مسرد تعلّم الآلة: العدالة

تحتوي هذه الصفحة على عبارات مسرد مصطلحات العدالة. للاطّلاع على كلّ مصطلحات المصطلحات، انقر هنا.

أمبير

السمة

#fairness

مرادف للميزة.

في مجال عدّة تعلُّم الآلة، غالبًا ما تشير السمات إلى السمات التي تخصّ الأفراد.

الانحياز للأساليب المبرمَجة

#fairness

عندما يفضّل صانع القرار البشرية الاقتراحات التي أنشأها نظام اتخاذ القرارات التلقائي، على المعلومات التي يتم إنشاؤها بدون استخدام الأساليب المبرمَجة، حتى عندما يخطئ نظام اتّخاذ القرارات المبرمَج.

ب

الانحياز (الأخلاقيات/العدالة)

#fairness
#fundamentals

1- التحرّش أو التعصّب أو الميول تجاه بعض الأشياء أو الأشخاص أو المجموعات مقارنةً بالآخرين يمكن أن تؤثر هذه الانحيازات على جمع البيانات وتفسيرها، وتصميم نظام، وكيفية تفاعل المستخدمين مع أحد الأنظمة. تتضمّن أشكال هذا الانحياز ما يلي:

2. خطأ منهجي ناتج عن إجراء لأخذ عينات أو إعداد تقارير تتضمّن أشكال هذا الانحياز ما يلي:

يجب عدم الخلط بين عبارة الانحياز في نماذج تعلُّم الآلة أوالانحياز في التوقّع.

ج

الانحياز بهدف التأكيد

#fairness

يشير هذا المصطلح إلى استعداد المستخدم للبحث عن المعلومات أو تفسيرها أو تفضيلها أو تذكّرها بطريقة تؤكّد المعتقدات أو الفرضيات الموجودة مسبقًا. يمكن لمطوّري برامج تعلُّم الآلة جمع البيانات عن غير قصد أو تصنيفها بطرق تؤثر في نتيجة تدعم معتقداتهم الحالية. انحياز التأكيد هو شكل من أشكال الانحياز الضمني.

انحياز المختبِّر هو نوع من الانحياز في التأكيد الذي يواصل من خلاله المستخدم نماذج التدريب حتى يتم تأكيد فرضية.

العدالة الواقعية

#fairness
مقياس للعدالة يتحقّق مما إذا كان المصنِّف يقدّم النتيجة نفسها لفرد واحد ويحقق النتيجة نفسها للشخص الأول، باستثناء ما يتعلق بسمة واحدة أو أكثر من السمات الحساسة ويُعتبر تقييم أداة التصنيف للعدالة الواقعية أحد طرق عرض المصادر المحتملة للتحيز في نموذج.

يمكنك الاطّلاع على "حالات العوالم التعارضة: دمج الافتراضات المضادة المختلفة في مبدأ العدالة، لإجراء مناقشة أكثر تفصيلاً بشأن العدالة المغايرة.

انحياز التغطية

#fairness

يُرجى الاطّلاع على الانحياز في الاختيار.

D

التكافؤ الديمغرافية

#fairness

مقياس النزاهة الذي يكون راضٍ إذا كانت نتائج تصنيف النموذج لا تستند إلى سمة حسّاسة

على سبيل المثال، إذا نطبّق كلاً من جامعة "لوبوتينابيين" و"برودنجناغيز" جامعة "غلوبوددريب"، يتم تحقيق التكافؤ حسب الفئة الديموغرافية إذا كانت النسبة المئوية للطلّاب المعتمَدين هي النسبة المئوية المعترَضون بها، بغض النظر عمّا إذا كانت إحدى المجموعات في المتوسط مؤهلة أكثر من غيرها أم لا.

التباين مع فرص الاحتمالات المكافئة وتكافؤ الفرصة، التي تسمح لنتائج التصنيف بشكل مجمّع بالاعتماد على السمات الحسّاسة، ولكن لا تسمح بنتائج التصنيف لبعض تصنيفات العناصر المحدّدة على أرض الواقع بأن تعتمد على السمات الحسّاسة يمكنك الاطّلاع على "الهاجمة التمييز مع تعلُّم الآلة أذكى& للاطّلاع على تمثيل بصري يستكشف المفاضلات عند التحسين لتحقيق التكافؤ حسب الفئة الديمغرافية.

