45 yaş ve üzeri kadınlara yönelik yapay zekâ önyargısını kim ölçüyor: açık bir harita
Yapay zekâyı yaş ve cinsiyet önyargısı açısından test eden kuruluşlar ve araştırma ekipleri.
Harita, yapay zekâda yaşa, cinsiyete ya da ikisine birden dayalı önyargı üzerine çalışma yayımlayan kuruluşları ve araştırma ekiplerini listeler. Her kayıt kendi birincil kaynağına bağlantı verir ve kayıtlar alfabetik sıradadır. Harita Womafreesm tarafından hazırlandı. Womafreesm'in Denetim 45-64 çalışması da haritada aynı kurallarla yer alıyor ve bunu açıkça belirtiyoruz.
Harita verilerini indirin Denetim 45-64'ü okuyunBir kuruluş haritaya nasıl girer
- Son 24 ay içinde yapay zekâda veya otomatik sistemlerde yaş önyargısı, cinsiyet önyargısı ya da her ikisi üzerine bir çalışma yayımlamıştır.
- Yöntemi veya bulguları kamuya açıktır.
- 2026'da faaliyettedir.
Her kaynak açılıp kontrol edildi: başlık, tarih ve içerik. Yayıncının otomatik erişimi engellediği durumlarda kayıt Crossref veya OpenAlex üzerinden doğrulandı. Harita üç ayda bir güncellenir ve her değişiklik bu sayfanın sonundaki değişiklik günlüğüne kaydedilir.
Harita
22 Ekim 2026 tarihli kontrol. Alfabetik sıra.
| Kuruluş | Ülke | Çalışma ve tarih | Neyi ölçüyor | Yaş, cinsiyet veya her ikisi | Yaşlı kadınlar | Birincil kaynak |
|---|---|---|---|---|---|---|
| FINDHR konsorsiyumu (Universitat Pompeu Fabra koordinasyonunda yürütülen Horizon Europe projesi; ortakları arasında AlgorithmWatch de var) | AB | Politika yapıcılar için "Just Hiring!" araç seti (Ekim 2025); yaş, cinsiyet ve diğer özellikleri içeren 2.030 sentetik özgeçmişten oluşan veri seti | Yapay zekâ ile işe alımda kesişimsel ayrımcılığı tespit etmeye yönelik araçlar ve test verileri; yaş ve cinsiyetin birlikte ele alındığı sonuç yayımlanmadı | Yaş x cinsiyet (çerçeve ve test verileri) | Yaşlı kadınları kesişimsel ayrımcılığın bir örneği olarak anıyor | Kaynak 1Kaynak 2 |
| Uluslararası Telekomünikasyon Birliği (ITU), EY ve KAIST Aging & Technology Policy Lab ile birlikte | BM kuruluşu, Cenevre; Kore Cumhuriyeti | "Artificial intelligence and ageing: Inclusive pathways for older persons in a digital world" (2026) | Yapay zekâ kullanımında yaşa ve cinsiyete göre açıklar ve yaşlı kadınların eğitim verilerinde yer almamasının önyargıyı kalıcı hâle getirme riski; önyargı tartışılıyor, test edilmiyor | Yaş x cinsiyet (kullanım ve veri açıkları) | Özellikle yaşlı kadınlara odaklanıyor | Kaynak |
| Londra Ekonomi Okulu, CPEC (bakım politikası ve değerlendirme birimi) | Birleşik Krallık | "Evaluating gender bias in large language models in long-term care", BMC Medical Informatics and Decision Making (11 Ağustos 2025) | 617 yaşlı kişiye ait, cinsiyeti tersine çevrilmiş bakım kayıtlarının dil modelleriyle hazırlanan özetleri | Cinsiyet, yaşlı kişiler arasında | Tüm kayıtlar yaşlı kişilere ait; yaş alt grupları yok | Kaynak |
