የዘር መመርኮዝ ድጋፍ ሲወድቅ፣ AI ፍትሃዊ ፈንድ ይመራል

22/12/2025 ላይ የአሜሪካ የፍትህ ሚኒስቴር (DOJ) አንዳንድ የትምህርት ዲፓርትመንት ድጎማዎች በ“ዘር/ብሔር” መስፈርት መመደባቸው ህገ-መንግሥታዊ አይደለም ብሎ የሕግ ማስታወሻ አወጣ። ይህ ክርክር በመጀመሪያ በአሜሪካ የፖሊሲ መድረክ ላይ ያለ ጉዳይ ሊመስል ይችላል—ግን ለእኛ የሚያስተምረው ነገር ግልጽ ነው፤ ፍትሃዊነትን ለማሳደግ የምንጠቀምበት ዘዴ በህግ እና በመረጃ ላይ ተቀርጾ መሆን አለበት።

ከዚህ ጋር በተያያዘ በእኛ የ"አርቲፊሻል ኢንተሊጀንስ በመንግስታዊ አገልግሎቶች ዲጂታላይዜሽን" ተከታታይ ጽሁፎች ውስጥ የምንያዘው ዋና ጉዳይ ይህ ነው፤ መንግስት ገንዘብን ሲመድብ ቢሮክራሲ እንዳይበዛ እና ውሳኔ እንዳይገጥም የሚረዱ ዲጂታል መሳሪያዎች እንዴት መዋቀር እንዳለባቸው። በቀጥታ እናስቀምጣለን፤ ዘር-መመርኮዝ መስፈርቶች እየተገደቡ ሲመጡ ፍትሃዊ ድጋፍን ለመጠበቅ በጣም የሚረዳው መንገድ መረጃ-መመርኮዝ (data-driven) እና ህጋዊ ነጻ-መስፈርት (race-neutral) ነው—እና AI እዚህ ተግባራዊ ሚና አለው።

DOJ ማስታወሻው በቀላሉ ምን አለ?

መልስ፦ የድጎማ ፕሮግራሞች ብቁነት መስፈርት ውስጥ የዘር/ብሔር መደበኛ መጠን (quota-like criteria) ካለ ህጋዊ ችግኝ ይፈጥራል የሚል ነው።

DOJ ያቀረበው አቋም ከ2023 የአሜሪካ ጠቅላይ ፍርድ ቤት ውሳኔ (race-conscious admissions ላይ ያለው) ጋር ተያይዞ ነው። በማስታወሻው አንዳንድ ድጎማዎች “የተማሪ ህብረት ውስጥ የአንድ ዘር/ብሔር መጠን መሟላት” እንደ መስፈርት ሲታይ ህገ-መንግሥታዊ አይደለም ብሎ ይገልጻል። እንዲሁም አንዳንድ ፕሮግራሞች ይቀጥሉ ይችላሉ የሚል ነጥብ አለ፤ ግን ብቁነት መስፈርታቸውን በ“ዘር-ነጻ” መልኩ እንዲያስተካክሉ ይጠይቃል።

በሪፖርቱ ውስጥ የተጠቀሱ ቁጥሮች ለውይይቱ ክብደት ይሰጣሉ፤ በ09/2025 እስከ ያ ጊዜ ድረስ ከMSI ፕሮግራሞች ጋር የተያያዙ ወደ $350 ሚሊዮን የሚደርሱ የአማራጭ (discretionary) ድጎማዎች መቋረጥ እንዳለ ተጠቅሷል፤ ነገር ግን የኮንግረስ ግዴታዊ (mandatory) ድጋፍ ውስጥ $132 ሚሊዮን መከፈሉ ተገልጿል።

ይህ ክርክር ለ“ፍትሃዊ ትምህርት” ምን ይለዋዋጣል?

