Görsel Kültürün Homojenleşme Riski: Yapay Zekâ Algoritmalarının Estetik Çeşitlilik ve Özgünlük Üzerindeki Etkisi

Yıl 2025, Cilt: 8 Sayı: 2, 1 - 15, 26.12.2025

Mustafa Günay

https://doi.org/10.53804/izlek.1834863

Öz

Bu çalışma, yapay zekâ destekli görsel üretim modellerinin çağdaş görsel kültürde yol açtığı estetik homojenleşme, temsil eşitsizliği ve özgünlük sorunlarını incelemektedir. Midjourney, DALL·E 3 ve Stable Diffusion XL ile üretilen 15 görüntünün nitel analizi, modellerin yüzeyde çeşitlilik sunsa da ortak estetik normları tekrarladığını göstermektedir. Portrelerde idealize yüz tipleri, pürüzsüz ciltler, simetri ve pastel tonlar baskın hâle gelirken; kültürel temsil Batı merkezli bir görünürlüğe sıkışmakta, Afrika, Güney Asya, Orta Doğu ve yerli kültürler düşük oranda yer almaktadır. Kadın ve erkek temsilleri kalıplaşmış beden normları üzerinden sunulmakta, yaş çeşitliliği ise belirgin biçimde sınırlanmaktadır. Postkolonyal ve feminist kuramsal çerçeve, YZ’nin önyargıları yeniden ürettiğini doğrularken “sentetik özgünlük”ün istatistiksel varyasyonlarla sınırlı kaldığı görülmektedir. Çalışma, kültürel çeşitliliğin korunması için veri seti şeffaflığı, dengeleme politikaları ve eleştirel YZ okuryazarlığının gerekliliğini vurgulamaktadır.

Anahtar Kelimeler

Yapay Zekâ , Görsel Kültür , Estetik Homojenleşme , Kültürel Temsil , Algoritmik Önyargı , Dijital Kolonyalizm

Destekleyen Kurum

İstanbul Gelişim Üniversitesi Sanat ve Tasarım Uygulama ve Araştırma Merkezi

Teşekkür

İstanbul Gelişim Üniversitesi Sanat ve Tasarım Uygulama ve Araştırma Merkezi

The Risk of Homogenization in Visual Culture: The Impact of Artificial Intelligence Algorithms on Aesthetic Diversity and Originality

Öz

This study examines the impact of AI-based image generation models on contemporary visual culture, focusing on aesthetic homogenization, cultural representation imbalances, and the erosion of originality. A qualitative analysis of 15 images produced with Midjourney, DALL·E 3, and Stable Diffusion XL reveals that, despite appearing diverse, these models consistently reproduce similar aesthetic norms. Idealized facial features, smooth skin textures, symmetrical proportions, and pastel color palettes dominate the portraits. Cultural representation remains largely Western-centric, with limited visibility of African, South Asian, Middle Eastern, and Indigenous identities. Gender portrayals follow stereotypical body standards, while age diversity is notably minimal. Drawing from postcolonial theory, representation studies, and feminist media critiques, the findings show that AI systems reinforce existing biases and generate only “synthetic originality,” constrained by statistical patterns in training data. The study concludes by emphasizing the need for dataset transparency, cultural balancing strategies, and critical AI literacy to preserve cultural diversity in visual media.

Anahtar Kelimeler

Artificial İntelligence , Visual Culture , Aesthetic Homogenization , Cultural Representation , Algorithmic Bias , Digital Colonialism

Destekleyen Kurum

Istanbul Gelişim University Art and Design Application and Research Center

Teşekkür

Istanbul Gelişim University Art and Design Application and Research Center

Kaynakça

• ADEYEMI, T. (2025). Cultural asymmetry in AI-generated imagery: A postcolonial critique. Journal of Visual Culture Studies, 12(1), 44–59.
• BENDER, E., SHARMA, N., & LIU, Y. (2025). Diffusion aesthetics and algorithmic style constraints. Artificial Intelligence Review, 68(3), 1120–1145.
• BENJAMIN, W. (2008). The Work of Art in the Age of Mechanical Reproduction. Penguin.
• BHABHA, H. K. (1994). The Location of Culture. Routledge.
• DEBORD, G. (1994). The Society of the Spectacle. Zone Books.
• GÜNAY, M. (2025). Veri seti önyargısı ve estetik homojenleşme [Dijital illüstrasyon]. Yazar tarafından üretilmiş görsel.
• HALL, S. (1997). Representation: Cultural Representations and Signifying Practices. Sage.
• İBRAHİM, S. (2023). Algorithmic bias in face generation models: A systematic review. Computers & Society, 50(2), 77–101.
• JÄÄSKELÄINEN, M., CHEN, Y., & AROUND, K. (2025). Global representation gaps in multimodal AI models. AI & Ethics, 7(1), 33–52.
• LU, H., PARK, S., & MOLINO, A. (2024). Measuring aesthetic bias in text-to-image models. Computer Vision and Image Understanding, 245, 103–121.
• MANN, C. (2024). The homogenization of digital aesthetics in social media environments. New Media & Society, 26(4), 2011–2035.
• MULVEY, L. (1989). Visual and Other Pleasures. Palgrave Macmillan.
• SOMEPALLI, G., LIU, S., GIRDHAR, R., & ADELSON, E. (2023). Diffusion models imitate training data. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 5828–5837.
• ZHOU, L., & LEE, M. (2024). Gender bias amplification in AI-generated portraits. Feminist Media Studies, 24(2), 112–128.