Geleneksel tahmine dayalı polislik sistemleri, sadece suç riskine odaklanarak istemeden ırksal eşitsizlikleri artırabiliyor. Johns Hopkins Üniversitesi araştırmacıları, bu sorunu çözmek için FASE adlı yeni bir sistem geliştirdi. Bu sistem, mekansal-zamansal veri analizi ile adalet odaklı kaynak dağılımını birleştiriyor. Baltimore şehrinde yapılan testlerde, 139.982 suç vakasını analiz eden sistem, hem suç tahminlerinde başarılı oluyor hem de adaleti gözetiyor. Araştırma, yapay zekanın toplumsal adaletsizlikleri nasıl azaltabileceğine dair önemli ipuçları sunuyor.

Stanford araştırmacıları, büyük dil modellerinin mizaha yaklaşımında gizli önyargılar tespit etti. Çalışmada, aynı şaka farklı kimlik gruplarından biri tarafından söylendiğinde modellerin tepkilerinin nasıl değiştiği incelendi. Bulgular, ayrıcalıklı gruplardan gelen şakaların %67.5 oranında daha sık reddedildiğini ve %64.7 daha fazla kötü niyetli olarak değerlendirildiğini ortaya koydu. Bu araştırma, yapay zeka sistemlerinin eğitim verilerinden edindiği toplumsal önyargıları nasıl yansıttığını mizah üzerinden analiz eden ilk kapsamlı çalışma olma özelliği taşıyor. Sonuçlar, AI güvenliği ve adil yapay zeka geliştirme alanında önemli bulgular sunuyor.

Araştırmacılar, büyük dil modellerini kullanarak çok aşamalı tedarik zinciri dinamiklerini simüle eden yenilikçi bir deneysel paradigma geliştirdi. DeepSeek ve GPT ajanlarının farklı akıl yürütme seviyelerinde kullanıldığı bu çalışma, bilişsel çeşitliliğin ajan etkileşimleri üzerindeki etkisini inceliyor. Geleneksel davranışsal deneylerin ölçeklenebilirlik sınırlarını aşan bu yaklaşım, yapay zeka ve operasyon yönetimi alanlarında önemli bir ilerleme sunuyor. Sonuçlar, ajanların miyopik ve kişisel çıkar odaklı davranışlar sergilediğini gösteriyor. Bu çalışma, karmaşık karar verme süreçlerinde AI ajanları arasındaki koordinasyonu modellemek için yeni bir yol açıyor ve tedarik zinciri verimsizliklerinin arkasındaki bilişsel önyargıları anlamak için ölçeklenebilir bir yöntem sunuyor.

Sosyal medya platformlarında yanlış bilginin yayılması büyük endişe yaratırken, X'in Topluluk Notları gibi kitle kaynaklı doğruluk kontrolü sistemleri öne çıkıyor. Ancak bu sistemler partizan önyargı ve doğrulama gecikmeleri gibi sorunlarla karşılaşıyor. Yeni bir araştırma, yapay zekanın destekleyici, nötr veya karşıt argümanlar sunarak içerik denetimini nasıl iyileştirebileceğini inceliyor. Sonuçlar, özellikle karşıt görüşlerin sunulduğu geri bildirimlerin not kalitesini en çok artırdığını gösteriyor. Bu bulgular, farklı bakış açılarının ve insan-yapay zeka iş birliğinin kolektif zekanın geliştirilmesindeki önemini vurguluyor.

Avrupa Uzay Ajansı'nın Gaia uydusu sayesinde Samanyolu galaksimizin merkezi çubuk yapısının özellikleri daha net görülebiliyor. Araştırmacılar, önceki gözlemlerdeki sistematik hataları dikkate alarak çubuğun dönüş hızını yeniden hesapladılar. Çalışma, Gaia DR3 verilerindeki gözlemsel önyargıları ve eksiklikleri analiz ederek daha doğru sonuçlara ulaştı. Bulgular, gelecekteki Gaia DR4, DR5 ve GaiaNIR verilerinin galaktik çubuk yapısının anlaşılmasında nasıl devrim yaratacağını gösteriyor. Bu araştırma, galaksimizin iç dinamiklerini anlamamızda önemli bir adım teşkil ediyor.

Araştırmacılar, sosyal bilim simülasyonları için gerçek sosyal medya gönderilerinden yola çıkarak sanal kişilikler oluşturan Synthia adlı yeni bir framework geliştirdi. Sistem, büyük dil modellerinin gücünü Bluesky platformundaki gerçek kullanıcı verileriyle birleştireyor. Synthia, önceki yöntemlere kıyasla insan düşünce dağılımlarına daha yakın sonuçlar üretirken, daha küçük modellerle çalışabiliyor. Çok boyutlu adalet ve önyargı analizi, sistemin demografik çeşitlilik açısından mevcut yaklaşımları geride bıraktığını gösteriyor. Özellikle gerçek sosyal ağ kullanıcıları arasındaki etkileşim yapılarını koruyarak, daha otantik sanal topluluklar oluşturabiliyor. Bu gelişme, hesamalı sosyal bilim alanında daha güvenilir simülasyonlar yapılmasını sağlayacak.

