Araştırmacılar, bölünemeyen malların ve görevlerin birden fazla taraf arasında adaletli dağıtımı için yenilikçi bir algoritma geliştirdi. Stanford ve Tel Aviv üniversitelerinden bilim insanları, kategori kısıtlamaları altında çalışan bu sistemin, her katılımcının minimum sayıda öğe yeniden dağıtılarak adaletsizlik duygusundan kurtarılabileceğini matematiksel olarak kanıtladı. İki taraflı dağıtımlar için daha önce geliştirilen polinom zamanlı algoritmaları genişleten bu çalışma, ekonomi teorisinde önemli bir boşluğu dolduruyor. Sistem özellikle sabit sayıda katılımcı bulunduğunda etkili sonuçlar veriyor ve pratik uygulamalarda kullanılabilir hızda çalışıyor.

Yapay zeka destekli otomatik sınav değerlendirme sistemleri, İngilizce öğrenen öğrenciler (ELL) için adaletsiz sonuçlar üretiyor. Araştırmacılar, bu sistemlerin mevcut önyargıları büyüttüğünü ve azınlık gruplarını kayırdığını keşfetti. Sorunun temelinde temsil eksikliği yatıyor: yüksek puan alan ELL öğrenci verisi az olduğu için, sistemler ana dili İngilizce olan öğrencilerin dilsel kalıplarını tercih ediyor. Bu durum, aynı bilgi düzeyine sahip ancak farklı dilsel ifadeler kullanan ELL öğrencilerinin puanlarının düşük çıkmasına neden oluyor. BRIDGE adlı yeni bir yaklaşım, gruplar arası veri artırma tekniği ile bu adaletsizliği gidermeyi hedefliyor.

Araştırmacılar, insan hareketlerini tanıyan yapay zeka sistemlerinin ten rengine dayalı önyargılar içerdiğini ortaya çıkardı. Kritik alanlarda kullanılan bu sistemlerin adil olmayan sonuçlar üretebildiği belirlendi. Çalışmada, aynı hareket yapan farklı ten rengindeki karakterlerin yer aldığı sentetik videolar kullanılarak, sadece görsel kimlik özelliklerinin model tahminlerini nasıl etkilediği test edildi. Sonuçlar, bazı popüler hareket tanıma modellerinin ten rengine göre istatistiksel olarak anlamlı önyargılar sergilediğini gösterdi. Bu keşif, yapay zekanın insan görünümüne dayalı ayrımcılık yapabileceği endişelerini destekliyor ve güvenlik, sağlık gibi hassas alanlarda kullanılan bu teknolojilerin yeniden değerlendirilmesi gerektiğine işaret ediyor.

Hassas veriler üzerinde çalışan yapay zeka sistemlerinde gizliliği korumak için kullanılan diferansiyel mahremiyet yöntemlerinin beklenmedik yan etkileri olduğu ortaya çıktı. MIT ve Stanford araştırmacılarının yaptığı yeni çalışma, gizlilik için eklenen matematiksel gürültünün AI modellerinin farklı grupları eşit şekilde öğrenmesini engellediğini ve siber saldırılara karşı savunmasızlık yarattığını gösteriyor. Bu durum, özellikle sağlık ve finans gibi kritik alanlarda kullanılan AI sistemlerinde hem algoritmik adaletsizlik hem de güvenlik açıkları yaratabilir. Araştırma, gizlilik ve performans arasındaki dengeyi yeniden düşünmemiz gerektiğini ortaya koyuyor.

Yapay zeka sistemleri iş dünyasında giderek daha fazla karar verici rol üstlenirken, adalet sorunu kritik bir yönetişim sorunu haline geldi. Araştırmacılar, mevcut çerçevelerin soyut etik ilkelere odaklandığını ve yapay zeka yaşam döngüsünün tamamında uygulanabilir rehberlik sunmadığını tespit etti. Yeni çalışma, 60 akademik, politika ve uygulayıcı kaynağını analiz ederek yapay zeka adaleti için somut uygulamalar geliştirdi. Araştırma, organizasyonel roller ve yükümlülük dereceleri ile düzenlenmiş kapsamlı bir matris sunarak, soyut prensipleri gerçek hayatta uygulanabilir adımlara dönüştürmeyi hedefliyor.

Araştırmacılar, tıp alanında kullanılan beş büyük yapay zeka modelinin irksal önyargı sergilediğini ortaya koydu. GPT-4.1, DeepSeek V3 gibi modellerin test edildiği çalışmada, yapay hasta vakası oluşturma ve hastalık teşhisi sıralama görevlerinde önemli sapmaların olduğu belirlendi. Tüm modeller, ABD'deki gerçek irksal dağılımlardan farklı sonuçlar üretti ve bu durum klinik ortamlarda ciddi etik sorunlara yol açabileceği endişesini artırdı. Araştırma, AB Yapay Zeka Yasası perspektifinden değerlendirilen bu önyargıların nasıl azaltılabileceği konusunda önemli bulgular sunuyor. Çalışma, yapay zekanın tıp alanındaki artan kullanımı göz önünde bulundurulduğunda kritik bir güvenlik ve adalet meselesi olarak öne çıkıyor.

