Algoritmik tarafkashlik (algorithmic bias), sun’iy intellekt yoki algoritmik qaror qabul qilish tizimi foydalanadigan ma’lumotlar, dizayn, modellashtirish yoki qaror qabul qilish jarayoni sababli ayrim guruhlar uchun tizimli ravishda farqli va potensial adolatsiz natijalar ishlab chiqarishga moyillikdir. Ushbu tadqiqot sun’iy intellekt yordamidagi ishga qabul qilish va ish haqi belgilash jarayonlarida ayollarga nisbatan gender tengsizligi haqidagi qarashlarni o‘rganish uchun 65 ishtirokchi bilan ixtiyoriy javob tanlanmasiga asoslangan yopiq savolli so‘rovdan foydalangan va natijalarni asosan foizlarda baholagan. Ishtirokchilarning muhim qismi ayollar bir xil ish uchun pastroq ish haqi olishi, lavozim ko‘tarilishida noqulay holatga tushishi va AI asosidagi ishga qabul qilish vositalari avtomatik ravishda adolatliroq qarorni kafolatlamasligini hisoblaydi. Biroq tadqiqot haqiqiy ishga qabul qilish algoritmining qarorlarini yoki ayol va erkak nomzodlarga bergan maosh takliflarini tajribaviy ravishda solishtirmagani sababli, bu so‘rov natijalari AI mazkur tengsizliklarga bevosita sabab bo‘lishini isbotlamaydi; ular avvalo ishtirokchilar qarashlarini va bu qarashlarning adabiyotdagi mavjud xavotirlar bilan qanday mos kelishini ko‘rsatadi.

Tadqiqotning adabiyot bo‘limi algoritmik diskriminatsiyaning uchta asosiy manbasiga e’tibor qaratadi: tarixiy tengsizliklarni o‘zida saqlagan o‘quv ma’lumotlari, model yoki tizim dizaynida yuzaga kelishi mumkin bo‘lgan tarafkashliklar va odamlarning algoritmik tavsiyalarga tanqidiy baholamasdan ishonishi. Mualliflar tarixiy mehnat bozori yoki ish haqi ma’lumotlaridagi gender tengsizligi kelajakdagi nomzodlarni tartiblash yoki maoshni prognozlash modellariga ko‘chishi mumkinligini; qaror mantig‘i yetarlicha shaffof bo‘lmasligi esa ta’sirlangan shaxslarning ehtimoliy diskriminatsion natijalarni anglashini va shubha ostiga olishini qiyinlashtirishi mumkinligini muhokama qiladilar.

So‘rovda ayollar pastroq ish haqi olishi haqidagi savol uchun manbada ikki xil foizlar ketma-ketligi mavjud. PDF dagi 1-rasm taxminan %67,7 “ha”, %22,6 “yo‘q/ko‘nikma va tajribaga bog‘liq” va %9,7 “ikkilanaman” deb ko‘rsatadi, ayni rasmni izohlaydigan matn esa %65,6, %25 va %9,4 qiymatlarini beradi. Manba bu nomuvofiqlik sababini tushuntirmagani uchun ikki qator birlashtirilmagan va ulardan biri ikkinchisining o‘rniga “tuzatilmagan”.

Tadqiqotda, shuningdek, ishtirokchilarning %58 foizi ayollar erkaklar kabi ko‘p lavozimga ko‘tarilmaydi deb o‘ylashi, %32 foizi lavozim ko‘tarilishiga gender ta’sir qilmaydi deb hisoblashlari va %10 foizi ikkilanib qolganlari keltiriladi. AI asosidagi ishga qabul qilish vositalari adolatliroq ishga qabul qilishni ta’minlaydimi, degan savolda ishtirokchilarning %41 foizi AI inson tarafkashligini aks ettirishi yoki kuchaytirishi mumkinligi haqida shubha bildirgan; %37 foizi AI diskriminatsiyani kamaytirishi mumkinligiga nisbatan optimistik bo‘lgan; %22 foizi esa neytral qolgan yoki tanlov qilmagan. Ishtirokchilarning %62 foizi kompaniyalardan AI asosidagi ishga qabul qilish va maosh tizimlarini tarafkashlik bo‘yicha audit qilishni talab qiladigan tartibga solishni qo‘llab-quvvatlagani xabar qilingan.

Tadqiqotning asosiy amaliy tavsiyalari: muvozanatli va inklyuziv ma’lumotlardan foydalanish, muntazam tarafkashlik auditlari, algoritmik qarorlarni tushuntiriladigan va shaffofroq qilish, turli kelib chiqish va tajribaga ega shaxslarni AI ishlab chiqish jarayonlariga jalb etish, inson resurslari xodimlarini algoritmik tarafkashlik bo‘yicha o‘qitish va ishga qabul qilish qarorlarida AI inson bahosini to‘liq almashtirishi o‘rniga yordamchi vosita sifatida ishlatilishidir. Bu tavsiyalar so‘rov bevosita tajribaviy ravishda taqqoslagan aralashuvlar emas; ular tadqiqotning adabiyot sintezi va so‘rov natijalaridan kelib chiqqan amaliy tavsiyalardir.

