Алгоритмдик бир жактуулук (algorithmic bias) — жасалма интеллект же алгоритмдик чечим кабыл алуу системасы колдонгон маалыматтардын, долбоорлоонун, моделдөөнүн же чечим кабыл алуу процессинин айынан айрым топтор үчүн системалуу түрдө айырмаланган жана потенциалдуу адилетсиз натыйжаларды чыгарууга болгон ыкташы. Бул изилдөө жасалма интеллект колдогон жумушка алуу жана эмгек акыны аныктоо процесстеринде аялдарга карата гендердик теңсиздик тууралуу кабылдоону изилдөө үчүн 65 катышуучу менен ыктыярдуу жооп тандоосуна негизделген жабык суроолуу сурамжылоону колдонуп, натыйжаларды негизинен пайыздар менен баалаган. Катышуучулардын олуттуу бөлүгү аялдар бир эле жумуш үчүн төмөнүрөөк эмгек акы алышы мүмкүн, кызматтык көтөрүлүүдө жагымсыз абалга туш болушу мүмкүн жана AI негизиндеги жумушка алуу куралдары автоматтык түрдө адилеттүүрөөк чечимге кепилдик бербейт деп эсептейт. Ошол эле учурда изилдөө чыныгы жумушка алуу алгоритминин чечимдерин же аял жана эркек талапкерлерге сунуштаган айлыктарын эксперименттик түрдө салыштырбагандыктан, бул сурамжылоонун жыйынтыктары AI аталган теңсиздиктерге түздөн-түз себеп болорун далилдебейт; алар биринчи кезекте катышуучулардын кабылдоосун жана анын адабияттагы учурдагы тынчсыздануулар менен кандай дал келерин көрсөтөт.

Изилдөөнүн адабият бөлүмү алгоритмдик басмырлоонун үч негизги булагына көңүл бурат: тарыхый теңсиздиктерди алып жүргөн окутуу маалыматтары, модель же система долбоорунда пайда болушу мүмкүн болгон бир жактуулуктар жана адамдардын алгоритмдик сунуштарга сын көз менен баа бербестен ишениши. Авторлор тарыхый эмгек рыногу же эмгек акы маалыматтарындагы гендердик теңсиздик келечектеги талапкерлерди иреттөө же айлыкты божомолдоо моделдерине өтүп кетиши мүмкүн экенин; чечимдин логикасы жетиштүү ачык болбосо, таасирленген адамдардын мүмкүн болгон басмырлоочу натыйжаларды байкап, суроо коюусун кыйындатаарын талкуулашат.

Сурамжылоодо аялдар төмөн эмгек акы алат деген суроо боюнча булакта эки башка пайыздык катар бар. PDFдеги 1-сүрөт болжол менен %67,7 “ооба”, %22,6 “жок/жөндөмгө жана тажрыйбага байланыштуу” жана %9,7 “чечимсиз” деп көрсөтсө, ошол эле сүрөттү түшүндүргөн текст %65,6, %25 жана %9,4 маанилерин берет. Булак бул дал келбестиктин себебин түшүндүрбөгөндүктөн, эки катар бириктирилген эмес жана алардын бири экинчисинин ордуна “оңдолгон” эмес.

Изилдөөдө ошондой эле катышуучулардын %58 бөлүгү аялдар эркектердей эле көп кызматтык көтөрүлүүгө жетишпейт деп ойлой турганы, %32 бөлүгү көтөрүлүүгө гендер таасир этпейт деп эсептей турганы жана %10 бөлүгү чечимсиз экени айтылат. AI негизиндеги жумушка алуу куралдары адилеттүүрөөк жумушка алууну камсыздайбы деген суроодо катышуучулардын %41 бөлүгү AI адамдагы бир жактуулукту чагылдырышы же күчөтүшү мүмкүн деп күмөн билдирген; %37 бөлүгү AI басмырлоону азайта алат деп салыштырмалуу оптимисттик маанайда болгон; %22 бөлүгү болсо нейтралдуу калган же тандоо жасаган эмес. Катышуучулардын %62 бөлүгү компанияларды AI негизиндеги жумушка алуу жана айлык системаларын бир жактуулук боюнча текшерүүгө милдеттендирген жөнгө салууларды колдогону билдирилген.

Изилдөөнүн негизги практикалык сунуштары: тең салмактуу жана камтуучу маалыматтарды колдонуу, үзгүлтүксүз бир жактуулук аудиттери, алгоритмдик чечимдерди түшүндүрүүгө мүмкүн жана ачыгыраак кылуу, ар түрдүү тажрыйба жана чөйрөдөн чыккан адамдарды AI иштеп чыгуу процесстерине катыштыруу, адам ресурстары кызматкерлерин алгоритмдик бир жактуулук боюнча окутуу жана жумушка алуу чечимдеринде AI адамдын баалоосун толук алмаштырбастан, колдоочу курал катары колдонулушу. Бул сунуштар сурамжылоо түздөн-түз эксперименттик түрдө салыштырган кийлигишүүлөр эмес; алар изилдөөнүн адабият синтези жана сурамжылоо жыйынтыктарынан чыгарылган практикалык сунуштар.