تأثير متفاوت

#fairness

اتّخاذ قرارات بشأن الأشخاص الذين يؤثرون في مجموعات فرعية مختلفة من المجموعات الفرعية بشكل غير متناسب. وعادةً ما يشير ذلك إلى الحالات التي تضر فيها عملية اتخاذ القرار الخوارزمية بمزايا بعض المجموعات الفرعية أكثر من غيرها.

على سبيل المثال، لنفترض أن خوارزمية تحدّد أهلية Liliiputian's للحصول على قرض منزل مصغّر من المرجّح أن تصنّفها على أنها "غير مؤهّلة" إذا كان عنوانها البريدي يحتوي على رمز بريدي معيّن. إذا كان من المرجّح أن يكون لدى Libtle-Endliliputian عناوين بريدية باستخدام هذا الرمز البريدي أكثر من Little-Endian Lilliputian، قد تؤدي هذه الخوارزمية إلى تأثير متباين.

قارِن مع المعالجة المتباينة التي تركّز على الاختلافات التي تنتج عندما تكون خصائص المجموعة الفرعية مدخلات صريحة لعملية خوارزمية اتخاذ القرار.

معاملة متباينة

#fairness

تحليل المواضيع&#39؛ السمات الحساسة في عملية اتّخاذ قرارات خوارزمية بحيث يتم التعامل مع المجموعات الفرعية المختلفة من الأشخاص بطريقة مختلفة.

على سبيل المثال، يمكنك استخدام خوارزمية تحدّد أهلية "ليليبوتيان" للحصول على قرض منزل مصغّر استنادًا إلى البيانات التي يقدّمونها في طلب الحصول على قرض. إذا كانت الخوارزمية تستخدم ارتباط "Lliliputian" مثل Big-Endian أو Little-Endian كإدخال، يتم تطبيق معاملة متباينة على هذا البُعد.

التباين، مع التأثير المتباين الذي يركّز على الاختلافات في التأثيرات الاجتماعية للقرارات الخوارزمية على المجموعات الفرعية، بغض النظر عمّا إذا كانت هذه المجموعات الفرعية مدخلات إلى النموذج أم لا.

E

تكافؤ الفرص

#fairness
مقياس عدالة يتحقّق مما إذا كان التصنيف المفضّل (وهو مقياس يمنح ميزة أو يستفيد من المستخدمين) وسمة معيّنة، ويتوقّع المصنّف هذا التصنيف المفضّل بالتساوي على جميع قيم هذه السمة. بعبارة أخرى، تقيس المساواة في الفرص ما إذا كان من المرجّح أن يتشارك الأشخاص المؤهلون للحصول على فرصة معيّنة ذلك بغض النظر عن عضويتهم في المجموعة.

على سبيل المثال، لنفترض أنّ "جامعة غلوببدريب" تسمح للطلّاب الليلوبيين وببرودناجينيا بالانضمام إلى برنامج رياضيات صارم. وتقدّم المدارس الثانوية في Liliputians منهجًا دراسيًا قويًا لدروس الرياضيات، كما أنّ الغالبية العظمى من الطلاب مؤهّلون للمشاركة في برنامج الجامعة. لا تُقدّم المدارس الثانوية في برودينغناجيات دروسًا في الرياضيات، وبالتالي، يكون عدد الطلاب المؤهّلين أقل بكثير. يتم تحقيق المساواة في الفرصة للتصنيف المفضّل لـ "ad العمليات" مع احترام الجنسية (الليليبوتيان أو البروبدينجاني) إذا كان من المرجّح قبول الطلاب المؤهّلين بصرف النظر عمّا إذا كانوا ليليدين أو برودينغانيا.