Tadqiqotning asosiy muammosi

Inson resurslarida sun’iy intellekt; rezyumelarni tasniflash, nomzodlarni lavozimlarga moslashtirish, samaradorlikni baholash va ish haqini prognozlash kabi vazifalarda qo‘llanishi mumkin. Bunday foydalanishdan asosiy kutishlardan biri katta hajmdagi axborotni tez va izchil baholashdir. Biroq algoritmning odamlar tomonidan ilgari qabul qilingan qarorlar asosida o‘qitilishi, bu qarorlardagi tengsizliklar avtomatik ravishda yo‘qoladi degani emas.

Agar ishga qabul qilish ma’lumotlar to‘plamida tarixan muayyan lavozimlarning katta qismi erkaklarga berilgan bo‘lsa, model “muvaffaqiyatli nomzod” andozasini tarixiy jihatdan erkaklar ustun bo‘lgan misollardan o‘rganishi mumkin. Buning uchun model ochiq ravishda “ayollarni rad et” deb dasturlangan bo‘lishi shart emas. Foydalaniladigan xususiyatlar, ish tajribasi, oldingi lavozimlar yoki boshqa o‘zgaruvchilar tarixiy ijtimoiy tuzilma bilan bog‘liq bo‘lsa, model ayni andozani bilvosita qayta ishlab chiqarishi mumkin.

Algoritmik Tarafkashlik Ishga Qabul Qilishda Qanday Yuzaga Kelishi Mumkin?

Ushbu tadqiqotning adabiyot doirasiga ko‘ra, ishga qabul qilishdagi algoritmik tarafkashlik faqat modelning matematik yadrosidan kelib chiqmaydi; foydalanilgan tarixiy ma’lumotlar, tizimni loyihalaganlarning tanlovlari va AI chiqishidan foydalanadigan inson qaror qabul qiluvchilarning xatti-harakatlari natijalarga birgalikda ta’sir qilishi mumkin. Shu sababli tadqiqot algoritmik adolatni faqat “xolis algoritm yozish” muammosi sifatida emas, balki ma’lumot–dizayn–qaror zanjirining barchasini qamrab oluvchi sotsiotechnik muammo sifatida ko‘radi.

1. O‘quv ma’lumotlaridan keladigan tarafkashlik

Mashinali o‘rganish tizimi tarixiy ishga qabul qilish yoki ish haqi ma’lumotlari bilan o‘qitilganda model ma’lumotlardagi bog‘lanishlarni o‘rganadi. Tarixiy ma’lumotlarda erkaklarning ayrim vazifalarda ko‘proq ifodalanishi yoki ayollarning ilgari pastroq ish haqi olgan bo‘lishi kelajakdagi prognozlarda bu farqlar qayta paydo bo‘lishiga zamin yaratishi mumkin.

Bu yerda muhim farq shuki: model “ilgari nima bo‘lgan?” savolini o‘rganishi mumkin; ammo “adolatli bo‘lishi kerak bo‘lgan narsa nima?” degan savolning javobi tarixiy ma’lumotdan avtomatik ravishda kelib chiqmaydi. Tarixiy xatti-harakatning statistik jihatdan tez-tez uchrashi uning axloqiy yoki huquqiy jihatdan to‘g‘ri ekanini anglatmaydi.

2. Dizayn bosqichidan keladigan tarafkashlik

AI tizimi ishlab chiqilayotganda qaysi ma’lumotlar ishlatilishi, qaysi o‘zgaruvchilar modelga kiritilishi, qanday natijalar muvaffaqiyat sifatida ta’riflanishi va xatolar qanday baholanishini odamlar belgilaydi. Shuning uchun algoritmik tizimning xatti-harakati faqat ma’lumot emas, dizayn qarorlarining ham mahsulidir.

Tadqiqotning adabiyot sharhi bu nuqtani “algorithmic inclusion” yondashuvi bilan bog‘laydi. Bu yondashuvda adolat tizim tugagandan keyin o‘z-o‘zidan paydo bo‘lishi kutiladigan xususiyat emas; u ma’lumot tanlash, ishlab chiqish jamoasi, audit va qaror jarayonlarida faol ravishda ko‘zda tutilishi kerak bo‘lgan dizayn maqsadidir.

3. Odamlar AI tavsiyasidan qanday foydalanadi

Algoritm faqat tavsiya bersa ham, inson qaror qabul qiluvchi tavsiyaning cheklovlarini anglamasdan uni to‘g‘ri deb qabul qilishi mumkin. Bunday holatda tizimdagi tarafkashlik inson qarori orqali tashkilot jarayoniga ko‘chishi mumkin. Tadqiqot nuqtai nazaridan shu sababli “qarorni inson qildimi yoki AI?” kabi oddiy ajratish yetarli emas; AI tavsiyasi inson tomonidan qanday talqin qilinishi ham muhim.

Ish haqini prognozlashda tarixiy ma’lumotlarning roli

Tadqiqotning adabiyot bo‘limi ish haqi taklifi yoki maosh prognozini beradigan tizimlar tarixiy ish haqi ma’lumotlaridan foydalansa, tarixiy gender maosh tafovutlarini qayta ishlab chiqarish xavfi mavjudligini muhokama qiladi. Agar tarixiy ma’lumotlarda o‘xshash vazifa va tajribaga qaramay ayollarning ish haqi tizimli ravishda past bo‘lgan bo‘lsa, modelning faqat shu ma’lumotdan “bozorga mos ish haqi”ni o‘rganishi mavjud tengsizlikni me’yorga aylantirishi mumkin.