| Stanford Graduate School of Business ve UC Berkeley Haas School of Business | ABD | "Age and gender distortion in online media and large language models", Nature (8 Ekim 2025) | Yaklaşık 1,4 milyon görsel ve videoda ve dokuz dil modelinde kadınların ve erkeklerin tasvir edilen yaşı, nüfus sayımı verileriyle karşılaştırmalı olarak; ChatGPT ile özgeçmiş oluşturma ve puanlama | Yaş x cinsiyet | Kadınlar daha genç gösteriliyor; ChatGPT kadınların daha genç ve daha az deneyimli olduğunu varsaydı | Kaynak |
| Würzburg-Schweinfurt Teknik Uygulamalı Bilimler Üniversitesi (THWS), Yapay Zekâ Merkezi, Constructor University Bremen ve Kassel Üniversitesi ile birlikte | Almanya | "Surface Fairness, Deep Bias: A Comparative Study of Bias in Language Models", arXiv (2025) | Cinsiyeti, etnik kökeni ve göçmenlik durumu farklılaşan personalar için dil modellerinin verdiği yanıtlar, maaş pazarlığı tavsiyeleri dahil | Cinsiyet (kökenle birlikte) | Ele alınmıyor | Kaynak |
| Tsinghua Üniversitesi, Endüstri Mühendisliği Bölümü, Rio de Janeiro Federal Üniversitesi ile birlikte | Çin; Brezilya | "BiasLab: A Multilingual Dual-Framing Framework for LLM Bias Measurement, Applied to Workplace and HR Contexts", arXiv (Ocak 2026) | İK konularında 12 dilde 10 dil modeline yöneltilen, birbirinin aynası olan istemler (43.200 yanıt), liderlikte cinsiyet ve işe alımda yaş dahil | Yaş ve cinsiyet, ayrı ayrı | Daha yaşlı adaylara ilişkin sonuçların hâlâ cinsiyete göre ayrıştırılması gerektiğini belirtiyor | Kaynak |
| UNESCO, Humane Intelligence ile birlikte | BM kuruluşu, Paris | "Red Teaming artificial intelligence for social good: The PLAYBOOK" (1 Temmuz 2025) | Üretken yapay zekânın önyargı, stereotipler ve teknolojinin kolaylaştırdığı toplumsal cinsiyete dayalı şiddet açısından kırmızı takım yöntemiyle test edilmesine yönelik bir yöntem | Cinsiyet (yöntem) | Ele alınmıyor | Kaynak |
| Universitat Oberta de Catalunya | İspanya | "Age does matter: Midjourney's visual representation of older adults and journalistic ethics", Observatorio OBS* (22 Mayıs 2026); daha önce AoIR 2024'te sunulan bir bildiri | Gündelik etkinliklerde "kişi" ve "yaşlı kişi" istemleriyle üretilen 1.456 Midjourney görseli | Yaş x cinsiyet | 2024 bildirisinde "yaşlı kişi" görsellerinin %70'i erkekleri gösteriyordu | Kaynak 1Kaynak 2 |
| L'Aquila Üniversitesi, Beşeri Bilimler Bölümü (GSSI ile birlikte; 2026 makalesi UOC, Roma Sapienza Üniversitesi ve LUMSA Üniversitesi ile) | İtalya | "Designed to exclude? Investigating visual ageism and sexism in text-to-image AI generative models" (CEUR-WS, Ekim 2025); "Double standards of generative AI chatbots", Big Data & Society (3 Şubat 2026) | Üretilen görsellerde ve beş sohbet botuyla yapılan görüşmelerde yaşçı ve cinsiyetçi stereotipler | Yaş x cinsiyet | Yaşlı kadınların marjinalleştirilmesini açıkça anıyor | Kaynak 1Kaynak 2 |
| Melbourne Üniversitesi, Melbourne Law School (N. Sheard) | Avustralya | "Algorithm-facilitated discrimination: a socio-legal study of the use by employers of artificial intelligence hiring systems", Journal of Law and Society (Mayıs 2025) | İK uzmanları, işe alım uzmanları ve geliştiricilerle yapay zekâlı işe alım sistemlerinin, yaş ve cinsiyetin dolaylı göstergeleri dahil, nasıl ayrımcılık riskleri yarattığı üzerine görüşmeler | Yaş ve cinsiyet, ayrı ayrı | Kadınları ve 55 yaş üstü adayları anıyor, yaşlı kadınları bir grup olarak anmıyor | Kaynak |
