Sesli dijital asistanların kadın sesi, kadın adı ve itaatkâr yardımcı kişiliğiyle tasarlanması uzun süredir tartışılmaktadır. Ancak iş yerlerinde kullanılan genel amaçlı metin tabanlı yapay zekâ sistemleri çoğu zaman belirgin bir sese, bedene veya cinsiyet kimliğine sahip değildir. James E. Katz’ın çalışması, tasarımcının açık bir cinsiyet işareti sunmadığı bu durumda kullanıcıların yapay zekâya nasıl cinsiyet atadığını araştırmaktadır.

Araştırma, işinde yapay zekâ kullandığını bildiren 2.000 ABD’li ofis çalışanıyla gerçekleştirilen çevrim içi anketin verilerini analiz etmektedir. Yapay zekâyı yalnızca bir araç olarak ele almadığını söyleyen 1.176 katılımcı cinsiyet atama sorusuna yönlendirilmiştir. Bu grubun yaklaşık dörtte üçü sistemi cinsiyetsiz bırakırken dörtte biri yapay zekâya dişil veya eril bir cinsiyet atamıştır. Cinsiyet atayan 297 kişinin 162’si sistemi dişil, 135’i eril olarak tanımlamıştır. Bu dağılım yaklaşık yüzde 55’e karşı yüzde 45’tir ve tüm kullanıcıların otomatik olarak dişil bir yapay zekâ tasavvur ettiği düşüncesini desteklememektedir.

Çalışmanın temel bulgusu iki ayrı sürece işaret etmektedir. Yapay zekâya herhangi bir cinsiyet atanıp atanmaması, kullanıcının sistemi ne ölçüde insan gibi ele aldığıyla ilişkilidir. Ancak dişil mi yoksa eril mi atanacağı esas olarak kullanıcının kendi cinsiyetiyle bağlantılıdır. Cinsiyet atayanlar arasında kadın katılımcıların dişil seçme olasılık oranı erkek katılımcılarınkinden 3,20 kat yüksektir. Araştırmacı bu örüntüyü, kullanıcının yapay zekâya hazır bir “kadın asistan” kalıbı yüklemesinden çok kendi kimliğini yansıtması şeklinde yorumlamaktadır.

Çalışma, yapay zekâ tasarımındaki cinsiyet kalıplarının önemsiz olduğunu ileri sürmemektedir. Bunun yerine yapay zekânın algılanan cinsiyetinin iki kaynaktan birlikte üretilebileceğini savunmaktadır: Tasarımcı tarafından yerleştirilen ses, ad ve kişilik gibi işaretler ile kullanıcı tarafından cinsiyet açısından nötr bir sisteme yansıtılan sosyal kimlik.

Araştırmanın temel problemi

Günlük hayatta kullanılan Siri ve Alexa gibi ticari sesli asistanlar çoğunlukla kadın sesi veya kadınsı bir kişilik taşıyacak biçimde tasarlanmıştır. Bu tasarım tercihi, yardım etme, sabırlı olma, itaat etme ve hizmet sunma rollerinin kadınlarla ilişkilendirilmesini yeniden ürettiği gerekçesiyle eleştirilmektedir.

Bu eleştiriler çoğunlukla cinsiyetin tasarımcı tarafından makineye önceden yerleştirildiği durumları inceler. Kullanıcı, kadın veya erkek sesi gibi açık bir işaretle karşılaşır ve bu işarete tepki verir. Oysa iş yerindeki metin tabanlı genel amaçlı yapay zekâ sistemleri çoğu zaman cinsiyet belirtmeyen bir sohbet kutusu olarak görünür. Kullanıcı böyle bir sisteme “o kadın”, “o erkek”, “kız”, “adam” veya benzeri bir kimlik yüklediğinde cinsiyet doğrudan tasarımdan gelmemekte, kullanıcı tarafından oluşturulmaktadır.

Araştırmanın doldurmaya çalıştığı boşluk tam olarak budur: Açık bir cinsiyet işareti taşımayan iş yeri yapay zekâsına kimler cinsiyet atamaktadır, bu atama hangi yönde yapılmaktadır ve kullanıcının kendi özellikleri bu tercihi nasıl açıklamaktadır?