Bu mexanizm tadqiqotning o‘z so‘rovida bevosita maosh prognozi modelini ishga tushirish orqali sinovdan o‘tkazilmagan. Manba mexanizmni oldingi adabiyotlarga asoslanib muhokama qiladi va so‘rov natijalarini xodimlarning ish haqi tengsizligi haqidagi qarashlari bilan bog‘laydi.

Shaffoflik nima uchun muhim?

Nomzod nima sababdan rad etilganini yoki unga nega muayyan ish haqi taklif qilinganini tushunmasa, ehtimoliy xato yoki diskriminatsion natijaga e’tiroz bildirish qiyinlashadi. Shu sababli tadqiqot faqat model aniqligiga emas, qaror mexanizmining tushunarliligi va hisobdorligiga ham ahamiyat beradi.

Bu yerda shaffoflik har bir algoritmning barcha manba kodini hammaga ochish shart degani emas. Tadqiqot qo‘llagan kengroq ma’noda masala qarorga ta’sir qiluvchi tizim tekshiriladigan, tarafkashlik bo‘yicha audit qilinadigan va ta’sirlangan shaxslar qaror nimaga asoslanganini so‘rashi mumkin bo‘lgan holatda bo‘lishidir.

Axloqiy qarash va tashkiliy ishonch

Adabiyot sharhida keltirilgan alohida tadqiqot odamlarning AI asosidagi ishga qabul qilish vositalarini axloqiy deb baholashida performance expectancy, ya’ni texnologiya ishga qabul qilish samaradorligini haqiqatda yaxshilashiga bo‘lgan kutish muhim ekanini; aksincha, ijtimoiy muhit yoki sohaning texnologiyani qabul qilganini ifodalovchi social influence omili xuddi shunday ahamiyatli bo‘lmaganini bildiradi.

Bu natija hozirgi 65 kishilik so‘rovga tegishli emas. Verianla bayonida mazkur topilma maqolaning adabiyot bo‘limida foydalanilgan oldingi tadqiqot natijasi sifatida ajratilgan.

Amazon misolining maqoladagi roli

Manba ishga qabul qilish tizimlari tarixiy jihatdan erkaklar ustun bo‘lgan texnologiya sektori ma’lumotlarini qayta ishlab chiqarishi mumkinligiga misol sifatida Amazon ilgari ishlab chiqqan avtomatlashtirilgan ishga qabul qilish vositasini muhokama qiladi. Bu misol hozirgi tadqiqot o‘tkazgan tajriba emas; adabiyotdagi tarixiy holat tadqiqot muammosini tushuntirish uchun ishlatiladi.

Algoritmik tarafkashlik va algoritmik diskriminatsiya bir xil narsami?

Algoritmik tarafkashlik tizimli og‘ish yoki ayrim guruhlar o‘rtasida farqli natija yuzaga keltira oladigan ma’lumot/model xatti-harakatini ifodalaydi, algoritmik diskriminatsiya esa bu farq odamlarni gender kabi xususiyat asosida noqulay holatga keltiradigan oqibatlarga e’tibor qaratadi. Manba bu ikki tushunchani ayollarning ishga qabul qilish va ish haqi natijalari kontekstida yaqin ma’noda qo‘llaydi; biroq har qanday statistik farq o‘z-o‘zicha huquqiy ma’noda diskriminatsiya isboti emas.

Tadqiqot savoli

Manbaning tadqiqot savoli AI tarafkashligi ishga qabul qilish va maosh qarorlarida ayollarga qanday ta’sir qilishini hamda inson resurslari jarayonlarida algoritmik diskriminatsiyani kamaytirish uchun qaysi strategiyalar qo‘llanishi mumkinligini so‘raydi.

Ushbu savol doirasida tadqiqot to‘rtta maqsad belgilaydi: real dunyo holatlari va akademik adabiyot orqali gender tarafkashligini o‘rganish; tarafkash o‘quv ma’lumotlari, model dizayni va tizimli mehnat bozori tengsizligi kabi manbalarni aniqlash; axloqiy AI, shaffoflik va tartibga solishga asoslangan kamaytirish yondashuvlarini baholash; kompaniyalar va siyosat ishlab chiquvchilar uchun adolatliroq amaliy tavsiyalar ishlab chiqish.

Tanlanma tuzilishi

Ishlayotgan ishtirokchilarning sohalari

Manba ishlayotgan ishtirokchilar orasida eng katta vakillik axborot texnologiyalarida ekanini va undan keyin moliya hamda ta’lim kelishini bildiradi. IT uchun %31,3, moliya uchun %21,9 va ta’lim uchun %18,8 qiymatlari berilgan. Audit, sport, fitnes va davlat xizmatlari kichikroq guruhlar sifatida ko‘rsatilgan.

Ushbu soha foizlari barcha 65 kishiga yoki faqat ishlayotgan ishtirokchilarga taalluqliligi gap tuzilishidagi “among those employed” iborasi orqali ishlayotgan guruhga bog‘langan. Shu sababli bu nisbatlar umumiy tanlanma nisbatlari sifatida qayta hisoblanmagan.

