Miközben a mesterséges intelligencia folyamatosan forradalmasítja az iparágakat, egyidejűleg fenntartja a megrögzött nemi előítéleteket, tükrözve a szélesebb társadalmi egyenlőtlenségeket. A globális MI munkaerő élesen szemlélteti ezt a különbséget, mindössze 22%-a nő, és még kevesebb—15%—tölti be a felsővezetői pozíciókat. Az ilyen nemi reprezentációs problémák nem csupán véletlenszerűek, hanem szorosan kapcsolódnak maguknak a MI rendszereknek a tervezéséhez és működéséhez.
A MI rendszerek körülbelül 44%-a mutat nemi elfogultságot, és ezek negyede faji előítéleteket is mutat, ezáltal állandósítva a rendszerszintű egyenlőtlenségeket. Ezeknek az előítéleteknek a következményei túlmutatnak a munkaerőpiaci statisztikákon, és behatolnak az MI termékek szövetébe. Az olyan rendszereket, mint a toborzási eszközök, kritika érte amiatt, hogy előnyben részesítik a férfi önéletrajzokat, és az olyan eszközök, mint a képgenerátorok, gyakran alapértelmezetten férfiakat ábrázolnak szakmai szerepekben, mint mérnökök és tudósok, miközben a nőket gondoskodó szerepekbe, például ápolói pozíciókba sorolják.
Az MI rendszerek gyakran alapértelmezetten férfi szerepekre állnak be, állandósítva a nemi és faji előítéleteket a kimeneteikben.
Ezt a félrereprezentálást súlyosbítják az algoritmikus méltányossággal kapcsolatos aggályok, ahol az elfogult tanítási adatkészletek és a homogén, túlnyomórészt férfiakból álló fejlesztői csapatok a létező sztereotípiákat nyomják rá az MI kimenetekre. Mivel az MI professzorok 80%-a férfi, a alulreprezentáltság és az elfogultság ciklusa kihívás nélkül folytatódik. A nemi szakadék az MI tehetségállományban hangsúlyosabb, mint az általános munkaerőpiacon, egyes országokban akár 51%-os különbséggel, kiemelve a probléma sürgős megoldásának szükségességét.
Az MI-vezérelt egészségügy területén a férfiközpontú tünetekre való összpontosítás a nők téves diagnózisának kockázatát hordozza, ami súlyos egészségügyi következményekkel járó kritikus mulasztás. Hasonlóképpen, a hangsegédek gyakran női hangokat használnak, ami burkoltan erősíti azt a sztereotípiát, hogy a nők szolgálatkészek vagy támogatók. Ezek az előítéletek nem pusztán technikai mulasztások; olyan társadalom tükörképei, ahol a nők hozzájárulásait leértékelik és identitásukat szűken határozzák meg.
A nemek és a technológia metszéspontja még összetettebbé válik a faji előítéletek tekintetében. A színesbőrű nők összetett félrereprezentációval szembesülnek az MI kimenetekben, ami kettős torzítás, és hangsúlyozza a befogadóbb adatkészletek és változatos fejlesztőcsapatok sürgős szükségességét. A nők alulreprezentáltsága az MI-ben tükröződik a STEM területeken is, ahol a nők globálisan csak a hallgatók 35%-át teszik ki, ez a szám kiemeli a belépés és előrelépés rendszerszintű akadályait.
Az ezekkel a kihívásokkal való küzdelemnek a nemi reprezentáció növelésére és az algoritmikus méltányosság biztosítására kell összpontosítania. Ez magában foglalja az oktatási tantervek felülvizsgálatát a sokszínű részvétel ösztönzése érdekében, az adatkészletek vizsgálatát a benne rejlő előítéletek szempontjából, és a befogadó munkakörnyezet elősegítését. Ezek gyökérokainak kezelésével a technológiai ipar elkezdheti lebontani azokat a strukturális egyenlőtlenségeket, amelyeket az MI rendszerek jelenleg tükröznek és állandósítanak.
Végső soron a méltányos MI létrehozása nem csak a technológiáról szól, hanem a társadalmi normák átformálásáról
References
- https://www.interface-eu.org/publications/ai-gender-gap
- https://www.unwomen.org/en/articles/explainer/artificial-intelligence-and-gender-equality
- https://www.unwomen.org/en/news-stories/interview/2025/02/how-ai-reinforces-gender-bias-and-what-we-can-do-about-it
- https://www.cigionline.org/articles/generative-ai-tools-are-perpetuating-harmful-gender-stereotypes/
- https://www.unesco.org/en/articles/generative-ai-unesco-study-reveals-alarming-evidence-regressive-gender-stereotypes