على سبيل المثال، لنفترض أنّ 100 من الطلاب المتحدّثين و100 من الطلاب البروندجانيين ينطبقون على جامعة غلوبدودريب، ويتم اتخاذ قرارات القبول على النحو التالي:

الجدول 1: مقدّمو الطلبات من Liliputian (90% مؤهّلون)

  مؤهَّل غير معرَّف
مسموح به 45 3
تم رفضه 45 7
المجموع 90 10
النسبة المئوية للطلاب المؤهلين الذين تم قبولهم: 45/90 = 50%
النسبة المئوية للطلاب غير المؤهلين الذين تم رفضهم: 7/10 = 70%
إجمالي النسبة المئوية للطلاب الذين تم قبولهم ضمن برنامج Liliputian الذين تم قبولهم: (45+3)/100 = 48%

 

الجدول 2: مقدّمو طلبات التوظيف في شركة Probdingnagian (هم مؤهّلون بنسبة 10%):

  مؤهَّل غير معرَّف
مسموح به 5 9
تم رفضه 5 81
المجموع 10 90
النسبة المئوية للطلاب المؤهّلين الذين تم قبولهم: 5/10 = 50%
النسبة المئوية للطلاب غير المؤهّلين الذين تم رفضهم: 81/90 = 90%
إجمالي النسبة المئوية للطلاب الذين تم قبولهم: (5+9)/100 = 14%

تكفل الأمثلة السابقة المساواة في قبول الطلاب المؤهّلين لأنّ الطلاب المؤهّلين والعاملين بجامعة "برودينغناغيز" هم من أمامهم فرصة قبول انضمامهم بنسبة 50%.

يمكنك الاطّلاع على "Eبيرة المساواة في التعلّم الخاضع للإشراف لإجراء مناقشة أكثر تفصيلاً حول تكافؤ الفرص. يمكنك أيضًا الاطّلاع على "الاعتداء على التمييز باستخدام تكنولوجيا تعلّم الآلة الذكية: للاطّلاع على المفاضلات التي يتم إجراؤها عند تحسين المساواة في الفرص.

احتمالات متساوية

#fairness
مقياس العدالة الذي يتحقّق مما إذا كان أي تصنيف وسمة محدّدة، يتوقّع المصنِّف هذا التصنيف بالتساوي بالنسبة إلى جميع قيم هذه السمة.

على سبيل المثال، لنفترض أنّ جامعة غلوبدودريب تسمح لكليلتيب و النتائج التعليمية باستخدام برنامج رياضيات صارم. تُقدّم مدارس Lilliputian' الثانوية منهجًا دراسيًا قويًا لدروس الرياضيات، وتُعتبر الغالبية العظمى من الطلاب مؤهلين للمشاركة في برنامج الجامعة. لا تُقدّم المدارس الثانوية على قطاع البت في دروس الرياضيات ونتيجة لذلك، يكون عدد أقل من طلابهم مؤهلين. ونعتبر الحالات المختلفة متساوية، ولكن على الرغم من أنّه إذا لم يكن الموفّر مهمًّا سواء كان "ليليبوتيان" أو "برودديناغان"، إذا كان مؤهلاً للانضمام إلى البرنامج، يتساوى ذلك في احتمال قبوله في البرنامج. وفي حال عدم التأهّل للمشاركة في البرنامج، من المرجح أن يتم رفضه.

لنفترض أنّ 100 من الطلّاب و100 برلنديًا ينطبقون على جامعة "غلوبودبدر" ويتم اتخاذ قرارات القبول على النحو التالي:

الجدول 3: مقدّمو الطلبات من Liliputian (90% مؤهّلون)

  مؤهَّل غير معرَّف
مسموح به 45 2
تم رفضه 45 8
المجموع 90 10
النسبة المئوية للطلاب المؤهّلين الذين تم قبولهم: 45/90 = 50%
النسبة المئوية للطلاب غير المؤهّلين الذين تم رفضهم: 8/10 = 80%
إجمالي النسبة المئوية للطلاب الذين تم قبولهم ضمن برنامج Liliputian: (45+2)/100 = 47%

 

الجدول 4: مقدّمو طلبات التوظيف في شركة Probdingnagian (هم مؤهّلون بنسبة 10%):

  مؤهَّل غير معرَّف
مسموح به 5 18
تم رفضه 5 72
المجموع 10 90
النسبة المئوية للطلاب المؤهلين الذين تم قبولهم: 5/10 = 50%
النسبة المئوية للطلاب غير المؤهلين الذين تم رفضهم: 72/90 = 80%
إجمالي النسبة المئوية للطلاب الذين تم قبولهم: 5+18)/100 = 23%

يتم قبول النسب المئوية المكافئة لأنّ الطلاب الليليبوتيين والبرودناجين المؤهَّلين يحصلون على فرصة قبول% 50، كما يتم رفض طلبات Liliiputian وProbdingnagian غير المؤهَّلة بنسبة% 80.