Изилдөөнүн негизги көйгөйү

Адам ресурстарында жасалма интеллект; резюмелерди классификациялоо, талапкерлерди кызмат орундарына дал келтирүү, иш натыйжалуулугун баалоо жана эмгек акыны божомолдоо сыяктуу иштерде колдонулушу мүмкүн. Мындай колдонуунун негизги күтүүлөрүнүн бири — көп көлөмдөгү маалыматты тез жана ырааттуу баалоо. Бирок алгоритмди адамдар мурда кабыл алган чечимдер менен окутуу, ал чечимдердеги теңсиздиктер автоматтык түрдө жоголот дегенди билдирбейт.

Эгер жумушка алуу маалымат топтомунда тарыхта белгилүү кызматтардын басымдуу бөлүгү эркектерге берилген болсо, модель “ийгиликтүү талапкер” үлгүсүн тарыхый жактан эркектер басымдуу болгон мисалдардан үйрөнүшү мүмкүн. Бул үчүн модель ачык эле “аялдарды четке как” деп программаланган болушу шарт эмес. Колдонулган белгилер, эмгек таржымалы, мурунку кызматтар же башка өзгөрмөлөр тарыхый коомдук түзүлүш менен байланыштуу болсо, модель ошол эле үлгүнү кыйыр түрдө кайра жаратышы мүмкүн.

Алгоритмдик Бир Жактуулук Жумушка Алууда Кантип Пайда Болушу Мүмкүн?

Бул изилдөөнүн адабияттык алкагына ылайык, жумушка алуудагы алгоритмдик бир жактуулук моделдин математикалык өзөгүнөн гана келип чыкпайт; колдонулган тарыхый маалыматтар, системаны долбоорлогондордун тандоолору жана AI чыгарган натыйжаны колдонгон адам чечим кабыл алуучулардын жүрүм-туруму жыйынтыкка биргелешип таасир этиши мүмкүн. Ошондуктан изилдөө алгоритмдик адилеттүүлүктү “калыс алгоритм жазуу” көйгөйү катары гана эмес, маалымат–долбоор–чечим чынжырынын баарын камтыган социотехникалык көйгөй катары карайт.

1. Окутуу маалыматтарынан келген бир жактуулук

Машиналык үйрөнүү системасы тарыхый жумушка алуу же эмгек акы маалыматтары менен окутулганда, модель маалыматтардагы байланыштарды үйрөнөт. Тарыхый маалыматтарда эркектердин айрым кызматтарда көбүрөөк өкүл болушу же аялдардын мурда төмөн эмгек акы алышы, келечектеги божомолдордо ушул айырмачылыктардын кайра пайда болушуна шарт түзүшү мүмкүн.

Бул жерде маанилүү айырма мындай: модель “мурда эмне болгон?” деген суроону үйрөнө алат; бирок “эмне адилеттүү болушу керек?” деген суроонун жообу тарыхый маалыматтан автоматтык түрдө чыкпайт. Мурунку жүрүм-турумдун статистикалык жактан көп кездешиши анын этикалык же укуктук жактан туура экенин билдирбейт.

2. Долбоорлоо этабынан келген бир жактуулук

AI системасы иштелип жатканда кайсы маалыматтар колдонуларын, кайсы өзгөрмөлөр моделге кирерин, кайсы натыйжалар ийгилик деп аныкталарын жана каталар кантип бааланарын адамдар чечет. Демек, алгоритмдик системанын жүрүм-туруму маалыматтын гана эмес, долбоорлоо чечимдеринин да натыйжасы.

Изилдөөнүн адабияттык карап чыгуусу бул маселени “algorithmic inclusion” ыкмасы менен байланыштырат. Бул ыкмада адилеттүүлүк система бүткөндөн кийин өзүнөн өзү пайда болот деп күтүлгөн касиет эмес; маалымат тандоодо, иштеп чыгуу тобунда, аудитте жана чечим процесстеринде активдүү түрдө эске алынышы керек болгон долбоорлоо максаты.

3. Адамдар AI сунушун кантип колдонушат

Алгоритм болгону сунуш берсе да, адам чечим кабыл алуучу анын чектөөлөрүн түшүнбөй туруп туура деп кабыл алышы мүмкүн. Мындай учурда системадагы бир жактуулук адамдын чечими аркылуу уюмдук процесске өтүп кетиши мүмкүн. Ошондуктан изилдөөнүн көз карашында “чечимди адам кабыл алдыбы же AIбы?” деген жөнөкөй айырмалоо жетишсиз; AI сунушу адам тарабынан кандай түшүндүрүлөрү да маанилүү.

Эмгек акыны божомолдоодо тарыхый маалыматтын ролу

Изилдөөнүн адабият бөлүмү эмгек акы сунушун же айлык божомолун чыгарган системалар тарыхый эмгек акы маалыматтарын колдонсо, тарыхый гендердик айлык айырмачылыктарын кайра жаратуу коркунучу бар экенин талкуулайт. Эгер тарыхый маалыматта окшош кызмат жана тажрыйбага карабастан аялдардын айлыгы системалуу түрдө төмөн болсо, моделдин ушул маалыматтан гана “рынокко ылайык айлыкты” үйрөнүшү учурдагы теңсиздикти нормага айлантышы мүмкүн.