Dayatılan cinsiyet ile yansıtılan cinsiyet ayrımı

Çalışma, bir makinenin zihnimizde cinsiyet kazanabileceği iki yolu birbirinden ayırmaktadır:

• Dayatılan cinsiyet: Ses, isim, görsel görünüm veya kişilik gibi işaretlerin tasarımcı tarafından sisteme yerleştirilmesidir. Kullanıcı, önceden cinsiyetlendirilmiş bir yapay zekâyla karşılaşır.
• Yansıtılan cinsiyet: Sistemin belirgin bir cinsiyet işareti taşımadığı durumda kullanıcının kendi sosyal ve kültürel çerçevesinden hareketle makineye cinsiyet yüklemesidir.

Araştırmacı bu iki yolu tamamen birbirinden kopuk kategoriler olarak değil, tasarım işaretlerinin gücüne bağlı bir sürekliliğin uçları olarak değerlendirmektedir. Güçlü bir kadın sesi veya kadın adı olduğunda tasarımcının işareti baskın olabilir. İşaret zayıfladığında veya ortadan kalktığında ise kullanıcının kendi kimliğini ve sosyal beklentilerini yansıtması için daha fazla alan oluşabilir.

Benzerlik eğilimi ve öz-yansıtma beklentisi

Çalışmanın alternatif açıklaması benzerlik eğilimine, yani homophily kavramına dayanmaktadır. Bu yaklaşım, insanların kendilerine benzeyen kişilere ve sosyal kimliklere yönelme eğilimini ifade eder. Bir kullanıcı yapay zekâyı yeterince insanlaştırarak onu sosyal bir varlık gibi görmeye başladığında, sisteme kendisine benzeyen bir cinsiyet yükleyebilir.

Bu çerçevede araştırma iki farklı beklentiyi karşılaştırmaktadır:

• Dişil asistan beklentisi: Kullanıcılar kültürel hizmet ve yardım kalıplarını izler; özellikle yapay zekâyı yardımcı veya ast rolünde gördüklerinde sistemi dişil olarak tanımlar.
• Öz-yansıtma beklentisi: Kullanıcılar cinsiyet açısından nötr bir sisteme kendi cinsiyetleriyle aynı yönde kimlik yükleme eğilimi gösterir.

Araştırma soruları

1. Yapay zekâyı yalnızca bir araç olarak görmeyen çalışanların hangileri sisteme cinsiyet atamakta, hangileri sistemi nötr bırakmaktadır?
2. Cinsiyet atayan çalışanların dişil veya eril seçim yapmasını hangi değişkenler açıklamaktadır?
3. Dişil atama, yapay zekânın kişisel asistan veya ast olarak görülmesiyle istikrarlı biçimde bağlantılı mıdır?

Veri kaynağı ve örneklem

Veriler, 16-30 Mart 2026 tarihleri arasında Talker Research tarafından gerçekleştirilen kesitsel çevrim içi bir anketten gelmektedir. Anket bir eğitim teknolojisi şirketi olan TripleTen adına yaptırılmıştır. Katılımcılar, son iki yıl içinde işlerinde yapay zekâ kullanmış, internet erişimi bulunan ABD’li ofis çalışanlarından oluşmaktadır.

Toplam örneklem 2.000 kişidir. Katılımcıların yaşları 18 ile 87 arasında değişmekte; görev düzeyleri alt kademe çalışanlardan kuruculara ve üst yöneticilere kadar uzanmaktadır. Bununla birlikte örneklem olasılıklı örnekleme yöntemiyle seçilmemiştir. Katılımcılar isteğe bağlı çevrim içi panelden gelmektedir ve analizlerde nüfus ağırlığı kullanılmamıştır. Bu nedenle sonuçlar bütün ABD çalışanlarını temsil eden nüfus tahminleri olarak değil, araştırmaya katılan geniş ve demografik açıdan çeşitli yapay zekâ kullanıcılarının örüntüsü olarak okunmalıdır.

Cinsiyet sorusuna yönlendirme koşulu

Katılımcılara önce yapay zekâya nasıl hitap ettikleri sorulmuştur. Yanıt seçenekleri şunlardır:

• “Ona bir araç olarak hitap etmek benim için daha kolay.”
• “Duruma göre ikisi de veya herhangi biri.”
• “Ona başka bir insan gibi hitap etmek benim için daha kolay.”