| Washington Üniversitesi (K. Wilson, A. Caliskan) | ABD | "Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval", AIES (Ekim 2024) | Irk ve cinsiyetle ilişkilendirilen isimler kullanılarak gömme (embedding) modellerinin özgeçmiş erişimine yönelik denetim | Cinsiyet (ırkla birlikte) | Ele alınmıyor | Kaynak |
| Womafreesm, bu haritanın yazarı | ABD (kayıt yeri); beş ülkede çalışma | "Audit 45-64. Pilot P0 Report", sürüm 1.2 (20 Ekim 2026) | Beş ülkede ve beş dilde iki yapay zekâ asistanından 960 yanıt: bir sistemin kimi hayal ettiği, tarif edilen bir kişiyi nasıl değerlendirdiği ve kimi seçtiği; 45 ile 64 yaş arasındaki kadınlar ve 25 ile 39 yaş arasındaki bir kontrol grubu için | Yaş x cinsiyet | 45 ile 64 yaş arasındaki kadınlar etrafında kurgulandı | Kaynak |
Harita ne gösteriyor
- Diğer on bir kaydın üçü yapay zekâ çıktılarını yaş ve cinsiyet açısından birlikte test ediyor: Stanford ve UC Berkeley, Universitat Oberta de Catalunya ve L'Aquila Üniversitesi. Üçü de görsellerle ya da üretilen metinle çalışıyor.
- Bu çalışmalardaki yaş eşikleri "yaşlı kişi", 55+, 60+ veya 65+. Hiçbiri kadınları 45 yaşından itibaren test etmiyor.
- Bu haritadaki işe alım denetimleri cinsiyeti ırkla birlikte değiştiriyor ya da yaşı ve cinsiyeti ayrı ayrı inceliyor. Tsinghua ekibi kendi makalesinde daha yaşlı adaylara ilişkin sonuçların hâlâ cinsiyete göre ayrıştırılması gerektiğini belirtiyor.
- Denetim 45-64, bu haritada 45 ile 64 yaş arasındaki kadınlar etrafında kurgulanan tek kayıt.
İzleme listesi
Bu ekipler değerlendirme döneminde ilgili çalışmalar yayımladı, ancak kontrol tarihinde 2026'ya ait bir faaliyet bulamadık. Böyle bir faaliyet ortaya çıkar çıkmaz haritaya eklenecekler.
- Hong Kong Üniversitesi, Çin Bilimler Akademisi ile birlikte: "Measuring gender and racial biases in large language models: Intersectional evidence from automated resume evaluation", PNAS Nexus (Mart 2025). Cinsiyet ırkla birlikte; yaş yok. Kaynak
- Kuzey Dakota Üniversitesi, Geriatri Bölümü: "Recapitulation of Ageism in Artificial Intelligence-Generated Images", Journal of Medical Internet Research (13 Ağustos 2025). Yaşlı yetişkinlerin görsellerinde erkek figürler kadın figürlerden sayıca fazlaydı. Kaynak
Bir kuruluş önerin
Üç kurala uyan bir kuruluş biliyorsanız, çalışmasının bağlantısını iletişim formu üzerinden bize gönderin. Her öneriyi aynı kurallara göre kontrol ediyoruz.
Veriler ve atıf
Harita, Zenodo üzerinde CC BY 4.0 lisansıyla açık veri seti olarak yayımlanmıştır: her kayıt için bir satır içeren bir CSV dosyası.
Sukhomlinova, M. (2026). Who measures AI bias against women aged 45 and over: an open map, 2026 (edition 1) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.23559251
Değişiklik günlüğü
22 Ekim 2026: ilk baskı.