መልስ፦ ፍትሃዊነትን ለመፍጠር የሚፈልጉ ፕሮግራሞች ከ“ዘር መለያ” ወደ “ፍላጎት እና ጉድለት መለኪያ” መቀየር ይገባቸዋል።

ብዙ ሰዎች ይህን ውይይት “DEI ይቆም/ይቀጥል” ብለው ይጠቅሙታል። እኔ ግን በተግባር እንዲህ አያስብም፤ ችግኙ የአላማ አይደለም—የመመደብ ሂደት ነው። አላማው “ተቸጋሪ ቡድኖች የተሻለ እድል እንዲያገኙ” ከሆነ፣ መንገዱ ግን ህጋዊ ነጻነትን እና ግልጽነትን መያዝ አለበት።

በትምህርት ፋይናንስ ውስጥ “እኩልነት” ብለን ስንል ብቻ አይበቃም። የሚሰራ ነገር የሚገለጽ መሆን አለበት፤ ለምሳሌ፦

• የወጪ ጫና (cost burden) ከፍ ያለባቸው ተማሪዎች
• የትምህርት ክህሎት ክፍተት (learning gap) ያላቸው
• የመድረሻ እና የመውጫ መጠን (retention & completion) ዝቅ ያለባቸው ኮሌጆች
• የስራ ገበያ ግንኙነት ደካማ የሆነ የስልጠና መስመር

እነዚህ ነገሮች በ“ዘር” አይደሉም የሚገለጹት፤ በመረጃ ይገለጻሉ። እዚህ ላይ AI የሚገባው ሚና ይታያል።

AI በፍትሃዊ ድጋፍ መመደብ ላይ ተግባራዊ እርምጃ ምን ያመጣል?

መልስ፦ AI አገልግሎቱ የሚያሳየው ነገር አንድ ነው—“የሚፈለገውን ተፅዕኖ ለማምጣት ገንዘብ የት እንደሚሄድ” በመረጃ መመርኮዝ ማቅረብ።

AI ስንል ሰዎች እንደ ቻትቦት ብቻ ያስባሉ። እኔ ከተሞክሮ የማውቀው ግን ይህ ነው፤ በመንግስት ፋይናንስ ውሳኔ ውስጥ AI በጣም ጠንካራ የሚሆነው በመለኪያ ማዋቀር (scoring) እና በተፅዕኖ ትንበያ (impact forecasting) ላይ ነው።

1) “ዘር-ነጻ” የፍላጎት መለኪያ (Need Index) መፍጠር

መልስ፦ የድጋፍ ብቁነት በገቢ፣ በአካባቢ ድህነት መጠን፣ በትምህርት ክፍተት እና በአገልግሎት እጥረት ላይ ይመስራል።

ከህጋዊ አንፃር ብዙ ጊዜ የሚታመነው “በዘር አንመድብ” ነው፤ ግን በተግባር ድጋፉ ወደ ተቸጋሪ ሰዎች እንዲደርስ መንገድ አለ። እንዲህ ያሉ መለኪያዎች በAI/ML የተመሰረቱ የውሳኔ ሞዴሎች ውስጥ በግልጽ መልኩ ሊገቡ ይችላሉ፦

• የተማሪ የቤተሰብ ገቢ ደረጃ (income bracket)
• የአካባቢ የስራ አጥነት መጠን
• የትምህርት መዳረሻ ርቀት (በቀላሉ: ትምህርት ቤት ለመድረስ ጊዜ/ወጪ)
• የመማር ውጤት ክፍተት (በፈተና ውጤት/መረጃ የሚታይ)

ይህ ቅርጽ በመንግስታዊ ዲጂታላይዜሽን አጀንዳ ግልጽ የሆነ ጥቅም አለው፤ አንድ የብቁነት መለኪያ በሲስተም ውስጥ ሲተገበር ቢሮክራሲ ይቀንሳል፣ ውሳኔ ይፋጠናል፣ እና ክርክር ሲነሳ የሚታየው “እንዴት ተመደበ?” በመረጃ ይሆናል።

2) የተፅዕኖ ትንበያ፦ ገንዘብ በየት ቢገባ ይሻላል?