Yalnızca “araç” seçeneğini işaretlemeyen katılımcılar yapay zekânın cinsiyetiyle ilgili soruya yönlendirilmiştir. Böylece cinsiyet sorusuna uygun alt örneklem 1.176 kişi olarak bildirilmiştir. Bu tasarım kararı son derece önemlidir: Çalışma, yapay zekâyı kesin biçimde yalnızca araç olarak gören çalışanların cinsiyet atayıp atamayacağını ölçmemiştir.

Dolayısıyla araştırmanın “çalışanların dörtte biri yapay zekâya cinsiyet atıyor” biçiminde bütün çalışanlara genellenmesi doğru değildir. Bulgular yalnızca yapay zekâyı en azından bazı durumlarda insan gibi ele alan ve bu nedenle cinsiyet sorusunu gören alt gruba aittir.

Ölçülen değişkenler

Hitap biçimi, kapsamlı ve doğrulanmış bir antropomorfizm ölçeği değildir. Araştırmacı bunu açıkça, kişileştirmenin sınırlı bir vekil göstergesi olarak tanımlamaktadır. Ayrıca aynı soru hem cinsiyet sorusuna uygunluğu belirlemekte hem de regresyonda kişileştirme değişkeni olarak kullanılmaktadır. Bu nedenle katsayılar, kişileştirenlerle hiç kişileştirmeyenleri değil, zaten belirli ölçüde kişileştiren kişiler arasındaki derece farkını göstermektedir.

İstatistiksel analiz

Analizler Python programlama dili içindeki statsmodels paketiyle gerçekleştirilmiştir. İlk aşamada nötr kategori referans alınarak üç kategorili sonuç için çok kategorili lojistik regresyon kurulmuştur. Model, dişil atamayı nötr bırakmayla ve eril atamayı nötr bırakmayla ayrı ayrı karşılaştırmaktadır.

Çalışmada regresyon denklemleri açık biçimde basılmamıştır. Kullanılan yöntemin mantığını açıklamak için model aşağıdaki temel ilişkiyle gösterilebilir:

\[ \log \left(\frac{P(Y_i=k)}{P(Y_i=\text{nötr})}\right) = \beta_{0k} + \beta_{1k}\text{Kadın}_i + \beta_{2k}z(\text{Yaş}_i) + \beta_{3k}\text{İnsanGibi}_i + \beta_{4k}\text{Liderlik}_i \]

Burada \(Y_i\), katılımcının yapay zekâya atadığı kategoridir. \(k\), dişil veya eril kategorisini; \(P\), ilgili sonucun olasılığını; \(\beta\) katsayıları değişkenlerin logaritmik olasılık oranına katkısını; \(z(\text{Yaş})\) ise standartlaştırılmış yaşı göstermektedir. Kadın, insan gibi hitap ve liderlik değişkenleri ikili göstergelerdir.

Katsayıların daha anlaşılır biçimi olasılık oranı, yani odds ratio değeridir:

\[ OR = e^{\beta} \]

\(OR=1\), karşılaştırılan gruplar arasında olasılık oranı farkı bulunmadığını; \(OR>1\), ilgili sonucun olasılık oranının yükseldiğini; \(OR<1\) ise azaldığını gösterir. Olasılık oranı, doğrudan yüzde olasılık değildir. Örneğin \(OR=2{,}41\), sonucun yüzde 141 arttığı anlamına değil, diğer değişkenler sabitken olasılık oranının 2,41 katına çıktığı anlamına gelir.

İkinci aşamada yalnızca cinsiyet atayan 297 kişi incelenmiş ve dişil seçimin eril seçime karşı olasılığını açıklayan ikili lojistik regresyon kurulmuştur:

\[ \log \left(\frac{P(\text{Dişil})}{1-P(\text{Dişil})}\right) = \alpha + \beta_1\text{Kadın} + \beta_2z(\text{Yaş}) + \beta_3\text{İnsanGibi} + \beta_4\text{Liderlik} \]

Bu ikinci model, “Bir kişi yapay zekâya cinsiyet atar mı?” sorusunu “Cinsiyet atıyorsa hangi yönü seçer?” sorusundan ayırmaktadır. Çalışmanın en güçlü yöntemsel katkılarından biri bu iki kararın tek bir süreç gibi değerlendirilmemesidir.