يتم تحديد قيم احتمالات متساوية رسميًا في "المساواة في الفرص في التعلّم الخاضع للإشراف:

انحياز المجرِّب

#fairness

يُرجى الاطّلاع على انحياز التأكيد.

ج

القيد العادل

#fairness
تطبيق قيود على خوارزمية لضمان استيفاء تعريف واحد أو أكثر من العدالة. تشمل أمثلة قيود العدالة ما يلي:

مقياس العدالة

#fairness

تمثّل هذه السمة تعريفًا رياضيًا لكلمة "عادل" ويمكن قياسه. تتضمّن بعض مقاييس العدالة الشائعة الاستخدام:

ويُرجى العِلم أنّ العديد من مقاييس العدالة تستبعد بعضها البعض، ويمكنك الاطّلاع على عدم توافق مقاييس النزاهة.

أخضر

انحياز إحالة المجموعة

#fairness

وبافتراض أنّ ما هو صحيح لأحد الأشخاص صحيح أيضًا للجميع في هذه المجموعة. ويمكن أن تزيد مدى تأثير انحياز إحالة المجموعة في حال استخدام عيّنة من عينات عشوائية لجمع البيانات. في عينة غير تمثيلية، يمكن إجراء إحالات لا تعكس الواقع.

ويُرجى الاطّلاع أيضًا على الانحياز بين أفراد المجموعة خارج إطار الإنترنت والانحياز في المجموعة.

I

الانحياز الضمني

#fairness

إنشاء رابط أو افتراض تلقائيًا استنادًا إلى نماذج ذهنية وذكريات يمكن أن يؤثر الانحياز الضمني في ما يلي:

  • كيفية جمع البيانات وتصنيفها
  • كيفية تصميم أنظمة تعلُّم الآلة وتطويرها

على سبيل المثال، عند إنشاء مصنّف لتحديد صور الزفاف، قد يستخدم مهندس وجود فستان أبيض كميزة في الصورة. على الرغم من ذلك، تبيّن أن الفساتين البيضاء كانت تطهو في عصور معيّنة وفي ثقافات معيّنة فقط.

يُرجى الاطّلاع أيضًا على انحياز التأكيد.

عدم توافق مقاييس العدالة

#fairness

فكرة أن بعض مبادئ العدالة غير متوافقة مع بعضها بعضًا ولا يمكن تقديمها على الفور. ونتيجةً لذلك، ليس هناك مقياس فردي لقياس النزاهة يمكن تطبيقه على جميع مشاكل تعلُّم الآلة.

على الرغم من أنّ هذا المقياس قد لا يكون على مستوى توقّعاتك، فإنّ عدم اتّباع مقاييس العدالة لا يعني أنّ الجهود العادلة لا تزال عدّة. بدلاً من ذلك، يشير ذلك إلى أنه يجب تحديد النزاهة في سياق مشكلة تعلّم الآلة المحدّدة، وذلك بهدف منع الضررات المحدّدة لحالات استخدامها.

اطّلِع على مقالة "حول (إمكانية) العادلة" للاطّلاع على مناقشة أكثر تفصيلاً حول هذا الموضوع.

العدالة الفردية

#fairness

مقياس العدالة الذي يتحقّق مما إذا كان قد تم تصنيف الأفراد المشابهين بالطريقة نفسها. على سبيل المثال، قد ترغب أكاديمية برودينغناجي في تلبية النزاهة الفردية عن طريق ضمان حصول الطالبَين الحاصلين على درجات متطابقة ودرجات أداء موحّدة على القدر نفسه من القبول.

يُرجى العِلم أنّ العدالة الفردية تعتمد بشكل كامل على الطريقة التي تحدّد بها &"مشابهة"(في هذه الحالة، الدرجات ونتائج الاختبارات)، ويمكنك المخاطرة بتقديم مشاكل جديدة من حيث النزاهة إذا كان مقياس التشابه يفوتك معلومات مهمة (مثل صرامة المنهج الدراسي للطالب).

يمكنك الاطّلاع على "Fairness Through Awareness" لإجراء مناقشة أكثر تفصيلاً بشأن العدالة الفردية.