Бул механизм изилдөөнүн өз сурамжылоосунда түздөн-түз айлыкты божомолдоо моделин иштетүү аркылуу текшерилген эмес. Булак механизмди мурунку адабиятка таянып талкуулап, сурамжылоонун жыйынтыктарын кызматкерлердин эмгек акы теңсиздиги тууралуу кабылдоосу менен байланыштырат.

Ачыктык эмне үчүн маанилүү?

Талапкер эмне үчүн четке кагылганын же ага эмне себептен белгилүү эмгек акы сунушталганын түшүнбөсө, мүмкүн болгон ката же басмырлоочу натыйжага каршы чыгуу кыйындайт. Ошондуктан изилдөө моделдин тактыгына гана эмес, чечим механизмин түшүнүүгө мүмкүн болушуна жана отчеттуулукка да маани берет.

Бул жерде ачыктык ар бир алгоритмдин бүтүндөй баштапкы коду баарына жарыяланууга тийиш дегенди билдирбейт. Изилдөө колдонгон кенен мааниде маселе — чечимге таасир эткен системаны изилдөөгө мүмкүн болушу, бир жактуулук боюнча текшерүүгө мүмкүн болушу жана таасирленген адамдар чечим кайсы негизге таянганын сурай алышы.

Этикалык кабылдоо жана уюмдук ишеним

Адабияттык карап чыгууда келтирилген өзүнчө изилдөө адамдардын AI негизиндеги жумушка алуу куралдарын этикалык деп кабыл алышында performance expectancy, башкача айтканда технология жумушка алуу натыйжалуулугун чынында жакшыртат деген күтүү маанилүү экенин; ал эми социалдык чөйрө же тармак технологияны кабыл алганын билдирген social influence фактору ошол деңгээлде маанилүү болбогонун билдирет.

Бул жыйынтык азыркы 65 адамдык сурамжылоого тиешелүү эмес. Verianla баянында бул табылга макаланын адабият бөлүмүндө колдонулган мурдагы изилдөөнүн жыйынтыгы катары өзүнчө көрсөтүлгөн.

Amazon мисалынын макаладагы ролу

Булак жумушка алуу системалары тарыхый жактан эркектер басымдуу болгон технология тармагынын маалыматтарын кайра жаратышы мүмкүн экенине мисал катары Amazon мурда иштеп чыккан автоматташтырылган жумушка алуу куралын талкуулайт. Бул мисал азыркы изилдөө жүргүзгөн эксперимент эмес; адабияттагы тарыхый учур изилдөө көйгөйүн түшүндүрүү үчүн колдонулат.

Алгоритмдик бир жактуулук менен алгоритмдик басмырлоо бир эле нерсеби?

Алгоритмдик бир жактуулук системалуу четтөөнү же белгилүү топтор арасында айырмаланган натыйжа жарата алган маалымат/модель жүрүм-турумун сүрөттөсө, алгоритмдик басмырлоо ошол айырманын адамдарды гендер сыяктуу белги боюнча жагымсыз абалга калтырган кесепеттерине көңүл бурат. Булак бул эки түшүнүктү аялдардын жумушка алуу жана эмгек акы натыйжаларынын контекстинде бири-бирине жакын колдонгон; бирок ар бир статистикалык айырма өзүнөн өзү укуктук мааниде басмырлоонун далили эмес.

Изилдөөнүн суроосу

Булактын изилдөө суроосу AI бир жактуулугу жумушка алуу жана айлык боюнча чечимдерде аялдарга кандай таасир этерин жана адам ресурстары процесстеринде алгоритмдик басмырлоону азайтуу үчүн кандай стратегиялар колдонулушу мүмкүн экенин сурайт.

Бул суроого ылайык изилдөө төрт максат коёт: реалдуу дүйнөдөгү учурлар жана академиялык адабият аркылуу гендердик бир жактуулукту изилдөө; бир жактуу окутуу маалыматтары, модель долбоору жана системалуу эмгек рыногу теңсиздиги сыяктуу булактарды аныктоо; этикалык AI, ачыктык жана жөнгө салууга негизделген азайтуу ыкмаларын баалоо; компаниялар жана саясат иштеп чыгуучулар үчүн адилеттүүрөөк практикалык сунуштарды иштеп чыгуу.

Тандалманын түзүлүшү

Иштеген катышуучулардын тармактары

Булак иштеген катышуучулардын арасында эң жогорку өкүлчүлүк маалымат технологияларында экенин, андан кийин каржы жана билим берүү келерин билдирет. IT үчүн %31,3, каржы үчүн %21,9 жана билим берүү үчүн %18,8 маанилери берилген. Audit, спорт, фитнес жана мамлекеттик кызматтар кичирээк топтор катары көрсөтүлгөн.

Бул тармактык пайыздар бардык 65 адамгабы же иштеген катышуучуларга гана тиешелүүбү деген маселе сүйлөмдүн түзүлүшүндө “among those employed” деген сөз айкашы аркылуу иштеген топко байланыштырылган. Ошондуктан бул көрсөткүчтөр жалпы тандалманын үлүштөрү катары кайра эсептелген эмес.

Бул Сурамжылоо AI Аялдарды Басмырлай турганын Далилдейби?