Şekil 1: Kadın ve erkek katılımcıların atama örüntüsü

Şekil 1’de yatay eksen kadın ve erkek katılımcıları, dikey eksen ise her yanıtın katılımcılar içindeki yüzdesini göstermektedir. Dişil atamalar pembe, eril atamalar mavi, nötr yanıtlar gri sütunlarla verilmiştir. Grafikte hata çubuğu bulunmamaktadır; dolayısıyla sütunlar belirsizlik aralıklarını değil, yalnızca örneklem yüzdelerini göstermektedir.

Kadın ve erkek katılımcıların yapay zekâya herhangi bir cinsiyet atama oranı birbirine yakındır ve yaklaşık yüzde 25’tir. Fark, cinsiyet atama eğiliminden çok atamanın yönünde ortaya çıkmaktadır. Kadın katılımcılar dişil seçeneğe, erkek katılımcılar ise eril seçeneğe daha fazla yönelmiştir. Şekilde bu ilişki için \(p<0{,}001\) değeri verilmiştir.

Grafik, bütün kadınların yapay zekâyı kadın veya bütün erkeklerin erkek olarak gördüğünü göstermemektedir. Her iki grupta da yaklaşık yüzde 75’lik çoğunluk sistemi cinsiyetsiz bırakmıştır. Çalışmanın “ayna” benzetmesi yalnızca cinsiyet atayan azınlığın atama yönünü açıklamak için kullanılmaktadır.

Şekilde bir raporlama tutarsızlığı vardır. Grafik başlığında uygun örneklem \(N=1.176\), şekil açıklamasında ise \(N=1.175\) olarak yazılmıştır. Metinde iki katılımcının kadın ve erkek kategorileri dışındaki kimlikler nedeniyle regresyondan çıkarıldığı söylenmesine rağmen 1.176’dan 1.175’e geçiş açıklanmamıştır. Bu nedenle kesin analitik örneklem büyüklüğünün yazar tarafından netleştirilmesi gerekmektedir.

Çok kategorili lojistik regresyon sonuçları

Kişileştirme göstergesi, yapay zekâya cinsiyet atamanın iki yönünde de etkilidir. Sisteme duruma göre hitap edenlere kıyasla ona insan gibi hitap edenlerin dişil atama olasılık oranı 2,41 kat, eril atama olasılık oranı 1,89 kattır. Bu sonuç, kişileştirmenin belirli bir cinsiyeti seçmekten çok, yapay zekâyı cinsiyeti olabilecek sosyal bir varlık olarak görmeyle ilişkili olduğunu düşündürmektedir.

Katılımcının kendi cinsiyeti ise atamanın yönünü ayırmaktadır. Kadın olmak dişil atamanın olasılık oranını yükseltirken eril atamanın olasılık oranını düşürmektedir. Bu iki sonuç için bildirilen \(p=0{,}003\) değeri ve 1’i içermeyen güven aralıkları, örneklem içindeki ilişkinin istatistiksel olarak belirgin olduğunu göstermektedir.

Yaşın iki sonuçla da anlamlı ilişkisi bulunmamıştır. Liderlik düzeyi için eril atamada \(OR=1{,}50\), yüzde 95 güven aralığı [1,00-2,25] ve iki yönlü \(p=0{,}050\) bildirilmiştir. Araştırmacı bu sonucu doğrulanmış bir bulgu olarak sunmamakta, güven aralığının etkisizlik sınırına değmesi nedeniyle ileride sınanması gereken yönlendirici bir işaret olarak değerlendirmektedir. Önceden belirlenen statü yönü için tek yönlü \(p=0{,}025\) verilmiş olsa da sonuç bağımsız ve doğrulayıcı bir çalışmaya ihtiyaç duymaktadır.

Cinsiyet atayanlar arasındaki öz-yansıtma modeli

Cinsiyet atayan 297 kişi içinde 162 dişil ve 135 eril seçim yapılmıştır. Böylece dağılım yaklaşık yüzde 55 dişil ve yüzde 45 eril olmuştur. Bu oran, dişil seçimin az farkla daha yaygın olduğunu göstermekle birlikte güçlü ve tek yönlü bir “kadın asistan” varsayımına karşılık gelmemektedir.