Bu So‘rov AI Ayollarga Nisbatan Diskriminatsiya Qilishini Isbotlaydimi?

Yo‘q. Tadqiqotning 65 kishilik so‘rovi ish haqi va lavozim ko‘tarilishi tengsizligi haqidagi qarashlarni, AI asosidagi inson resurslari vositalarining adolati haqidagi fikrlarni va tartibga solish bo‘yicha kutishlarni o‘lchaydi; muayyan ishga qabul qilish algoritmining ayol va erkak nomzodlarga bergan qarorlarini tajribaviy ravishda solishtirmagani sababli AI kuzatilgan ish haqi yoki lavozim ko‘tarilishi farqlariga bevosita sabab ekanini o‘zi mustaqil isbotlay olmaydi. Tadqiqotning AI tarafkashligi haqidagi kuchliroq mexanizm da’volari asosan adabiyot sharhiga tayangan.

1-rasmdagi manba ichidagi foiz nomuvofiqligi

Manbaning 1-rasmi “sohangizda ayollarga nisbatan ish haqi diskriminatsiyasi bor deb o‘ylaysizmi?” savolini doiraviy diagrammada ko‘rsatadi. Ammo diagrammada ko‘rinadigan foiz yorliqlari bilan uning tagidagi matnli izoh farq qiladi. Manba qaysi qator yakuniy/ma’lumotlari tozalangan natija ekanini yoki farq yetishmagan javoblardan kelib chiqqanini tushuntirmaydi.

Bu farq kichik ko‘rinsa ham, tadqiqot hisobotliligi nuqtai nazaridan muhim. Foiz — muayyan toifaga kirgan haqiqiy javoblar sonining shu savolga berilgan jami haqiqiy javoblar soniga nisbatidir. Manba foizni hisoblash uchun maxsus tenglama bermaydi; asosiy tavsifiy statistika mantig‘i o‘rgatuvchi tarzda quyidagicha ifodalanishi mumkin:

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

Bu tenglama tadqiqotning original formulasi emas; u manbada qo‘llangan foiz tahlilini tushuntiruvchi asosiy statistik munosabatdir. Rasm va matn orasidagi farq turli sonli haqiqiy javoblar, ma’lumot versiyasi yoki hisobot xatosidan kelib chiqqani PDF da ko‘rsatilmagani sababli xom javoblar soni orqaga qarab taxmin qilinmasligi kerak.

Lavozim ko‘tarilishi haqidagi qarash

Mualliflar bu natijani ish haqi tengsizligi faqat ishga kirish nuqtasida emas, butun karyera davomida davom etishi mumkinligi haqidagi muhokama bilan bog‘laydi. Biroq so‘rovdagi bu savol muayyan AI samaradorlikni baholash tizimining lavozim ko‘tarilishi qarorlarini bevosita o‘lchamaydi. Shu sababli “%58 natijasi AI lavozim ko‘tarilishi algoritmlari ayollarga nisbatan diskriminatsiya qilishini ko‘rsatadi” degan sababiy talqin qilish mumkin emas.

AI asosidagi ishga qabul qilishga ishonch

Bu taqsimot tanlanma ichida AI ishga qabul qilishni albatta adolatliroq qiladi degan kuchli yakdillik yo‘qligini ko‘rsatadi. Ammo bu yerda ham o‘lchanayotgan o‘zgaruvchi odamlarning fikridir; algoritmning haqiqiy xato yoki diskriminatsiya darajasi emas.

Tartibga solish va audit talabi

Manba ishtirokchilarning %62 foizi kompaniyalardan AI asosidagi ishga qabul qilish va maosh tizimlarini tarafkashlik bo‘yicha audit qilishni talab qiluvchi tartibga solishni qo‘llab-quvvatlaganini bildiradi. Mualliflar bu natijani ko‘proq institutsional hisobdorlik va ommaviy tartibga solishga bo‘lgan kutish ko‘rsatkichi sifatida talqin qiladilar.

Tadqiqot muayyan audit usulini tajribaviy ravishda qo‘llab, uning samaradorligini o‘lchamagan. “Fairness audit” yoki adolat auditi bu yerda kamaytirish strategiyasidir; so‘rov o‘lchagan narsa bu strategiyaning aniqlik ko‘rsatkichi emas, balki tartibga soluvchi audit g‘oyasiga ishtirokchilar yordami.

Ixtiyoriy Javob Tanlanmasi Natijalarga Qanday Ta’sir Qiladi?

Ixtiyoriy javob tanlanmasi (voluntary response sampling), tadqiqotda kimlar qatnashishini tadqiqotchining tasodifiy tanlovidan ko‘ra ko‘proq shaxslarning o‘zlari qatnashishni tanlashi belgilaydigan tanlanma usulidir; u amaliy va tez, biroq mavzuga alohida qiziqqan yoki kuchli fikrga ega odamlarning so‘rovda qatnashish ehtimoli yuqoriroq bo‘lishi mumkinligi sababli tanlanmaning umumiy aholini vakillashini kafolatlamaydi.