Araştırmacılar, elektronik hasta kayıtlarındaki hem sayısal verileri hem de klinik metinleri birlikte analiz ederek en etkili tedavi politikalarını belirlemeye yarayan yeni bir yapay zeka sistemi geliştirdi. AACE adı verilen bu sistem, hangi hastaların hangi tedavilerden en çok fayda göreceğini tahmin etmeye odaklanıyor. Geleneksel yaklaşımlar sadece tablo halindeki verileri kullanırken, bu yeni yöntem hem strukturlu verileri hem de doktor notları gibi metin içeriklerini değerlendiriyor. Sistem, tedavi kararlarında önyargıları azaltmak ve sağlık kaynaklarının daha verimli kullanılmasını sağlamak amacıyla tasarlandı. Bu gelişme, kişiselleştirilmiş tıp alanında önemli bir adım olarak değerlendiriliyor.

Görsel ve metin analizini birleştiren büyük dil modelleri artık yapay zeka hakem olarak kullanılıyor. Ancak araştırmacılar, bu sistemlerin ciddi önyargı problemleri yaşadığını keşfetti. Modeller, görsel veya metinsel ipuçlarını doğru şekilde birleştirememekte, eksik bilgi durumlarında güvenilmez değerlendirmeler yapabilmekte. Stanford ve diğer üniversitelerden araştırmacılar, bu sorunu sistematik olarak ölçmek için MM-JudgeBias adlı yeni bir test sistemi geliştirdi. Bu sistem, yapay zeka hakemlerinin ne kadar önyargılı olduğunu ölçen iki önemli metrik sunuyor ve 29 farklı kaynaktan toplanan 1800'den fazla örnek içeriyor.

2010 yılında Lionel Levine tarafından ortaya atılan Levine şapka problemi, matematik dünyasının en zorlu işbirlikçi bulmacalarından biri. Bu problemde oyuncular, sonsuz yığınlar halinde dizilmiş şapkalar arasından kendi yığınlarındaki siyah şapkayı bulma yarışındalar. Ancak tuzak şurada: her oyuncu yalnızca takım arkadaşlarının şapkalarını görebiliyor, kendisininkileri değil. Yıllardır bu bulmacada optimal başarı oranı bilinmiyordu. Yeni araştırma, hem geometrik bir çerçeve geliştirerek problemi daha anlaşılır hale getiriyor hem de beş şapkalık bloklar halinde işleyen yeni bir strateji sunuyor. Bu strateji, iki oyuncu için beklenen %35'lik başarı oranına ulaşabiliyor ve üçten fazla blok boyutunun yararsız olduğu yönündeki önyargıyı çürütüyor.

Metin-görsel AI modellerinin toplumsal önyargıları güçlendirmesi, etik kullanımlarında ciddi sorunlar yaratıyor. Araştırmacılar, bu soruna yenilikçi bir çözüm getirdi: Embedding Arithmetic yöntemi. Bu teknik, modelin ağırlıklarını değiştirmeden, sadece çıkarım aşamasında önyargıları azaltıyor. FLUX 1.0-Dev ve Stable Diffusion 3.5-Large modellerinde test edilen yöntem, görsel bağlamı korurken sosyal önyargıları başarıyla elimine ediyor. Sistem, uygulayıcılara adalet-tutarlılık dengesini ayarlama olanağı sunuyor. Araştırmacılar ayrıca geleneksel CLIP skorlarının sınırlarını aşmak için yeni bir değerlendirme metriği olan Kavram Tutarlılık Skoru'nu (CCS) geliştirdi.

Araştırmacılar, günlük uygulamalarda yaygın olarak kullanılan büyük ses-dil modellerinin (LALM) önyargılı davranışlarını inceledi. VIBE adlı yeni değerlendirme sistemi, gerçek insan ses kayıtları kullanarak bu modellerin kişiselleştirilmiş önerilerde nasıl önyargılı sonuçlar ürettiğini ortaya koydu. 11 farklı gelişmiş modelin test edildiği çalışma, özellikle cinsiyet ipuçlarının aksanlardan daha fazla önyargılı davranışa yol açtığını gösterdi. Bu bulgular, yapay zeka sistemlerinin toplumsal kalıp yargıları nasıl yeniden ürettiğine dair önemli ipuçları sunuyor.