Yalnızca bu 297 kişi üzerinde kurulan ikili lojistik regresyonda, atama yönünün baskın ölçülmüş yordayıcısı katılımcının kendi cinsiyetidir. Kadınların dişil yerine eril seçim yapma karşılaştırmasında dişil seçme olasılık oranı erkeklerin 3,20 katıdır:

\[ OR = 3{,}20,\quad 95\%\,GA=[1{,}92,\ 5{,}31],\quad p<0{,}001 \]

Yaş, hitap biçimi ve liderlik düzeyi bu modelde anlamlı bir atama yönü göstermemiştir. McFadden sözde \(R^2\) değeri 0,07’dir. Bu değer modelin bütün bireysel tercihleri güçlü biçimde açıklamadığını, ancak ölçülen değişkenler arasında katılımcı cinsiyetinin belirgin biçimde öne çıktığını göstermektedir. Sözde \(R^2\), doğrusal regresyondaki klasik açıklanan varyans oranıyla birebir aynı anlamda yorumlanmamalıdır.

Cinsiyet atayanlar yapay zekâya daha mı açık?

Yapay zekâya cinsiyet atayan katılımcıların yüzde 78’i, sistem insan özelliklerini taklit edebilirse onu iş arkadaşı olarak değerlendirebileceğini belirtmiştir. Sistemi cinsiyetsiz bırakanlarda bu oran yüzde 66’dır.

Yapay zekâyı “çok istekli” biçimde benimsediğini söyleyenlerin oranı cinsiyet atayanlarda yüzde 53, nötr bırakanlarda yüzde 49’dur. Bu karşılaştırmalar, cinsiyet atamanın daha geniş bir kişileştirme ve kabul tutumunun parçası olabileceğini düşündürmektedir. Ancak metin bu yüzdeler için ayrı güven aralıkları, düzeltilmiş modeller veya anlamlılık testleri vermediğinden aradaki farklar nedensel veya kesin etkiler olarak yorumlanmamalıdır.

“Kadın yardımcı” hipotezi desteklendi mi?

Çalışma, dişil atamanın yapay zekâyı kişisel asistan veya ast olarak görmeyle bağlantılı olup olmadığını da araştırmıştır. Bu beklentiye göre hizmet rolü güçlendikçe dişil atama düzenli biçimde artmalıydı.

Veriler böyle istikrarlı bir örüntü sunmamıştır. Kişisel asistan maddelerinden biriyle istatistiksel bir ilişki görülmüş olsa da ilgili hücrelerde çok az katılımcı bulunması ve örüntünün düzenli biçimde artmaması nedeniyle araştırmacı sonucu yetersiz kabul etmektedir. Bu analiz, kadın-asistan hipotezini kanıtlamadığı gibi kesin biçimde çürütmemektedir.

Rol düzeyiyle bağlantılı tek dikkat çekici işaret, liderlerin sistemi eril olarak tanımlama yönündeki sınırda eğilimidir. Araştırmacı bunun hizmet rolünden çok statü veya otorite kodlamasına işaret edebileceğini öne sürmektedir; ancak bu yorum doğrulanmış sonuç değil, gelecekte sınanması gereken bir araştırma yönüdür.

Çalışmanın geçmiş, bugün ve gelecek açısından önemi

Geçmiş araştırmalara katkısı

Önceki insan-makine iletişimi çalışmalarının önemli bir bölümü, bilgisayara erkek veya kadın sesi vererek kullanıcıların hazır bir cinsiyet işaretine nasıl tepki gösterdiğini incelemiştir. Bu çalışma ise işaretin tasarımcı tarafından verilmediği, kullanıcının cinsiyeti kendisinin oluşturduğu duruma odaklanmaktadır. Böylece “makinenin cinsiyeti nedir?” sorusunu yalnızca tasarım özelliği değil, kullanıcı ile sistem arasında üretilen bir sosyal anlam olarak ele almaktadır.

Bugünkü iş yeri yapay zekâsına katkısı

Metin tabanlı yapay zekâ sistemleri iş ortamlarında yalnızca yazılım aracı olarak değil, kimi kullanıcılar tarafından ekip arkadaşı, yardımcı veya konuşulan bir sosyal varlık gibi ele alınabilmektedir. Bulgular, bu kullanıcıların yapay zekâya yüklediği kimliğin her zaman sistemin üreticisi tarafından belirlenmediğini göstermektedir.