الانحياز في المجموعة

#fairness

إظهار جزء من مجموعة أو خصائص خاصة بها. إذا كان المختبِرون أو المصنِّفون يتألّفون من أصدقاء مطوّري برامج تعلُّم الآلة أو الأصدقاء أو الزملاء، قد يؤدي الانحياز في المجموعة إلى إبطال اختبار المنتج أو مجموعة البيانات.

يشكّل الانحياز في المجموعة شكلاً من أشكال انحياز إسناد المجموعة. ويُرجى الاطّلاع أيضًا على التحيُّز بين العناصر المتماثلة خارج المجموعة.

لا

الانحياز بدون ردّ

#fairness

يُرجى الاطّلاع على الانحياز في الاختيار.

O

انحياز التجمّع خارج المجموعة

#fairness

تميل إلى المثابرة مع أعضاء المجموعة أكثر من أفرادها عند المقارنة بين المواقف والقيم والسمات الشخصية وغيرها من الخصائص. تشير عبارة في المجموعة إلى الأشخاص الذين تتفاعل معهم بانتظام، وتشير المجموعة out-group إلى الأشخاص الذين لا تتفاعل معهم بانتظام. إذا أنشأت مجموعة بيانات من خلال مطالبة الأشخاص بتقديم سمات حول المجموعات خارجها، قد تكون هذه السمات أقل دقة وأكثر نمطية من السمات التي يدرجها المشاركون للأشخاص في مجموعتهم.

على سبيل المثال، قد يصف المصريون بسرعة لمنازل "ليليبوتشيون" الآخرين تفاصيل كبيرة، مع الإشارة إلى الاختلافات الطفيفة في الأنماط المعمارية والنوافذ والأبواب والأحجام. ومع ذلك، قد يصرّح سكان "ليليبوتيان" نفسهم بأنّ سكّان البربودينغيين يعيشون في منازل متطابقة.

انحياز التجمّع خارج المجموعة هو شكل انحياز انحياز المجموعة.

راجع أيضًا الانحياز في المجموعة.

شخصي

الانحياز للمشاركة

#fairness

مرادف للانحياز بدون رد. يُرجى الاطّلاع على الانحياز في الاختيار.

المعالجة اللاحقة

#fairness
#fundamentals

تعديل مخرجات النموذج بعد تنفيذ النموذج. يمكن استخدام إجراءات ما بعد المعالجة لفرض قيود إنصاف بدون تعديل النماذج بنفسها.

على سبيل المثال، يمكن تطبيق معالجة ما بعد المعالجة على مصنِّف ثنائي، وذلك من خلال ضبط حد أدنى للتصنيف بحيث يتم الاحتفاظ بفرص المساواة في الفرصة لبعض السمات من خلال التحقّق من أن معدّل موجب صحيح هو نفسه لجميع قيم تلك السمة.

التكافؤ

#fairness

مقياس عدّة يتحقّق مما إذا كانت معدّلات الدقة بالنسبة إلى مصنِّف معيّن مكافئة للمجموعات الفرعية قيد النظر.

على سبيل المثال، إنّ النموذج الذي يتوقّع قبول الطلاب في الجامعة سيلبي التكافؤ القائم على التوقّع للجنسية إذا كان معدّل دقّته مماثلاً للمطبّقين السجنّين وبرودينغناجيين.

وتُعرف أيضًا بالمعادلة التنبئية باسم تكافؤ معدل التوقع في بعض الأحيان.

يمكنك الاطّلاع على "Fairness التعريفات Explained" (القسم 3.2.1) للحصول على مناقشة أكثر تفصيلاً بشأن التكافؤ.

تساوي معدّل التوقّع

#fairness

اسم آخر للتوقع المتنبّئ.

المعالجة المُسبَقة

#fairness
معالجة البيانات قبل استخدامها لتدريب نموذج ويمكن أن تكون عملية المعالجة المُسبَقة بسيطة مثل إزالة كلمات من نص باللغة الإنجليزية لا تظهر في قاموس اللغة الإنجليزية، أو عملية معقّدة مثل إعادة التعبير عن نقاط البيانات بطريقة تؤدي إلى استبعاد أكبر عدد ممكن من السمات المرتبطة بالسمات الحساسة قدر الإمكان. ويمكن أن تساعد المعالجة المُسبَقة في استيفاء قيود العدالة.

الخادم الوكيل (السمات الحساسة)

#fairness
سمة مُستخدَمة كميزة للسمة الحساسة على سبيل المثال، يمكن استخدام الرمز البريدي للأفراد، مثل العرق أو العرق أو الأصل.

