج، خصوصًا عند استخدام خوارزمية آلة الفصل الداعمة، في التمييز بين المحتوى المتحيّز والمحايد. وتقترح الورقة إمكانية دمج هذا النموذج مستقبلاً ضمن منصات النشر الرياضي الرقمي، كأداة رقابية تقنية تساعد على ضبط جودة النصوص وتعزيز الشفافية والمهنية في الإعلام الرياضي Summary : Digital sports content is increasingly relying on artificial intelligence technologies, particularly algorithms used for content filtering, recommendation, and automated text generation. While these algorithms offer advantages in terms of speed and efficiency, they may also reinforce editorial bias—either due to imbalanced training data or the absence of clear ethical standards in algorithm design. This paper aims to design an intelligent algorithmic model capable of detecting bias in digital sports texts by applying machine learning techniques. The model is based on classification algorithms such as Naïve Bayes and Support Vector Machines, in addition to natural language processing tools for textual analysis. A dataset of 1,000 sports news articles published on digital platforms was compiled and manually categorized into three levels of bias. The model was trained using a text representation method based on term frequency and distribution, and evaluated using standard performance metrics such as accuracy, recall, and F1-score. Preliminary results show that the model performs with high efficiency, especially when using the Support Vector Machine algorithm, in distinguishing between biased and neutral content. The paper proposes the potential integration of the model into digital sports publishing platforms as a technical tool to support content quality control and enhance transparency and professionalism in sports journalism.