Suç mahalli inceleme (SMİ) uzmanları, olay yerlerini belgelemek için geleneksel olarak 2D kağıt eskizler kullanıyor. Ancak bu yöntem, mekânsal ilişkileri tam olarak yansıtmakta yetersiz kalıyor. Araştırmacılar, bu soruna çözüm olarak HolmeSketcher adlı yenilikçi bir sistem geliştirdi. Bu sistem, 3D çizim arayüzü ile derin öğrenme teknolojisini birleştirerek, suç mahalli eskizlerini üç boyutlu olarak oluşturabiliyor. 15 katılımcıyla yapılan kullanıcı çalışması, sistemin mekânsal doğruluğu ve sahne yorumlanabilirliğini önemli ölçüde artırdığını gösterdi. Genişletilmiş gerçeklik teknolojisiyle desteklenen bu araç, adli tıp ve kolluk kuvvetleri için yeni bir dönemin başlangıcını işaret ediyor. Sistem, olay yeri analizlerinde daha hassas belgeleme imkânı sunarak, adalet sürecine katkı sağlayabilir.

Google DeepMind'ın geliştirdiği AlphaGeometry, geometri problemlerini çözmedeki başarısına rağmen karmaşık problemlerde verimliliği düşüyor. Araştırmacılar, sistemin sembolik çıkarım motorundaki darboğazı aşmak için mantık-topoloji kodlaması adlı yenilikçi bir yaklaşım geliştirdi. Bu yöntem, veri kümelerinin yapısal özelliklerini daha etkili şekilde temsil ederek, yapay zekanın geometrik problemleri anlama kapasitesini artırıyor. Çalışma, mevcut yaklaşımların yüzeysel kodlamalar kullandığını ve yapısal anlayıştan yoksun olduğunu ortaya koyuyor.

Dijital sistemlerdeki adaletsizlik sorunları genellikle gizli kalır ve tespit edilmesi oldukça zordur. Araştırmacılar, yazılım mimarisi tasarımında adalet kaygılarını ele almak için yenilikçi bir 'Adalet-Öncelikli Tasarım Düşüncesi' yaklaşımı geliştirdi. Bu yöntem, lisansüstü düzeyde bir derste test edildi ve öğrenciler bu yaklaşımın tüm adımlarını uyguladı. Çalışma, yazılım mimarisinde adaleti sağlamanın hem problem hem de çözüm alanlarında nasıl ele alınabileceğine dair önemli içgörüler sunuyor. Sonuçlar, adalet teorisi ve bağlam tanımlamanın bütünsel bir tasarım için kritik önemde olduğunu ortaya koyuyor. Bu yaklaşım, teknoloji sektöründe daha adil dijital sistemler geliştirmek için yol gösterici nitelikte.

Araştırmacılar, modern SAT çözücülerin temel bileşeni olan Bounded Variable Addition (BVA) algoritmasının matematiksel sınırlarını graf teorisi kullanarak analiz ettiler. SAT problemleri, bilgisayar biliminde karmaşıklık teorisinin temelini oluşturan ve birçok gerçek dünya probleminin çözümünde kullanılan mantıksal formüllerin tatmin edilebilirliğini test eden problemlerdir. Çalışma, BVA algoritmasının 2-CNF formüllerini yeniden kodlama yeteneğinin teorik limitlerini belirledi. Özellikle, ideal BVA algoritmasının n değişkenli herhangi bir 2-CNF formülünü belirli sayıda madde ile eşdeğer bir forma dönüştürebileceğini matematiksel olarak kanıtladılar. Bulgular, algoritmik optimizasyon ve önişleme tekniklerinin etkinliği hakkında önemli teorik çerçeve sunuyor.

Araştırmacılar, makine öğrenmesi modellerindeki önyargıları ortadan kaldırmak için yenilikçi bir çözüm geliştirdi. Geleneksel adalet müdahalelerinin aksine, bu yöntem cinsiyet veya ırk gibi hassas kişisel bilgilere doğrudan erişim gerektirmiyor. Bunun yerine, yardımcı özelliklerden bu hassas nitelikleri çıkarıp model eğitimine adalet kısıtlamalarını entegre ediyor. Bu yaklaşım, hem önyargıları azaltıyor hem de tahmin doğruluğunu koruyor. Özellikle gizlilik ve yasal kısıtlamaların hassas verilerin kullanımını sınırladığı durumlarda pratik bir çözüm sunuyor. Araştırmanın ampirik değerlendirmeleri, yöntemin etkinliğini doğruluyor ve algoritmik karar verme süreçlerinde daha eşitlikçi bir yaklaşım için önemli bir adım teşkil ediyor.