أحمر

انحياز إعداد التقارير

#fairness

يتضح لنا أنّ معدّل الكتابة عن الإجراءات أو النتائج أو السمات لا يعكس انعكاسات العالم الحقيقي أو الدرجة التي يتصف بها الموقع الإلكتروني عن خصائص أفراد آخرين. يمكن أن يؤثّر الانحياز في إعداد التقارير في تركيبة البيانات التي تكتسبها أنظمة تعلُّم الآلة.

على سبيل المثال، في الكتب، تكون كلمة ضحك أكثر شيوعًا من التنفس. ومن خلال نموذج تعلُّم الآلة الذي يقدّر التردّد النسبي للضحك والتنفّس من مجموعة كتب، من المرجّح أن يكون الضحك أكثر شيوعًا من التنفس.

س

انحياز في جمع العيّنات

#fairness

يُرجى الاطّلاع على الانحياز في الاختيار.

الانحياز في الاختيار

#fairness

الأخطاء في الاستنتاجات المستمدة من عينات البيانات بسبب عملية الاختيار التي تنشئ اختلافات منهجية بين العيّنات التي تم رصدها في البيانات وتلك التي لم يتم ملاحظتها. تتوفّر الأشكال التالية لانحياز الاختيار:

  • انحياز التغطية: لا يتطابق عدد السكان الممثَّل في مجموعة البيانات مع عدد السكان الذي يتخذه نموذج تعلُّم الآلة توقعات.
  • انحياز العينة: لا يتم جمع البيانات عشوائيًا من المجموعة المستهدفة.
  • الانحياز بدون رد (يُشار إليه أيضًا باسم انحياز المشاركة: يختار المستخدمون من مجموعات معيّنة إيقاف الاستطلاعات بمعدلات مختلفة عن المستخدمين من المجموعات الأخرى.

على سبيل المثال، لنفترض أنك تنشئ نموذجًا لتعلّم الآلة ينبّه مدى متعة الأشخاص في أحد الأفلام. لجمع بيانات التدريب، عليك تقديم استطلاع للجميع في الصف الأمامي من المسرح الذي يعرض الفيلم. قد يبدو هذا الأمر منطقيًا كطريقة معقولة لجمع مجموعة بيانات، ولكن هذا النوع من جمع البيانات قد يقدم الأشكال التالية من انحياز الاختيار:

  • انحياز التغطية: عند أخذ عينات من جمهور اختارت مشاهدة الفيلم، قد لا تؤدي توقعاتك حول الطراز بشكل عام إلى الأشخاص الذين لم يسبق لهم التعبير عن هذا المستوى من الاهتمام بالفيلم.
  • انحياز في جمع العيّنات: بدلاً من أخذ العيّنات العشوائية من جميع السكان المقصودين (كل الأشخاص في الفيلم)، أنّك أخذت العيّنات فقط من الأشخاص الذين ينظرون إلى الصف الأمامية. ومن المحتمل أن يكون الأشخاص الذين يجلسون في الصف الأمامي مهتمين بالفيلم أكثر من الأشخاص في الصفوف الأخرى.
  • بشكل عام، يميل الأشخاص الذين لديهم آراء قوية إلى الردّ على الاستطلاعات الاختيارية أكثر من الأشخاص الذين لديهم آراء معتدلة. بما أنّ المشاركة في استطلاع الفيلم اختياري، من المرجّح أن تكون الردود توزيعًا ثنائي الاتجاه من التوزيع العادي (على شكل جرس).

سمة حسّاسة

#fairness
سمة بشرية يمكن إعطاءها اهتمامًا خاصًا لأسباب قانونية أو أخلاقية أو اجتماعية أو شخصية.

U

الوعي (إلى سمة حساسة)

#fairness

مواقف تتوفّر فيها السمات الحسّاسة، ولكن لا يتم تضمينها في بيانات التدريب. ونظرًا لأن السمات الحسّاسة ترتبط غالبًا بسمات أخرى لبيانات الشخص، فإن النموذج الذي يتم تدريبه بدون الوعي بشأن سمة حسّاسة يمكن أن يبقى له تأثير مختلف في ما يتعلق بهذه السمة، أو ينتهك قيود عادلة.