መልስ፦ AI በቀድሞ ውጤቶች ላይ ተመስርቶ “ድጋፍ ካገኙ በኋላ መውጫ/መቆያ/ስራ ግኝት እንዴት ይቀየራል?” ይተነብያል።

የፖሊሲ ውሳኔ ችግኝ ብዙ ጊዜ “በሰነድ ላይ ይመስላል” የሚለው ነው። ትክክል የተሰራ የAI ትንበያ ስርዓት ግን የሚመራው በውጤት ነው፤ ለምሳሌ ኮሌጅ A ላይ 10 ሚሊዮን ብር ካስገባን የመመረቂያ መጠን በ2 ዓመት ውስጥ ስንት እንደሚጨምር ይገመታል። እዚህ ነው ፍትሃዊነት ተግባራዊ የሚሆነው—እኩል መስጠት ሳይሆን እኩል ውጤት ለማሳደግ መመደብ።

3) የመዋቅር ግልጽነት (Explainability) እና ኦዲት

መልስ፦ የAI ውሳኔ ተከታታይ ሊከታተል እና ሊያስረዳ የሚችል ካልሆነ በፖሊሲ ውስጥ ማስገባት አይጠቅምም።

ከDOJ ውይይት የምንማረው ዋና ትምህርት ይህ ነው፤ አላማ ጥሩ ቢሆንም እንኳ የሂደት ግልጽነት ካልተጠበቀ ጉዳይ ወደ ፍርድ ቤት ይሄዳል። ስለዚህ በAI የተመራ የድጋፍ ስርዓት እነዚህን ማቆሚያዎች መኖር አለበት፦

• የመለኪያ ሰነድ: ምን መረጃ ገባ? ክብደቱ ስንት ነው?
• የፍትሃዊነት ሙከራ: ለቡድኖች ውጤት እኩል እድል እንዳለ በስታቲስቲክስ መፈተሽ
• የሰው ማረጋገጫ (human-in-the-loop): በሙሉ ማሽን እንዳይወስን
• አቤቱታ መንገድ: “ውሳኔ ተሳስቷል” ሲባል ማስተካከያ መንገድ

ይህ የመንግስታዊ አገልግሎት ዲጂታላይዜሽን ውስጥ በተለይ አስፈላጊ ነው፤ ችሎታ ካለ ብቻ አይደለም—መተማመን መፍጠር ነው ዋናው።

ከ“MSI ድጋፍ” ወደ “አገልግሎት-መመርኮዝ ድጋፍ”: ማድረግ የሚገባ መቀየር

መልስ፦ ህጋዊ ክርክር እንዳይደገም ድጋፉ በአገልግሎት ክፍተት እና ተፅዕኖ ላይ መመርኮዝ አለበት።

የDOJ ማስታወሻ አንዳንድ ፕሮግራሞች “በዘር መስፈርት ስለተመሰሩ” ሊቋረጡ እንደሚችሉ ይናገራል፤ አንዳንድ ደግሞ መስፈርት ተቀይሮ ሊቀጥል እንደሚችል ይጠቅሳል (ለምሳሌ በ“የተጎዱ በኩል” ወይም “የድህነት መለኪያ” መስፈርት)። እኔ የምወደው አቅጣጫ ይህ ነው፤ አቅም እና ፍላጎት የሚታይበት መስፈርት ሁሌም ይከራከራል እና ከፖለቲካ ውጪ ለመቆም ዕድል አለው።

ተግባራዊ ምሳሌ፦ የSTEM ድጋፍ እንዴት ዘር-ነጻ ሊሆን ይችላል?

መልስ፦ የSTEM ፈንድ መመደብ በላብ አቅርቦት፣ በአስተማሪ ብቃት፣ በተማሪ መቆያ መጠን እና በአካባቢ የስራ ገበያ ፍላጎት ላይ ሊመስራ ይችላል።

• ኮሌጅ የላብ መሳሪያ እጥረት ካለው (inventory gap)
• የመማር ሂደት ውጤት ዝቅ ካለ (course pass rate)
• የተማሪ መቆያ መጠን ዝቅ ካለ (first-year retention)
• በአካባቢ የቴክኖሎጂ/ኢንዱስትሪ የሰራተኛ ፍላጎት ከፍ ካለ

AI እነዚህን ከተለያዩ ምንጮች ሰብስቦ ለውሳኔ የሚያስችል የመረጃ ምስል ይሰጣል። ይህ በህግ በቀላሉ የሚከበር መልኩ ፍትሃዊ እርዳታን ማሳደግ ይችላል።

ትምህርት እና ስልጠና ተቋማት አሁን ምን ያድርጉ?