Shu sababli 65 ishtirokchi orasidagi %62, %58 yoki %41 kabi nisbatlar “Kazakhstan'dagi barcha xodimlar” yoki “barcha ayollar” xuddi shunday fikrga ega deb umumlashtirilmasligi kerak. Tadqiqotning o‘z cheklovlar bo‘limi ham tanlanma hajmi keng sanoat tendensiyalarini to‘liq aks ettirmasligi mumkinligini aniq ta’kidlaydi.

Yosh tarkibining ahamiyati

Tanlanmaning taxminan %42–43'i 18–24 yoshda va taxminan %15 foizi 18 yoshdan kichik bo‘lishi, ayniqsa ishga qabul qilish, ish haqi belgilash va AI asosidagi HR tizimlari bilan bevosita kasbiy tajriba haqidagi talqinlarda muhimdir. Manba, shuningdek, ishtirokchilarning taxminan %50,8 foizi ishlamasligini bildiradi.

Bu taqsimot tadqiqot qadrsiz degani emas. Ammo natijalarni “ishga qabul qilish mutaxassislarining haqiqiy amaliy tajribasi” sifatida emas, turli darajadagi tajribaga ega ishtirokchilarning qarash va fikrlari aralashmasi sifatida o‘qish xavfsizroq.

Manbaning o‘zi tan olgan cheklovlar

• Tanlanma atigi 65 ishtirokchidan iborat.
• Sog‘liqni saqlash, muhandislik va davlat boshqaruvi sohalarining vakilligi past.
• Barcha ishtirokchilar AI asosidagi inson resurslari tizimlari bilan bevosita tajribaga ega emas.
• Kattaroq va xilma-xilroq tanlanmalar bilan tadqiqot o‘tkazilishi kerak.
• Muayyan sohalarni alohida o‘rganadigan maqsadli tadqiqotlar zarur.

Qo‘shimcha talqin chegarasi: qarash bilan o‘lchangan algoritm xatti-harakati orasidagi farq

Verianla nuqtai nazaridan tadqiqotning eng muhim talqin chegarasi shudir. So‘rovda “ayollar kamroq ish haqi oladi deb o‘ylaysizmi?” shaklidagi savol ish haqi tengsizligi haqidagi qarashni o‘lchashi mumkin. Ammo ayni savol muayyan maosh prognozi algoritmi bir xil malakaga ega erkaklarga qaraganda ayollarga tizimli ravishda pastroq taklif berishini o‘lchamaydi.

Bunday algoritmik sababiylik da’vosini bevosita sinash uchun, masalan, bir xil yoki nazorat qilingan xususiyatlarga ega ayol va erkak nomzod profillarini ayni tizimda baholash, chiqish farqlarini o‘lchash, tanlanma hajmini ko‘rsatish va tegishli statistik tahlil o‘tkazish zarur bo‘lishi mumkin edi. Ushbu tadqiqot bunday tajriba o‘tkazmagan.

Tavsiya etilgan kamaytirish strategiyalari

Tadqiqot algoritmik gender tarafkashligini kamaytirish uchun bir nechta aralashuvni birgalikda tavsiya qiladi:

• Muvozanatli va inklyuziv o‘quv ma’lumotlari: Tarixiy tengsizliklarning modelga to‘g‘ridan-to‘g‘ri ko‘chish xavfini kamaytirish.
• Muntazam tarafkashlik auditlari: Ishga qabul qilish va maosh algoritmlarining turli guruhlarga ta’sirini davriy ravishda tekshirish.
• Qaror shaffofligi: Nomzodlar va xodimlarga qaror asosini tushunish va kerak bo‘lsa uni shubha ostiga olish imkonini berish.
• Xilma-xil ishlab chiqish jamoalari: Dizayn bosqichida kengroq nuqtai nazarlarni tizimga kiritish.
• HR va dasturchilarni o‘qitish: Algoritmik tarafkashlik xatarlari va axloqiy AI amaliyotlari haqidagi tushunchani oshirish.
• Inson + AI yondashuvi: AI inson mulohazasini qo‘llab-quvvatlashi, lekin kontekstual va axloqiy baholashni butunlay yo‘q qilmasligi.
• Institutsional va tashqi audit: Ichki axloqiy tuzilmalardan va zarur bo‘lganda mustaqil tekshiruvlardan foydalanish.

Bu strategiyalarning hech biri hozirgi tadqiqotda randomizatsiyalangan tajriba bilan solishtirilmagan. Shuning uchun manba “ushbu aralashuv tarafkashlikni %X kamaytiradi” degan xulosani bermaydi.

Yevropa Ittifoqi AI Act havolasidagi manba muammosi

Maqola tartibga soluvchi chora misoli sifatida Yevropa Ittifoqi AI Act hujjatini tilga oladi. Ammo tegishli jumla [8] raqamli manbaga bog‘langan va adabiyotlar ro‘yxati [8] ni Veale va Binnsning 2017 yildagi “Fairer machine learning in the real world: Mitigating discrimination without collecting sensitive data” ishi sifatida ko‘rsatgan. Shu sababli PDFning hozirgi bibliografiyasi AI Act haqidagi ibora uchun bevosita hujjat manbasi emas.

