Gerbner’in Yetiştirme Teorisi Perspektifinden Yapay Zekâ’da Yanlılık Problemi

Öz

Günümüzde, hayati önem taşıyan kararların alındığı durumlarda ve güvenlik açısından kritik birçok ortamda yaygın biçimde kullanılmaları dolayısıyla yapay zekâ uygulamalarının adilliği kritik bir konu haline gelmiştir. Çünkü bu sistemlerin kullanımı zaman içerisinde adillik, yanlılık ve mahremiyet gibi çeşitli yönlerden hatalı sonuçlar ortaya koymaya başlamıştır. Bunun üzerine, yapay zekâ kaynaklı beklenmedik sonuçlarla başa çıkmak için teknolojiler geliştirilmeye başlanmış ve sorunların çözümü için şirketler genellikle algoritma odaklı hatalara odaklanmıştır. Ancak kullanılan çözümler genellikle birçok yapay zekâ algoritmasında işe yaramamaktadır. Çünkü sorunun nedeni sadece algoritma değildir; aynı zamanda, örneğin derin öğrenmede, neden-sonuç ilişkisinin kolayca kurulamadığı verinin kendisidir. Ayrıca istatistiksel veya sezgisel algoritmalarda sınırlar belirsiz olmakta ve bu da istatistiksel veya sezgisel analiz için belirli bir standardın oluşturulamamasına neden olabilmektedir. Öte yandan, adalet sadece algoritmaya göre değil, aynı zamanda bağlam ile ilgili verilere bağlı olarak da değişebilmektedir. Bu açıdan bakıldığında, makalede odaklandığımız nokta verilerin nasıl olması gerektiğidir ki bu bir istatistik meselesi değildir. Hatta bağlamdan dolayı ülkeden ülkeye ve kültürden kültüre değişebilmektedir. Bu nedenle sadece bilgisayar bilimlerinin değil iletişim, sosyoloji, sanat, hukuk vb. sosyal bilimlerin de konuya katkısı oldukça önemlidir. İnsan kaynaklı veriler, gündelik hayatın bir yansıması olarak değerlendirilebileceğinden, toplumdaki çeşitli grupların hangi bağlamlarda var olduklarına dair önemli ipuçları içermektedir. Bu noktadan hareketle, bilgisayar bilimleri ve sosyal bilimlerin ortak katkısıyla, bu çalışmada elde edilen ipuçlarını kullanarak yapay zekâ algoritmalarından kaynaklanabilecek olası toplumsal tehlikeleri öngörmek amaçlanmaktadır. Bu doğrultuda günümüzün en temel sorunlarından biri olan "savunmasız ve dezavantajlı" gruplara özel bir senaryo üzerinden söz konusu tablo ortaya konmuştur. Ardından, gelmiş geçmiş en yaygın kitle iletişim teorisi olan Gerbner'in "yetiştirme teorisi", makine öğrenmesi perspektifinde yeniden yorumlanarak, makine öğrenmesinin veriye bağlı olarak yol açabileceği olası toplumsal ve kitlesel sorunlara dikkat çekilmiştir. Makalenin, bütüncül bir yaklaşımın (yani algoritma ve veri kombinasyonunun) ve disiplinler arası bir değerlendirmenin önemine katkı sunması beklenmektedir.

Anahtar Kelimeler

• Yapay zekâ
• Yetiştirme teorisi
• Makine öğrenmesi
• Veri yanlılığı
• Dezavantajlı gruplar

Kaynakça

1. [1] Zhang JM, Harman M. "Ignorance and Prejudice" in Software Fairness”, 2021 IEEE/ACM 43rd International Conference on Software Engineering (ICSE), IEEE, 1436–1447, 2021.
2. [2] Aho AV, Lam MS, R. Sethi R, Ullman JD. Compilers: Principles, Techniques, and Tools (2nd Edition), Addison-Wesley Longman Publishing Co., Inc., USA, 2006. Erkek C, Ağıralioğlu N. Su Kaynakları Mühendisliği. Altıncı baskı. İstanbul, Türkiye, Beta, 2010.
3. [3] Wu C, Thompson ME, Sampling theory and practice, Springer, 2020Li RTH, Chung SH. “Digital boundary controller for single-phase grid-connected CSI”. IEEE 2008 Power Electronics Specialists Conference, Rhodes, Greece, 15–19 June 2008.
4. [4] C. Hertweck, C. Heitz and M. Loi, “On the Moral Justification of Statistical Parity”, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21), 747–757, 2021a.
5. [5] Internet: Github, https://github.com/,01.2022.
6. [6] Bitbucket, https://bitbucket.org/,01.2022.
7. [7] G. Gerbner, “Cultivation Analysis: An Overview”, Mass Communication and Society 1(3-4),175–194, 1998.
8. [8] S. Galhotra, Y. Brun and Meliou A, “Fairness Testing: Testing Software for Discrimination”, Proceedings of the 2017 11th Joint Meeting on Foundations of Software Engineering (ESEC/FSE 2017), 498–510, 2017.

