Yapay Zeka Uygulamalarında Toplumsal Cinsiyet Eşitsizliğinin Yeniden Üretimi: Kodlama ve Veri Setlerindeki Gizli Önyargılar

Öz

Birleşmiş Milletler (BM) tarafından temel bir insan hakkı olarak tanımlanan toplumsal cinsiyet eşitliği, "Bin Yıl Kalkınma Hedefleri" arasında beşinci hedef olarak belirlenmiştir. Türkiye’de toplumun yaklaşık yarısını oluşturan kadınlar, siyasi, ekonomik ve sosyal alanlarda erkeklerle eşit haklara sahip değildir. Teknolojinin gelişmesiyle birlikte yapay zekâ programları; kodlama, görselleştirme, veri analizleri, doğal dil işleme, güvenlik ve izleme gibi pek çok farklı amaçla kullanılmaya başlanmıştır. Bu çalışmada, yapay zekâ sistemlerinin toplumsal cinsiyeti nasıl temsil ettiğini ve bu temsillerin önyargıları nasıl yansıttığını anlamak amacıyla feminist teknoloji kuramından yararlanılmıştır. Bu çalışmanın amacı, yapay zekâ uygulamalarında kullanılan algoritmaların ve veri setlerinin toplumdaki önyargıları nasıl yeniden ürettiğini tespit etmektir. Metin yazma ve görselleştirme yeteneklerine sahip yapay zekâ programları arasında özellikle ChatGPT, DALL-E 3 ve Perplexity ön plana çıkmaktadır. Çalışma kapsamında ChatGPT, DALL-E 3 ve Perplexity yapay zekâ uygulamaları incelenmiştir. Yapay zekâ uygulamalarına, toplumdaki kadınlık ve erkeklik rolleri, toplumsal cinsiyet kavramının tanımı ve toplumsal cinsiyet eşitliğini etkileyen faktörler vb. hakkında sorular yöneltilmiştir. Bu soruların yanı sıra, uygulamalardan toplumsal cinsiyet rollerine dayanarak kadın ve erkek figürleri oluşturması talep edilmiş ve bu doğrultuda bir görselleştirme gerçekleştirilmiştir. Çalışmada elde edilen veriler, tematik analiz yöntemi kullanılarak analiz edilmiştir. Araştırma sonuçları, yapay zekâ uygulamalarında tanımlanan toplumsal cinsiyet rollerinin birbirinden farklılaştığını; kadınların genellikle "nazik," "duygusal," "sevecen" gibi sıfatlarla tanımlanırken, erkeklerin daha çok "bireysel başarı", "güç" ve "statü" ile ilişkilendirildiğini ortaya koymuştur.

Anahtar Kelimeler

• Toplumsal cinsiyet
• Feminist teknoloji kuramı
• Yapay zekâ uygulamaları
• Veri setleri
• Tematik analiz

Reproduction of Gender Inequality in Artificial Intelligence Applications: Hidden Biases in Coding and Data Sets

Öz

Gender equality, identified by the United Nations as a fundamental human right, is outlined as the fifth goal in the "Millennium Development Goals." In Turkey, women, who constitute nearly half of the population, do not enjoy equal rights with men in political, economic, and social domains. As technology advances, artificial intelligence programs have been utilized for various purposes, including coding, visualization, data analysis, natural language processing, security, and monitoring. These applications generate data based on predefined algorithms and data sets. This study employs feminist technology theory to explore how AI systems represent gender and how these representations mirror biases. The study’s objective is to identify how algorithms and data sets used in AI applications reproduce existing societal biases. Among artificial intelligence programs with text generation and visualization capabilities, ChatGPT, DALL-E 3, and Perplexity stand out. Within the scope of this study, the AI applications ChatGPT, DALL-E 3, and Perplexity have been examined. Questions related to gender roles, the definition of gender, and factors influencing gender equality in society were posed to these applications. Additionally, these applications were asked to generate figures based on gender roles to visualize these representations. Data obtained in this study were analyzed using the descriptive analysis method. The findings reveal that AI applications define gender roles differently; women are commonly associated with descriptors like “gentle,” “emotional,” and “caring,” while men are more often linked with “individual success,” “power,” and “status.”

Anahtar Kelimeler

• Gender
• Feminist technology theory
• AI applications
• Data sets
• Descriptive analysis

Kaynakça

1. Akkaş, İ. (2019). Cinsiyet ve toplumsal cinsiyet kavramları çerçevesinde ortaya çıkan toplumsal cinsiyet ayrımcılığı. EKEV Akademi Dergisi (ICOAEF Özel Sayı), 97-118.
2. Bolukbasi, T., Chang, K. W., Zou, J., Saligrama, V., Kalai, A. (2016). Man is to computer programmer as woman is to homemaker? Debiasing word embeddings. Advances in Neural Information Processing Systems, 29. https://papers.nips.cc/paper_files/paper/2016/file/a486cd07e4ac3d270571622f4f316ec5-Paper.pdf.
3. Budak, H., Küçükşen, K. (2018). Türkiye’nin sosyal transformasyon sürecinde y kuşağının “toplumsal cinsiyet rolü” tutumları. Elektronik Sosyal Bilimler Dergisi, 17(66), 561-576. https://doi.org/10.17755/esosder.335865.
4. Clarke, V., Braun, V. (2013) Teaching thematic analysis: Over-coming challenges and developing strategies for effective learning. The Psychologist, 26(2),120-123.
5. Çifci, B. S., Başfırıncı, C. (2020). Yapay zekâ konusunun toplumsal cinsiyet kapsamında incelenmesi: Mesleklere yönelik bir araştırma. Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 29(4), 183-203. https://doi.org/10.35379/cusosbil.819510.
6. Donovan, J. (2013). Feminist teori. İletişim Yayınları.
7. Dönmez, A. (1990). Kadınlar kadınlara karşı önyargılı mı?. Ankara Üniversitesi Dil ve Tarih-Coğrafya Fakültesi Dergisi, 33(1-2), 103-122.
8. Elnur, A. (2022). Siberfeminizmden teknofeminizme: Feminist teknoloji çalışmalarında yaşanan gelişmeler. Avrasya Uluslararası Araştırmalar Dergisi, 10(32), 321-339. https://doi.org/10.33692/avrasyad.1176864.