Ushbu bibliografik nomuvofiqlik tufayli Verianla bayoni AI Actning amaldagi qoidalarini ushbu maqoladan chiqarib kengaytirmaydi. Tadqiqotning algoritmik hisobdorlik va tartibga soluvchi nazorat haqidagi umumiy tavsiyasi saqlanadi, muayyan qonunchilik tafsilotlari esa tadqiqotning o‘z topilmasi sifatida taqdim etilmaydi.

Kompaniyalarning fairness audit da’volaridagi chegara

Manba Google va LinkedIn ishga qabul qilish algoritmlarida fairness audit va bias detection mexanizmlaridan foydalanishini aytadi; ammo bu da’vo [9] raqamli umumiy AI accountability tadqiqotiga bog‘langan. PDFda ikki kompaniyaning amaliyotlarini bevosita hujjatlashtiradigan alohida kompaniya hisoboti yoki texnik tadqiqot keltirilmagan.

Shuning uchun kompaniya nomlari tadqiqotning adabiyot bayonida ishlatilgan misollar sifatida baholanishi kerak; mavjud bibliografiya asosida mustaqil ravishda o‘lchangan kompaniya samaradorligi yoki tarafkashlik kamayishi haqida xulosa chiqarib bo‘lmaydi.

Kelajakdagi tadqiqotlar

Mualliflar kelajakda AI asosidagi inson resurslari amaliyotlarining ayollar karyera rivojiga ta’sirini batafsilroq o‘rganishni tavsiya qiladilar. Taklif etilgan mavzular qatoriga karyera o‘sishi, vaqt davomida maosh o‘zgarishlari va ishdan qoniqish kiradi.

Shuningdek, turli soha va hududlarni solishtirish, tarafkashlikni kamaytirish usullarini nazorat qilinadigan tajribalarda sinash va AI asosidagi inson resurslari tizimlari bilan duch kelgan ayollarning shaxsiy tajribalarini o‘rganadigan sifatli tadqiqotlar tavsiya qilinadi. Bu tavsiyalar ayniqsa hozirgi so‘rovning qarashlar ma’lumoti bilan haqiqiy tizim xatti-harakati o‘rtasidagi bo‘shliqni yopish uchun muhim.

Tadqiqot Usuli va Natijalari

Tadqiqot yondashuvi

Tadqiqot miqdoriy tadqiqot yondashuvi doirasida so‘rov usulidan foydalangan. Tanlanma 65 ishtirokchidan iborat va ishtirokchilar ixtiyoriy javob tanlanmasi orqali tadqiqotga kiritilgan. Manba IT, moliya va ta’lim mutaxassislarini alohida qayd etadi; natijalarda boshqa sohalar ham vakillik qilgani ko‘rinadi.

So‘rov tuzilishi

So‘rov yopiq savollardan iborat va uch asosiy bo‘limga ajratilgan:

1. Demografik ma’lumotlar: Gender, yosh, soha va bandlik holati.
2. Inson resurslarida AI haqidagi qarash: Ishga qabul qilish va maosh qarorlarida AIdan foydalanish haqidagi xabardorlik hamda tizimlarning adolati va shaffofligi haqidagi fikrlar.
3. AI tarafkashligi tajribasi: AI yordamidagi ishga qabul qilish va ish haqi qarorlarida bevosita yoki bilvosita gender tarafkashligi tajribalari va tengsiz munosabat haqidagi qarashlar.

Axloqiy tartib

Manba barcha 65 ishtirokchi tadqiqotda qatnashishdan oldin xabardor qilingan rozilik berganini, qatnashish ixtiyoriy bo‘lganini va shaxsiy ma’lumotlar anonimlashtirilganini bildiradi. Javoblar faqat akademik tahlil maqsadida ishlatilgani va ma’lumotlar maxfiyligi saqlangani aytiladi.

Statistik usul

Javoblar asosiy tavsifiy statistika bilan tahlil qilingan. Manba ayniqsa foizlardan foydalanilganini; demografik toifalar, sohalar va asosiy so‘rov javoblari taqsimoti grafik va jadvallar yordamida o‘rganilganini bildiradi.

Manbada inferensial statistik test xabar qilinmagan. Shuning uchun:

• p qiymati xabar qilinmagan,
• ishonch oralig‘i xabar qilinmagan,
• ta’sir kattaligi xabar qilinmagan,
• regressiya modeli xabar qilinmagan,
• gender yoki soha guruhlari o‘rtasida ahamiyatlilik testi xabar qilinmagan,
• so‘rov shkalasi uchun ishonchlilik koeffitsiyenti xabar qilinmagan.

Shu sababli “%58, %62 yoki %41” kabi nisbatlar tanlanma ichidagi taqsimotni ko‘rsatishi, ammo guruhlar orasidagi farqlarning statistik ahamiyatini isbotlamasligi unutmaslik kerak.