Жок. Изилдөөнүн 65 адамдык сурамжылоосу эмгек акы жана кызматтык көтөрүлүү теңсиздиги тууралуу кабылдоолорду, AI негизиндеги адам ресурстары куралдарынын адилеттүүлүгү боюнча пикирлерди жана жөнгө салууга байланыштуу күтүүлөрдү өлчөйт; белгилүү бир жумушка алуу алгоритминин аял жана эркек талапкерлерге берген чечимдерин эксперименттик түрдө салыштырбагандыктан, AI байкалган айлык же кызматтык көтөрүлүү айырмачылыктарына түздөн-түз себеп болот деп өз алдынча далилдей албайт. Изилдөөнүн AI бир жактуулугу тууралуу күчтүүрөөк механизмдик дооматтары негизинен адабияттык карап чыгууга таянат.

1-сүрөттөгү булактын ичиндеги пайыздык дал келбестик

Булактын 1-сүрөтү “сиздин тармакта аялдарга карата эмгек акы басмырлоосу бар деп ойлойсузбу?” деген суроону тегерек диаграмма менен берет. Бирок диаграммада көрүнгөн пайыздык белгилер менен анын астындагы тексттик түшүндүрмө айырмаланат. Булак кайсы катар акыркы/тазаланган маалымат натыйжасы экенин же айырма толук эмес жооптордон улам пайда болгонун түшүндүрбөйт.

Бул айырма кичине көрүнсө да, изилдөө отчеттуулугу үчүн маанилүү. Пайыз — белгилүү категорияга туура келген жарактуу жооптордун санынын ошол суроого берилген жалпы жарактуу жооптордун санына катышы. Булак пайызды эсептөө үчүн атайын теңдеме бербейт; негизги сүрөттөөчү статистиканын логикасын үйрөтүү максатында төмөнкүдөй көрсөтүүгө болот:

\[ \text{Yüzde}=\frac{\text{Belirli kategoriye verilen geçerli yanıt sayısı}}{\text{İlgili soruya verilen toplam geçerli yanıt sayısı}}\times100 \]

Бул теңдеме изилдөөнүн оригинал формуласы эмес; ал булакта колдонулган пайыздык талдоону түшүндүргөн негизги статистикалык байланыш. Сүрөт менен тексттин айырмасы жарактуу жооптордун ар башка санынанбы, маалымат версиясынанбы же отчеттук катаданбы келип чыкканы PDFде айтылбагандыктан, чийки жооптордун санын артка карай болжолдоого болбойт.

Кызматтык көтөрүлүү тууралуу кабылдоо

Авторлор бул жыйынтыкты эмгек акы теңсиздиги жумушка кирүү учурунда гана эмес, карьера бою уланышы мүмкүн деген талкуу менен байланыштырышат. Бирок сурамжылоодогу бул суроо белгилүү AI иш натыйжалуулугун баалоо системасынын кызматтык көтөрүлүү чечимдерин түздөн-түз өлчөбөйт. Ошондуктан “%58 жыйынтыгы AI кызматтык көтөрүлүү алгоритмдери аялдарды басмырлай турганын көрсөтөт” деген себептик түшүндүрмө жасоого болбойт.

AI негизиндеги жумушка алууга ишеним

Бул бөлүштүрүү тандалма ичинде AI жумушка алууну сөзсүз адилеттүүрөөк кылат деген күчтүү жалпы пикир жок экенин көрсөтөт. Бирок бул жерде да өлчөнгөн өзгөрмө — адамдардын пикири; алгоритмдин чыныгы ката же басмырлоо көрсөткүчү эмес.

Жөнгө салуу жана аудит талабы

Булак катышуучулардын %62 бөлүгү компаниялар AI негизиндеги жумушка алуу жана айлык системаларын бир жактуулук боюнча аудиттен өткөрүшүн талап кылган жөнгө салууларды колдой турганын билдирет. Авторлор бул натыйжаны көбүрөөк уюмдук отчеттуулукка жана коомдук жөнгө салууга болгон күтүүнүн көрсөткүчү катары түшүндүрүшөт.

Изилдөө белгилүү аудит ыкмасын эксперименттик түрдө колдонуп, анын натыйжалуулугун өлчөгөн эмес. “Fairness audit” же адилеттүүлүк аудити бул жерде азайтуу стратегиясы; сурамжылоо өлчөгөн нерсе бул стратегиянын тактык көрсөткүчү эмес, жөнгө салуучу аудит идеясына катышуучулардын колдоосу.

Ыктыярдуу Жооп Тандоосу Жыйынтыктарга Кантип Таасир Этет?

Ыктыярдуу жооп тандоосу (voluntary response sampling) — изилдөөгө кимдер катышарын изилдөөчүнүн кокустук тандоосунан көрө адамдардын өздөрүнүн катышууну тандашы көбүрөөк аныктаган тандоо ыкмасы; ал практикалык жана тез, бирок темага өзгөчө кызыккан же күчтүү пикирге ээ адамдардын сурамжылоого катышуу ыктымалдыгы жогору болушу мүмкүн болгондуктан, тандалманын жалпы калкты өкүлдөшүнө кепилдик бербейт.

