但事实并非如此，当然并非总是如此，也不可靠。它们提供的信息与创造它们的人一样有缺陷。更重要的是，决策的科学化或自动化使它们失去了人文正义或正确性。它变成了一个预定的效力问题，我们自己的道德倾向必须屈服于它。
归根结底，算法和大型语言模型中的所有偏见都源于人类——我们历史上的语言、我们的数据集、我们的编程、我们与语言的互动。因此，具有讽刺意味的是，抵消机器偏见的最佳方式是一点人性化。自 2020 年 3 月开始，由于疫情导致学校停课，美国各地的学校继续努力帮助学生赶上前所未有的学习损失。确定哪些方法可以提高学生成绩至关重要，既要满足当前需求，又要为将来使用做好准备。为此，由斯坦福大学的 Susanna Loeb 领导的一组研究人员最近研究了一项名为OnYourMark 的高剂量辅导计划，这是一种完全虚拟的模型，旨在巩固从幼儿园到二年级学生的基础读写技能。
该项目采用高质量的课程，以阅读科学为基础，重点关注语音、语音意活中发 企业主数据 挥着识和流利度。它包括每周四节 20 分钟的一对一或二对一课程、定期进度监控和为期两周的“课程冲刺”，利用学生数据来针对特定的早期读写技能。
尽管 OnYourMark 目前为多个州的 1,400 多名学生提供服务，但该研究的重点是单个特许管理组织如何在 2022-23 学年期间在德克萨斯州的 12 所学校中使用该计划。在每所学校，楼宇级别的工作人员首先选择最需要学术帮助的学生（每栋楼约 10 名），并保证这些学生能够获得有限的辅导名额。因此，这 121 名学生被排除在研究样本之外，因为他们参加辅导不是通过随机分配决定的。其余 K-2 年级的学生被随机分配到一对一辅导（N=510）、二对一辅导（N=570）或对照组（N=1,005）的可用名额，对照组通常只接受常规课堂教学。参与的学生在课堂上接受在线辅导老师的辅导。如果有名额可用，少数对照组学生确实会在一年内循环参加辅导，但出于研究目的，他们仍留在对照组中。