9. [9] A. Aggarwal, P. Lohia, S. Nagar, K. Dey and D. Saha, “Black Box Fairness Testing Of Machine Learning Models, Proceedings of the 2019 27th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering (ESEC/FSE 2019), 625–635, 2019.
10. [10] S. Udeshi, P. Arora and S. Chattopadhyay, “Automated Directed Fairness Test- Ing”, Proceedings of the 33rd ACM/IEEE International Conference on Automated Software Engineering (ASE '18), 98–108, 2018.
11. [11] C. Hertweck, C. Heitz and M. Loi, “On the Moral Justification of Statistical Parity”, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21), 747–757, 2021b.
12. [12] S. A. Friedler, C. Scheidegger and S. Venkatasubramanian, “On the (im) Possibility of Fairness”, arXiv preprint arXiv:160907236, 2016.
13. [13] D. Cirillo, S. Catuara-Solarz, E. Günay, L. Subirats, S. Mellino, A. Gigante, A. Valencia, M. J. Rementeria A. S. Chadha and N. Mavridis, “Sex and Gender Differences and Biases in Artificial Intelligence for Biomedicine and Healthcare”, npj Digital Medicine 3, 81, 2020.
14. [14] S. Benthall and B. D. Haynes, “Racial Categories in Machine Learning”, Proceedings of the Conference on Fairness, Accountability, and Transparency (FAT* '19), 289–298, 2019.
15. [15] M. Kearns, S. Neel, A. Roth and Z. S. Wu, “An Empirical Study of Rich Subgroup Fairness for Machine Learning”, Proceedings of the Conference on Fairness, Accountability, and Transparency, 100– 109, 2019.
16. [16] A. Joulin, E. Grave, P. Bojanowski and M. Douze, “Fasttext.zip: Compressing Text Classification Models”, arXiv preprint arXiv:161203651.
17. [17] E. Grave, P. Bojanowski P, Grupta, A. Joulin and T. Mikolov, “Learning Word Vectors for 157 Languages”, Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018), 2018.
18. [18] G. Gerbner, L. Gross, M. Morgan and N. Signorielli, “Living with Television: The Dynamics of the Cultivation Process”, Perspectives on Media Effects, 17–40, 1986.
19. [19] J. Bryant and D. Miron, “Theory and Research in Mass Communication”, Journal of Communication, 2004.
20. [20] W. J. Potter and K. Riddle, “A Content Analysis of the Media Effects Literature”, Journalism & Mass Communication Quarterly, 84(1), 90–104, 2007.
21. [21] G. Gerbner and L. Gross, “Living with Television: The Violence Profile”, Journal of Communication, 26(2), 172–199, 1976.
22. [22] J. Shanaha and M. Morgan, “Television and its Viewers: Cultivation Theory and Research”, Cambridge University Press, 1999.
23. [23] L. J. Shrum, “Media Consumption and Perceptions of Social Reality: Effects and Underlying Processes”, Lawrence Erlbaum Associates, Media Effects, Advances in Theory and Research, 69-96, 2002.
24. [24] M. Morgan, J. Shanahan and N. Signorielli, “Yesterday’s New Cultivation, Tomorrow” Mass Communication and Society 18(5), 674–699, 2015.
25. [25] A. Bandura, “Social Cognitive Theory of Mass Communication” Media Psychology, 3(3), 265–299, 2001.
26. [26] M. Castells and G. Cardoso, “The Network Society: From Knowledge to Policy”, Center for Transatlantic Relations, Johns Hopkins University-SAIS, 2006.
27. [27] M. Castells, M. Fernandez-Ardevol, J. L. Qiu and A. Sey, “Mobile Communication and Society: A Global Perspective” Mit Press, 2006.
28. [28] M. Castells, “The Impact of the Internet on Society: A Global Perspective”, Article from the book Change: 19 Key Essays on How the Internet Is Changing Our Lives, 127–148, 2014.
29. [29] P. K. Smith, “Cyberbullying and Cyber Aggression”, Handbook of school violence and school safety, Routledge, 111–121, 2012.
30. [30] D. Helbing, “Societal, Economic, Ethical and Legal Challenges of the Digital Revolution: From Big Data to Deep Learning, Artificial Intelligence, and Manipulative Technologies”, arXiv:1504.03751,2015.