መልስ፦ ማስተናገድ ያለባቸው ነገር አንድ ነው—መረጃን አጽዳት፣ መለኪያ ግልጽ አድርግ፣ እና AI እንዲያስረዳ አድርግ።

ተቋማት (ኮሌጆች/ዩኒቨርሲቲዎች/ስልጠና ማዕከላት) የሚያደርጉት እርምጃ ከፖሊሲ ለውጥ በፊት መጀመር ነው። እነዚህ 5 እርምጃዎች ተግባራዊ ናቸው፦

1. የውጤት መረጃ አዘጋጅ: መቆያ, መመረቂያ, የስራ ግኝት, የኮርስ ማለፊያ መጠን—በአንድ ዳሽቦርድ ላይ አኑር።
2. “ፍላጎት” በሚያሳይ መለኪያ ተስማማ: ተማሪ ድጋፍ አገልግሎቶች እጥረት, የመማር ክፍተት, አካባቢ ድህነት ወዘተ።
3. የAI ኦዲት መመሪያ አዘጋጅ: ቅርጸ-እኩልነት ሙከራ, የመለኪያ ግልጽነት, የውሳኔ መተርጎም አቅም።
4. አገልግሎት እርምጃ ከፈንድ ጋር አስተባብር: “ገንዘብ ብቻ” አይሁን፤ ከተማሪ አማካሪነት, ከስራ ገበያ ግንኙነት, ከዲጂታል የመማር መድረክ ጋር ይመጣ።
5. የመረጃ ጥበቃ እና ስነ-ምግባር አቋም አዘጋጅ: በተለይ ስለ ተማሪ መረጃ ፍቃድ, መዳረሻ, መጠቀም ደንብ።

አንድ አጭር አንቀጽ የሚጠቅም: ፍትሃዊ ድጋፍ ማለት ሁሉን እኩል መስጠት አይደለም፤ ውጤትን እኩል እንዲያደርግ እንዴት እንደሚረዳ በመረጃ መመደብ ነው።

ትምህርት ፋይናንስ በ2026 የሚሸከም አቅጣጫ

መልስ፦ ህግ እና ፖለቲካ ሲጠነክሩ ፍትሃዊነት የሚቆየው በ“መረጃ-መመርኮዝ ዘር-ነጻ” ሞዴል ላይ ነው።

የDOJ ውሳኔ ወይም ማስታወሻ በራሱ ሁሉን ነገር አይወስንም—ግን የሚጠቁመው አቅጣጫ ግልጽ ነው። ትምህርት ድጋፍ ፕሮግራሞች እያሉ ይቀጥላሉ፤ ጥያቄው የሚቀጥለው ይህ ነው፦ ድጋፉ በምን መስፈርት ይመደባል? እና እንዴት ይተማመናል?

ለመንግስታዊ ዲጂታላይዜሽን እይታ ይህ ጉዳይ ጥሩ ዕድል ነው፤ የገንዘብ መመደብ ሂደት ሲዲጂታል እና ሲደገፍ በAI መረጃ-ትንበያ እና መግለጫ-ውሳኔ ሞዴል፣ ቢሮክራሲ ይቀንሳል፣ ውሳኔ ይፋጠናል፣ እና ሰዎች የሚጠይቁት “ፍትሃዊነት የት ነው?” በመረጃ ይመለሳል።

የምፈልገው እርምጃ ይህ ነው፤ ተቋማት እና ፖሊሲ አዋጅ አዘጋጆች ዛሬ ጀምሮ “ዘር-ነጻ ፍትሃዊ መለኪያ” ይቀርጹ፣ ከዚያም AI በግልጽ የሚያስረዳ መንገድ ያበረታቱ። ከዚያ በኋላ የሚቀር ጥያቄ አንድ ነው፤ በ2026 የትምህርት ፈንድ በመረጃ ላይ ይመራ ይሆን—ወይስ በክርክር?