Asosiy miqdoriy natijalar

1-rasm ma’lumotlarining izchilligi

1-rasm va uni izohlaydigan matn ayni savol bo‘yicha turli foizlarni beradi. Manbada xom ma’lumotlar jadvali yo‘qligi sababli Verianla bu farqni qayta hisoblab hal qila olmaydi. Xususan, jami ishtirokchilar soni 65 bo‘lishi har bir savolga albatta 65 haqiqiy javob berilgan degani emas; ammo PDF har bir savol bo‘yicha haqiqiy javoblar sonini alohida xabar qilmagani uchun bunday izohni ham faraz qilib bo‘lmaydi.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Ushbu 65 kishilik tanlanmada genderga asoslangan ish haqi va lavozim ko‘tarilishi tengsizligiga doir sezilarli xavotirlar mavjud.
• Tanlanmada AI asosidagi ishga qabul qilish vositalari avtomatik ravishda adolatliroq bo‘lishiga kuchli umumiy ishonch yo‘q.
• Ishtirokchilarning muhim qismi AI asosidagi ishga qabul qilish va maosh tizimlari tarafkashlik bo‘yicha audit qilinishini qo‘llab-quvvatlaydi.
• Maqolaning adabiyot sintezi tarixiy ma’lumot, model dizayni, qaror shaffofligi va inson foydalanish usuli algoritmik adolat nuqtai nazaridan muhimligini ko‘rsatadi.
• Manba ma’lumot auditi, shaffoflik, xilma-xil ishlab chiqish jamoalari, ta’lim va inson nazoratini birga qo‘llaydigan faol adolat yondashuvini himoya qiladi.

Tadqiqot qo‘llab-quvvatlamaydigan umumlashtirishlar

• “AI barcha ayol nomzodlarga pastroq maosh beradi” degan xulosa ushbu tadqiqotda sinovdan o‘tkazilmagan.
• “Ishtirokchilarning %65,6 foizi AI ayollarga past maosh berganini ko‘rdi” degan xulosani chiqarib bo‘lmaydi; tegishli savol umumiyroq ish haqi diskriminatsiyasi haqidagi qarashdir.
• Ish haqi yoki lavozim ko‘tarilishi farqlari AI tomonidan sababiy ravishda yaratilgani ko‘rsatilmagan.
• 65 kishilik ixtiyoriy tanlanma butun Kazakhstan ishchi kuchini yoki boshqa mamlakatlarni vakillaydi deb qabul qilib bo‘lmaydi.
• Tadqiqot muayyan ishga qabul qilish modelining fairness metrikasi, aniqligi, false-positive/false-negative darajasi yoki genderlar orasidagi samaradorlik farqini o‘lchamaydi.
• Tavsiya qilingan bias audit, muvozanatli ma’lumot yoki human-in-the-loop aralashuvlari ushbu tanlanmada tarafkashlikni muayyan foizga kamaytirishi sinovdan o‘tkazilmagan.
• Tadqiqot muayyan huquqiy rejimga muvofiqlik bahosini bermaydi.

Kuchli jihatlar

Tadqiqotning kuchli jihatlaridan biri algoritmik tarafkashlikni faqat texnik model xatosi sifatida emas, balki ma’lumot, dizayn, inson qarori, tashkiliy ishonch va tartibga solish o‘lchovlari bilan birga ko‘rib chiqishidir. Bundan tashqari, tadqiqot Kazakhstan kontekstida AI yordamidagi inson resurslari amaliyotlariga doir qarashlar ma’lumotini yaratishga urinishi bilan hududiy hissa qo‘shishni ko‘zlaydi.

Asosiy cheklovlar

Tanlanma hajmi kichik va ixtiyoriy ishtirokka asoslangan. Tanlanma yosh jihatdan yoshlarga og‘gan; ishtirokchilarning taxminan yarmi ishlamaydi va manba barcha ishtirokchilar AI asosidagi HR tizimlari bilan bevosita tajribaga ega emasligini aniq bildiradi. Bu xususiyatlar natijalarni keng xodimlar aholisi uchun umumlashtirishni cheklaydi.

Bundan tashqari, tadqiqot faqat asosiy foizlarga tayanadi. Guruhlar orasidagi farqlar tasodifiy tanlanma o‘zgaruvchanligidan ajraladimi-yo‘qmi ko‘rsatadigan inferensial statistika mavjud emas. 1-rasm bilan izoh matni orasidagi foiz nomuvofiqligi ham miqdoriy hisobotda alohida e’tibor talab qiladi.

Eng muhim metodologik chegara esa qarashni o‘lchash bilan haqiqiy algoritmik xatti-harakat bir xil emasligidir. Tadqiqot haqiqiy AI ishga qabul qilish tizimini audit qilmaydi, nomzod juftliklarida nazorat qilinadigan test o‘tkazmaydi va maosh taklifini chiqaradigan model natijalarini gender bo‘yicha solishtirmaydi.

Manba va Usul Haqida Izoh

Original tadqiqot: AI bias and women: Addressing algorithmic discrimination in hiring and salary decisions

PDF dagi mualliflar tartibi: Madina Tulemissova; Adeliya Yermekova; Liana Rakhimzhanova; Dilnaz Sapargaliyeva.

SSRN metadata mualliflar tartibi: Madina Tulemissova; Liana Rakhimzhanova; Adeliya Yermekova; Dilnaz Sapargaliyeva. PDF va SSRN orasida ikkinchi va uchinchi mualliflarning tartibi farq qiladi. Ushbu Verianla maqolasining sarlavha bo‘limida yuklangan manba PDF tartibi saqlangan.