9. Gürkan, S., Duran, S., Duran, V. (2024). Unveiling missing themes: An analysis of gender bias through artificial intelligence-assisted bibliometric analysis. Kahramanmaraş İstiklal Üniversitesi Psikoloji Dergisi, 2(2), 1-24.
10. Heilman, M. E., Wallen, A. S., Fuchs, D., Tamkins, M. M. (2004). Penalties for success: Reactions to women who succeed at male gender-typed tasks. Journal of Applied Psychology, 89, 416-427. doi:10.1037/0021-9010.89.3.416.
11. Ho, J. Q., Hartanto, A., Koh, A., Majeed, N. M. (2025). Gender biases within artificial intelligence and ChatGPT: Evidence, sources of biases and solutions. Computers in Human Behavior: Artificial Humans, 100145. https://doi.org/10.1016/j.chbah.2025.100145.
12. Kaufman, D. (2023). “Gender discrimination in aı models: Origins and mitigation. Techno feminism multi and transdisciplinary contemporary views on women in technology”. (R. Frade, M. Vairinhos, Ed.). UA Editora. https://doi.org/10.48528/0wyd-p294.
13. Leavy, S. (2018). Gender bias in artificial ıntelligence: the need for diversity and gender theory in machine learning. IEEE/ACM 1st International Workshop on Gender Equality in Software Engineering (GE), 14-16, Gothenburg, Sweden.
14. Mendes, K., Carter, C. (2008). Feminist and gender media studies: a ciritical overview. Sociology Compass. 2 (6), 1701-1718.
15. Muradoğlu, C. (2024, 8 Mart). Dünya çapında yapay zeka teknolojisine güç veren 10 kadın. Webrazzi. https://webrazzi.com/2024/03/08/yapay-zeka-teknolojisine-guc-veren-10-kadin/.
16. Namey, E., Guest, G., Thairu, L., & Johnson, L. (2008). Data reduction techniques for large qualitative data sets. In G. Guest, K. M. MacQueen (Eds.), Handbook for team-based qualitative research (pp.137-165). AltaMira Press.
17. Özdemir, Z. (2023). Türkiye’de bilgi iletişim teknolojileri sektöründe toplumsal cinsiyet eşitliği: Bir feminist teknobilim perspektifi. Alternatif Politika, 15(3), 505-521. https://doi.org/10.53376/ap.2023.19.
18. Özer, A. (2023, 11 Nisan). ChatGPT nedir?. Norm Digital. https://normdigital.com/wp-content/uploads/2023/04/CHATGPT.docx.pdf
19. Perplexity AI: What it is and how to use it? (n.d.). Getguru. https://www.getguru.com/reference/what-is-perplexity-ai-and-how-to-use-it.
20. Pykes, K. (2024, 4 Ağustos). How to use dall-e 3: Tips, examples, and features. Datacamp. https://www.datacamp.com/tutorial/an-introduction-to-dalle3#rdl.
21. Sandoval Martin, T., Martinez Sanzo, E. (2024). Perpetuation of gender bias in visual representation of professions in the generative AI tools DALL·E and Bing Image Creator. Social Sciences, 13(5), 250. https://doi.org/10.3390/socsci13050250.
22. Sarıgül, A. (2023). Yapay zekâ kullanılarak toplumsal cinsiyet rolleri üzerine yapılmış fütüristtik bir çalışma. Artikel International Journal of Social Sciences -AIJOSS, s.2 c.1.
23. Taş, G. (2016). Feminizm üzerine genel bir değerlendirme: kavramsal analizi, tarihsel süreçleri ve dönüşümleri. Akademik Hassasiyetler, 3(5).
24. UNESCO. (2022). Yüzüm kızarabilseydi, kızarırdı: Dijital becerilerdeki toplumsal cinsiyet uçurumunu egitim yoluyla asma (ISBN:978-605-2124-58-1) https://unesdoc.unesco.org/ark:/48223/pf0000382901.
25. Vatandaş, C. (2011). Toplumsal cinsiyet ve cinsiyet rollerinin algılanışı. Journal of Sociological Studies (35), 29-56.
26. Villegas, F. (2022). Tematik analiz: nedir ve nasıl yapılır?. QuestinPro. https://www.questionpro.com/blog/tr/tematik-analiz-nedir-ve-nasil-yapilir/.
27. Yapay zekâ cinsiyetçi mi? (n.d.). (2020, 2 Eylül). Eşit Adımlar. https://www.skdturkiye.org/esit-adimlar/guncel/yapay-zek%C3%A2-cinsiyetci-mi.
28. Wajcman, J. (2004). Techno feminism. Polity Press.