Ошондуктан 65 катышуучунун арасындагы %62, %58 же %41 сыяктуу көрсөткүчтөр “Kazakhstan'дагы бардык кызматкерлер” же “бардык аялдар” ушундай эле пикирде дегендей жалпыланбашы керек. Изилдөөнүн өз чектөөлөр бөлүмү да тандалманын көлөмү кеңири тармактык тенденцияларды толук өкүлдөбөшү мүмкүн экенин ачык белгилейт.

Жаш курак түзүмүнүн мааниси

Тандалманын болжол менен %42–43'ү 18–24 жашта жана болжол менен %15 бөлүгү 18 жашка чыга элек болушу, айрыкча жумушка алуу, эмгек акыны аныктоо жана AI негизиндеги HR системалары менен түздөн-түз кесиптик тажрыйба тууралуу түшүндүрмөлөрдө маанилүү. Булак ошондой эле катышуучулардын болжол менен %50,8 бөлүгү иштебей турганын билдирет.

Бул бөлүштүрүү изилдөө баасыз дегенди билдирбейт. Бирок натыйжаларды “жумушка алуу адистеринин чыныгы практикалык тажрыйбасы” катары эмес, тажрыйба деңгээли ар башка катышуучулардын кабылдоолору жана пикирлеринин аралашмасы катары окуу коопсузураак.

Булак өзү тааныган чектөөлөр

• Тандалма болгону 65 катышуучудан турат.
• Саламаттык сактоо, инженерия жана мамлекеттик башкаруу тармактарынын өкүлчүлүгү төмөн.
• Бардык катышуучулар AI негизиндеги адам ресурстары системалары менен түздөн-түз тажрыйбага ээ эмес.
• Чоңураак жана ар түрдүү тандалмалар менен изилдөө жүргүзүлүшү керек.
• Белгилүү тармактарды өзүнчө изилдеген багытталган изилдөөлөр талап кылынат.

Кошумча түшүндүрмө чеги: кабылдоо менен өлчөнгөн алгоритм жүрүм-турумунун айырмасы

Verianla көз карашынан бул изилдөөнүн эң маанилүү түшүндүрмө чеги. Сурамжылоодогу “аялдар азыраак эмгек акы алат деп ойлойсузбу?” деген суроо эмгек акы теңсиздиги тууралуу кабылдоону өлчөй алат. Бирок ошол эле суроо белгилүү айлык божомолдоо алгоритми сапаттары бирдей эркектерге салыштырмалуу аялдарга системалуу түрдө төмөн сунуш берерин өлчөбөйт.

Мындай алгоритмдик себептүүлүк дооматын түздөн-түз текшерүү үчүн, мисалы, бирдей же көзөмөлдөнгөн белгилери бар аял жана эркек талапкер профилдерин бир системада баалоо, чыгыштагы айырмачылыктарды өлчөө, тандалманын көлөмүн көрсөтүү жана ылайыктуу статистикалык талдоо жүргүзүү керек болушу мүмкүн эле. Бул изилдөө мындай эксперимент жүргүзгөн эмес.

Сунушталган азайтуу стратегиялары

Изилдөө алгоритмдик гендердик бир жактуулукту азайтуу үчүн бир нече кийлигишүүнү биргелешип сунуштайт:

• Тең салмактуу жана камтуучу окутуу маалыматтары: Тарыхый теңсиздиктердин моделге түздөн-түз өтүп кетүү коркунучун азайтуу.
• Үзгүлтүксүз бир жактуулук аудиттери: Жумушка алуу жана айлык алгоритмдеринин ар башка топторго тийгизген натыйжаларын мезгил-мезгили менен текшерүү.
• Чечимдин ачыктыгы: Талапкерлерге жана кызматкерлерге чечимдин негизин түшүнүүгө жана керек болсо суроого мүмкүнчүлүк берүү.
• Ар түрдүү иштеп чыгуу топтору: Долбоорлоо этабында кеңири көз караштарды системага кошуу.
• HR жана иштеп чыгуучуларды окутуу: Алгоритмдик бир жактуулук коркунучтары жана этикалык AI колдонмолору тууралуу түшүнүктү жогорулатуу.
• Адам + AI ыкмасы: AI адамдын ой жүгүртүүсүн колдошу, бирок контексттик жана этикалык баалоону толук жок кылбашы.
• Уюмдук жана тышкы аудит: Ички этикалык түзүмдөрдү жана керек болгондо көз карандысыз текшерүүлөрдү колдонуу.

Бул стратегиялардын эч бири азыркы изилдөөдө рандомизацияланган эксперимент менен салыштырылган эмес. Ошондуктан булак “бул кийлигишүү бир жактуулукту %X азайтат” деген жыйынтык бербейт.

Европа Бирлигинин AI Act шилтемесиндеги булак көйгөйү

Макала жөнгө салуучу чаранын мисалы катары Европа Бирлигинин AI Act документин эскерет. Бирок тиешелүү сүйлөм [8] номерлүү булакка байланыштырылган жана адабият тизмесинде [8] Veale менен Binnsтин 2017-жылкы “Fairer machine learning in the real world: Mitigating discrimination without collecting sensitive data” эмгеги катары берилген. Ошондуктан PDFдеги учурдагы адабият тизмеси AI Act тууралуу билдирүүгө түз документтик булак эмес.