PDF dagi muassasalar: To‘rtala muallif ham School of Creative Industries, Astana IT University, Astana, Kazakhstan sifatida ko‘rsatilgan.

Birinchi muallif ma’lumoti: Madina Tulemissova PDFda Senior Lecturer sifatida ko‘rsatilgan va ORCID 0009-0007-0439-8932 berilgan.

Corresponding / contact author: PDF corresponding authorni aniq belgilamaydi. SSRN metadata Liana Rakhimzhanovani Contact Author sifatida ko‘rsatadi.

DOI: 10.2139/ssrn.7483742.

Platforma: SSRN.

SSRNga topshirilgan: 22 Sentabr 2026.

SSRNda ko‘rsatilgan “Date Written”: 12 Aprel 2025.

Manba turi: Tadqiqot maqolasi/manuscript; 65 ishtirokchili miqdoriy so‘rov va adabiyot muhokamasini o‘z ichiga oladi.

Taqriz / version-of-record holati: Yuklangan PDF va SSRN yozuvi ushbu versiya uchun tasdiqlangan taqrizdan o‘tgan jurnal version-of-record ma’lumotini bermaydi. Astana IT University rasmiy arxivida 2025 Digital Generation konferensiya materiallari bor; biroq mavjud rasmiy yozuvda bu sarlavha to‘g‘ridan-to‘g‘ri moslashtirilmagani sababli bu nusxa IEEE Xploreda chop etilgan taqrizdan o‘tgan konferensiya versiyasi deb qat’iy belgilanmagan.

Litsenziya: SSRN yozuvi Creative Commons Attribution 4.0 International (CC BY 4.0) ko‘rsatadi.

Moliyalashtirish: SSRN metadata tadqiqot hech qanday moliyalashtiruvchi tashkilot, tijorat tashkiloti yoki notijorat tashkilotdan maxsus grant yoki moliyaviy yordam olmaganini bildiradi.

Manfaatlar to‘qnashuvi: SSRN metadata mualliflar tadqiqotga ta’sir qilishi mumkin bo‘lgan ma’lum raqobatdagi moliyaviy manfaat yoki shaxsiy munosabatlarni e’lon qilmaganini ko‘rsatadi.

Etika: PDF qatnashish ixtiyoriy bo‘lganini, barcha 65 ishtirokchidan xabardor qilingan rozilik olinganini va shaxsiy ma’lumotlar anonimlashtirilganini bildiradi. SSRN metadata shaxsni aniqlovchi ma’lumot to‘planmagan anonim va nozik bo‘lmagan so‘rov uchun formal institutional ethics committee review talab qilinmaganini ko‘rsatadi.

Ma’lumotlarning mavjudligi: Manba PDFda xom so‘rov ma’lumotlar to‘plami yoki ishtirokchi darajasidagi ma’lumotlar jadvali berilmagan. Shu sababli foizlardan xom javoblar soni ishonchli ravishda qayta tiklanmagan.

Usul: Voluntary response sampling bilan 65 ishtirokchi; yopiq savolli so‘rov; demografiya, HRda AI haqidagi qarash va AI tarafkashligi tajribasi bo‘yicha uch savol guruhi; asosiy tavsifiy statistika va foizlar.

Statistik chegara: Manba p qiymati, ishonch oralig‘i, ta’sir kattaligi, regressiya, gipoteza testi yoki tanlanmani vaznlashni xabar qilmaydi.

1-rasm nomuvofiqligi: Rasmda ko‘rinadigan foiz qiymatlari %67,7 / %22,6 / %9,7 bo‘lsa, matnli izoh %65,6 / %25 / %9,4 ni beradi. Xom ma’lumot yo‘qligi sababli farq sababi aniqlanmagan.

Bandlik holati nomuvofiqligi: Natijalar ishtirokchilarning %49,2 foizi ishlashi va %50,8 foizi ishlamasligini bildiradi, muhokama bo‘limi esa ishtirokchilarning ko‘pchiligi ishlashini aytadi. Verianla matnida miqdoriy qiymatlar asos qilib olingan va nomuvofiqlik ochiq qoldirilgan.

Bibliografiya izohi: Maqolaning Yevropa Ittifoqi AI Act haqidagi jumlalari [8] ga bog‘langan; biroq adabiyotlar ro‘yxatidagi [8] Veale va Binnsning 2017 yildagi mashinali o‘rganish adolati tadqiqotidir. Shu sababli [8] mavjud PDFda AI Act uchun bevosita qonunchilik manbasi emas.

Kompaniya misollari izohi: Google va LinkedIn fairness audit amaliyotlari haqidagi ibora [9] raqamli Raji va hamkasblarining umumiy AI accountability ishiga bog‘langan; PDFda ikki kompaniyaning amaliyotlarini alohida-alohida hujjatlashtiradigan birlamchi manba mavjud emas.

Ilmiy talqin chegarasi: So‘rov natijalari gender tengsizligi va AI adolati haqidagi ishtirokchilar qarashlarini ko‘rsatadi. Muayyan AI tizimi ayol nomzodlarni tizimli ravishda noqulay holatga keltirishiga doir bevosita algoritmik audit yoki sababiy tajriba o‘tkazilmagan.