A popularização das ferramentas de Machine Learning tornou evidente um novo problema: modelos injustos aplicados em contextos sensíveis. Diante disso, este artigo explora a utilização da Teoria de Resposta ao Item na análise de modelos treinados em dados de contexto sensível. Como estudo de caso, o dataset Credit-G foi utilizado para analisar o impacto de uma injustiça existente em si. Os dados apresentam um viés de representação de gênero, portanto, a geração de dados sintéticos foi utilizada para mitigar essa injustiça. A avaliação pelos conceitos da TRI dos parâmetros de item para os dois grupos (enviesados e mitigados) indicam que dados enviesados podem ser percebidos pela ocorrência de instâncias com discriminação negativa. Os resultados obtidos mostram que, para o conjunto mitigado, as instâncias femininas apresentaram valores médios de −1.675 de discriminação, enquanto as masculinas apresentaram 3.2.