Бул библиографиялык дал келбестиктен улам Verianla баяны AI Actтин учурдагы жоболорун ушул макаладан чыгарып кеңейтпейт. Изилдөөнүн алгоритмдик отчеттуулук жана жөнгө салуучу көзөмөл тууралуу жалпы сунушу сакталат, бирок конкреттүү мыйзамдык деталдар изилдөөнүн өз табылгасы катары берилбейт.

Компаниялардын fairness audit дооматтарындагы чек

Булак Google жана LinkedIn жумушка алуу алгоритмдеринде fairness audit жана bias detection механизмдерин колдонот деп билдирет; бирок бул доомат [9] номерлүү жалпы AI accountability изилдөөсүнө байланыштырылган. PDFде бул эки компаниянын практикаларын түздөн-түз документтештирген өзүнчө компаниялык отчет же техникалык изилдөө тизмеленген эмес.

Ошондуктан компания аттары изилдөөнүн адабият баянында колдонулган мисалдар катары бааланууга тийиш; учурдагы адабият тизмеси аркылуу өз алдынча өлчөнгөн компаниянын натыйжалуулугу же бир жактуулуктун азайышы тууралуу жыйынтык чыгарууга болбойт.

Келечектеги изилдөөлөр

Авторлор келечекте AI негизиндеги адам ресурстары практикаларынын аялдардын карьералык өсүшүнө тийгизген таасирин кененирээк изилдөөнү сунуштайт. Сунушталган темаларга карьералык өсүү, убакыт ичинде айлыктын өзгөрүшү жана жумуштан канааттануу кирет.

Мындан тышкары, ар башка тармактар менен аймактарды салыштыруу, бир жактуулукту азайтуу ыкмаларын көзөмөлдөнгөн эксперименттерде текшерүү жана AI негизиндеги адам ресурстары системалары менен иштешкен аялдардын жеке тажрыйбаларын изилдеген сапаттык изилдөөлөр сунушталат. Бул сунуштар өзгөчө азыркы сурамжылоонун кабылдоо маалыматы менен чыныгы системанын жүрүм-турумунун ортосундагы ажырымды жабуу үчүн маанилүү.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Изилдөө ыкмасы

Изилдөө сандык изилдөө ыкмасынын алкагында сурамжылоо методун колдонгон. Тандалма 65 катышуучудан турат жана катышуучулар ыктыярдуу жооп тандоосу аркылуу изилдөөгө киргизилген. Булак IT, каржы жана билим берүү адистерин өзгөчө белгилейт; жыйынтыктарда башка тармактардын да өкүлдөрү бар экени көрүнөт.

Сурамжылоонун түзүлүшү

Сурамжылоо жабык суроолордон турат жана үч негизги бөлүмгө бөлүнөт:

1. Демографиялык маалыматтар: Гендер, жаш курак, тармак жана жумуш абалы.
2. Адам ресурстарындагы AI тууралуу кабылдоо: Жумушка алуу жана айлык чечимдеринде AI колдонулушу тууралуу маалымдуулук, ошондой эле системалардын адилеттүүлүгү жана ачыктыгы тууралуу пикирлер.
3. AI бир жактуулугу боюнча тажрыйба: AI колдогон жумушка алуу жана эмгек акы чечимдеринде түз же кыйыр гендердик бир жактуулук тажрыйбалары жана тең эмес мамиле тууралуу кабылдоолор.

Этикалык процедура

Булак бардык 65 катышуучу изилдөөгө катышардан мурда маалымдалган макулдук бергенин, катышуу ыктыярдуу болгонун жана жеке маалыматтар анонимдештирилгенин билдирет. Жооптор академиялык талдоо үчүн гана колдонулганы жана маалыматтардын купуялуулугу сакталганы айтылат.

Статистикалык ыкма

Жооптор негизги сүрөттөөчү статистика менен талданган. Булак өзгөчө пайыздар колдонулганын; демографиялык категориялар, тармактар жана негизги сурамжылоо жоопторунун бөлүштүрүлүшү графиктер жана таблицалар менен изилденгенин билдирет.

Булакта инференциалдык статистикалык тест билдирилген эмес. Ошондуктан:

• p мааниси билдирилген эмес,
• ишеним аралыгы билдирилген эмес,
• эффект өлчөмү билдирилген эмес,
• регрессия модели билдирилген эмес,
• гендердик же тармактык топтордун ортосунда маанилүүлүк тести билдирилген эмес,
• сурамжылоо шкаласы үчүн ишенимдүүлүк коэффициенти билдирилген эмес.

Ошондуктан “%58, %62 же %41” сыяктуу көрсөткүчтөр тандалманын ичиндеги бөлүштүрүүнү көрсөтөрүн, бирок топтор арасындагы айырмачылыктардын статистикалык маанилүүлүгүн далилдебесин эстен чыгарбоо керек.

Негизги сандык жыйынтыктар

1-сүрөттөгү маалыматтардын ырааттуулугу

1-сүрөт жана аны түшүндүргөн текст бир эле суроо боюнча ар башка пайыздарды берет. Булакта чийки маалымат таблицасы жок болгондуктан, Verianla бул айырманы кайра эсептеп чече албайт. Айрыкча катышуучулардын жалпы саны 65 болушу ар бир суроого сөзсүз 65 жарактуу жооп берилгенин билдирбейт; бирок PDF ар бир суроо боюнча жарактуу жооптордун санын өзүнчө билдирбегендиктен, мындай түшүндүрмөнү да алдын ала кабыл алууга болбойт.

Изилдөө колдогон жыйынтыктар

• Бул 65 адамдык тандалмада гендерге байланыштуу эмгек акы жана кызматтык көтөрүлүү теңсиздигине олуттуу тынчсыздануулар бар.
• Тандалмада AI негизиндеги жумушка алуу куралдары автоматтык түрдө адилеттүүрөөк болот деген жалпы жана күчтүү ишеним жок.
• Катышуучулардын олуттуу бөлүгү AI негизиндеги жумушка алуу жана айлык системаларын бир жактуулук боюнча аудиттен өткөрүүнү колдойт.
• Макаланын адабият синтези тарыхый маалымат, модель долбоору, чечимдин ачыктыгы жана адамдын колдонуу формасы алгоритмдик адилеттүүлүк үчүн маанилүү экенин көрсөтөт.
• Булак маалымат аудити, ачыктык, ар түрдүү иштеп чыгуу топтору, окутуу жана адам көзөмөлүн бирге колдонгон активдүү адилеттүүлүк ыкмасын жактайт.

Изилдөө колдобогон жалпылоолор

• “AI бардык аял талапкерлерге төмөн айлык берет” деген жыйынтык бул изилдөөдө текшерилген эмес.
• “Катышуучулардын %65,6 бөлүгү AI аялдарга төмөн айлык бергенин көргөн” деген жыйынтык чыгарууга болбойт; тиешелүү суроо жалпыраак эмгек акы басмырлоосу тууралуу кабылдоо.
• Эмгек акы же кызматтык көтөрүлүү айырмачылыктары AI тарабынан себептик түрдө жаратылганы көрсөтүлгөн эмес.
• 65 адамдык ыктыярдуу тандалма бүт Kazakhstan жумушчу күчүн же башка өлкөлөрдү өкүлдөйт деп кабыл алууга болбойт.
• Изилдөө белгилүү жумушка алуу моделинин fairness метрикасын, тактыгын, false-positive/false-negative көрсөткүчтөрүн же гендерлер арасындагы натыйжалуулук айырмасын өлчөбөйт.
• Сунушталган bias audit, тең салмактуу маалымат же human-in-the-loop кийлигишүүлөрү бул тандалмада бир жактуулукту белгилүү пайызга азайтат деп текшерилген эмес.
• Изилдөө белгилүү укуктук режимге шайкештик баалоосун жүргүзбөйт.

Күчтүү жактары

Изилдөөнүн күчтүү жактарынын бири — алгоритмдик бир жактуулукту техникалык модель катасы катары гана эмес, маалымат, долбоор, адам чечими, уюмдук ишеним жана жөнгө салуу өлчөмдөрү менен бирге кароосу. Мындан тышкары, изилдөө Kazakhstan контекстинде AI колдогон адам ресурстары практикалары тууралуу кабылдоо маалыматтарын түзүүгө аракет кылуу менен аймактык салым кошууну көздөйт.

Негизги чектөөлөр

Тандалманын көлөмү кичине жана ыктыярдуу катышууга негизделген. Тандалма жаш курак боюнча жаштарга ыктаган; катышуучулардын болжол менен жарымы иштебейт жана булак бардык катышуучулар AI негизиндеги HR системалары менен түздөн-түз тажрыйбага ээ эмес экенин ачык айтат. Бул өзгөчөлүктөр жыйынтыктарды кеңири жумушчу калкка жалпылоону чектейт.

Мындан тышкары, изилдөө негизги пайыздарга гана таянат. Топтор арасындагы айырмачылыктар кокустук тандалма өзгөрмөлүүлүгүнөн айырмаланарын көрсөтө турган инференциалдык статистика жок. 1-сүрөт менен түшүндүрмө тексттин ортосундагы пайыздык дал келбестик да сандык отчетто өзүнчө көңүлдү талап кылат.

Эң маанилүү методологиялык чек — кабылдоону өлчөө менен чыныгы алгоритмдик жүрүм-турум бир эле нерсе эмес. Изилдөө чыныгы AI жумушка алуу системасын аудиттен өткөрбөйт, талапкер жуптарында көзөмөлдөнгөн тест жүргүзбөйт жана айлык сунуштаган моделдин чыгыштарын гендер боюнча салыштырбайт.

Булак жана Ыкма Жөнүндө Эскертүү

Оригинал изилдөө: AI bias and women: Addressing algorithmic discrimination in hiring and salary decisions

PDFдеги авторлордун ирети: Madina Tulemissova; Adeliya Yermekova; Liana Rakhimzhanova; Dilnaz Sapargaliyeva.

SSRN metadata авторлорунун ирети: Madina Tulemissova; Liana Rakhimzhanova; Adeliya Yermekova; Dilnaz Sapargaliyeva. PDF менен SSRN ортосунда экинчи жана үчүнчү авторлордун ирети айырмаланат. Бул Verianla макаласынын аталыш бөлүмүндө жүктөлгөн булак PDFнин ирети сакталган.

PDFдеги мекемелер: Төрт автордун баары School of Creative Industries, Astana IT University, Astana, Kazakhstan деп көрсөтүлгөн.

Биринчи автор тууралуу маалымат: Madina Tulemissova PDFде Senior Lecturer деп көрсөтүлүп, ORCID 0009-0007-0439-8932 берилген.

Corresponding / contact author: PDF corresponding authorду ачык белгилебейт. SSRN metadata Liana Rakhimzhanovaны Contact Author катары көрсөтөт.

DOI: 10.2139/ssrn.7483742.

Платформа: SSRN.

SSRNге жөнөтүлгөн: 22 Сентябрь 2026.

SSRNде көрсөтүлгөн “Date Written”: 12 Апрель 2025.

Булактын түрү: Изилдөө макаласы/manuscript; 65 катышуучусу бар сандык сурамжылоо жана адабият талкуусун камтыйт.

Рецензия / version-of-record абалы: Жүктөлгөн PDF жана SSRN жазуусу бул версия үчүн тастыкталган рецензияланган журналдык version-of-record маалыматын бербейт. Astana IT Universityнин расмий архивинде 2025 Digital Generation конференциясынын материалдары бар; бирок жеткиликтүү расмий жазууда бул аталыш түз дал келтирилбегендиктен, бул көчүрмө IEEE Xploreда жарыяланган рецензияланган конференция версиясы катары так белгиленген эмес.

Лицензия: SSRN жазуусу Creative Commons Attribution 4.0 International (CC BY 4.0) көрсөтөт.

Каржылоо: SSRN metadata изилдөө кандайдыр бир каржылоочу мекемеден, коммерциялык уюмдан же коммерциялык эмес уюмдан атайын грант же каржылык колдоо албаганын билдирет.

Кызыкчылыктардын кагылышы: SSRN metadata авторлор изилдөөгө таасир этиши мүмкүн болгон белгилүү атаандаш каржылык кызыкчылык же жеке мамиле тууралуу билдирбегенин көрсөтөт.

Этика: PDF катышуу ыктыярдуу болгонун, бардык 65 катышуучудан маалымдалган макулдук алынганын жана жеке маалыматтар анонимдештирилгенин билдирет. SSRN metadata жеке идентификациялоочу маалымат чогултулбаган анонимдүү жана сезимтал эмес сурамжылоо үчүн formal institutional ethics committee review талап кылынбаганын көрсөтөт.

Маалымат жеткиликтүүлүгү: Булак PDFде чийки сурамжылоо маалымат топтому же катышуучу деңгээлиндеги маалымат таблицасы берилбейт. Ошондуктан пайыздардан чийки жооптордун саны ишенимдүү түрдө кайра түзүлгөн эмес.

Ыкма: Voluntary response sampling менен 65 катышуучу; жабык суроолуу сурамжылоо; демография, HRдеги AI тууралуу кабылдоо жана AI бир жактуулугу тажрыйбасы боюнча үч суроо тобу; негизги сүрөттөөчү статистика жана пайыздар.

Статистикалык чек: Булак p маанисин, ишеним аралыгын, эффект өлчөмүн, регрессияны, гипотеза тестин же тандалманы салмактоону билдирбейт.

1-сүрөттөгү дал келбестик: Сүрөттө көрүнгөн пайыздык маанилер %67,7 / %22,6 / %9,7 болсо, тексттик түшүндүрмө %65,6 / %25 / %9,4 берет. Чийки маалымат жок болгондуктан айырманын себеби аныкталган эмес.

Жумуш абалы боюнча дал келбестик: Жыйынтыктар катышуучулардын %49,2 бөлүгү иштегенин жана %50,8 бөлүгү иштебегенин билдирсе, талкуу бөлүмү катышуучулардын көпчүлүгү иштейт деп айтат. Verianla текстинде сандык маанилер негиз катары алынып, дал келбестик ачык сакталган.

Адабият боюнча эскертүү: Макаланын Европа Бирлигинин AI Act тууралуу сүйлөмдөрү [8]ге байланыштырылган; бирок адабият тизмесиндеги [8] Veale менен Binnsтин 2017-жылкы машиналык үйрөнүүдөгү адилеттүүлүк изилдөөсү. Ошондуктан [8] азыркы PDFде AI Act үчүн түз мыйзамдык булак эмес.

Компания мисалдары боюнча эскертүү: Google жана LinkedIn fairness audit практикалары тууралуу билдирүү [9] номерлүү Raji жана кесиптештеринин жалпы AI accountability изилдөөсүнө байланыштырылган; PDFде эки компаниянын практикасын өз-өзүнчө документтештирген баштапкы булак жок.

Илимий түшүндүрмө чеги: Сурамжылоонун жыйынтыктары гендердик теңсиздик жана AI адилеттүүлүгү тууралуу катышуучулардын кабылдоосун көрсөтөт. Белгилүү AI системасы аял талапкерлерди системалуу түрдө жагымсыз абалга калтырары боюнча түз алгоритмдик аудит же себептик эксперимент жүргүзүлгөн эмес.