Bu sonuç, yapay zekâ tasarımını değerlendirirken yalnızca ses, isim ve avatar gibi arayüz özelliklerine bakmanın yetersiz kalabileceğini düşündürmektedir. Kullanıcıların hitap biçimleri, zamir seçimleri ve sisteme yükledikleri sosyal roller de insan-yapay zekâ ilişkisinin incelenmesi gereken parçalarıdır.

Gelecekteki araştırmalara etkisi

Araştırmacı gelecekte şu çalışmaların yapılmasını önermektedir:

• Cinsiyet sorusunun yalnızca kişileştirenlere değil bütün katılımcılara sorulması,
• Kişileştirme ve cinsiyet atamasının tek soruyla değil çok maddeli ve dereceli ölçeklerle ölçülmesi,
• Aynı çalışanların zaman içindeki tercihlerinin izlenmesi,
• Ses, isim ve kişilik gibi cinsiyet işaretlerinin deneysel olarak farklı güçlerde sunulması,
• İş yeri sistemleriyle ev içindeki sesli asistanların doğrudan karşılaştırılması,
• Liderlik ve eril statü kodlaması ihtimalinin önceden belirlenmiş hipotezlerle yeniden sınanması.

Gündelik yaşam ve toplumsal anlam

Çalışmanın gündelik yaşama en yakın sonucu, insanların bir sohbet sistemine seçtikleri hitabın yalnızca dilsel bir alışkanlık olmayabileceğidir. Bir sisteme “o kadın”, “o erkek”, “arkadaş”, “asistan” veya “iş arkadaşı” gibi ifadelerle yaklaşmak, kullanıcının makineyi hangi sosyal kategoriye yerleştirdiğini yansıtabilir.

Bununla birlikte araştırma, yapay zekâya cinsiyet atamanın iş performansını yükselttiğini, güveni artırdığını, ayrımcılığa yol açtığını veya çalışan davranışlarını değiştirdiğini ölçmemiştir. Çalışma yalnızca cinsiyet atama örüntüsünü ve bunun belirli öz-bildirim değişkenleriyle ilişkisini incelemektedir.

Çalışmanın güçlü yönleri

• Toplam 2.000 yapay zekâ kullanan ofis çalışanından oluşan geniş ve görev düzeyi bakımından çeşitli bir veri kaynağı kullanılmıştır.
• Herhangi bir cinsiyet atama kararı ile atamanın yönü iki ayrı regresyon modeliyle incelenmiştir.
• Olasılık oranları, yüzde 95 güven aralıkları ve kesin p değerleri raporlanmıştır.
• Örneklemin olasılıklı olmadığı ve nüfusa genellenemeyeceği açıkça kabul edilmiştir.
• Yapay zekânın cinsiyetini yalnızca tasarımcının tercihi olarak değil, kullanıcı tarafından üretilen bir sosyal anlam olarak ele alan sınanabilir bir kuramsal ayrım geliştirilmiştir.

Temel sınırlılıklar

• Yönlendirilmiş soru: Yapay zekâyı yalnızca araç olarak gören kişiler cinsiyet sorusuna alınmamıştır. Bulgular bütün çalışanlara genellenemez.
• Olasılıksız örneklem: İsteğe bağlı çevrim içi panel kullanılmıştır. Katılımcıların seçilme olasılığı bilinmemektedir.
• Ağırlıksız analiz: Sonuçlar ABD iş gücünün demografik dağılımına göre ağırlıklandırılmamıştır.
• Kesitsel tasarım: Veriler tek zaman aralığında toplanmıştır. Kişileştirmenin cinsiyet atamasına neden olduğu gösterilemez.
• Tek maddeli ölçüm: Cinsiyet atamanın gücü, kararlılığı veya zaman içinde değişimi ölçülmemiştir.
• Sınırlı kişileştirme göstergesi: “İnsan gibi hitap” maddesi tam bir antropomorfizm ölçeği değildir.
• İkili regresyon kodlaması: Kadın ve erkek kategorileri dışındaki katılımcılar temel regresyon karşılaştırmasına dâhil edilmemiştir.
• Küçük alt hücreler: Dişil ve eril gruplar ana karşılaştırmalar için kullanılabilir olsa da ayrıntılı rol etkileşimlerinde katılımcı sayıları yetersiz kalmıştır.
• Öz-bildirim: Katılımcıların gerçek konuşma kayıtları veya kullanım davranışları değil, kendi bildirimleri analiz edilmiştir.
• Örneklem sayısı tutarsızlığı: 1.176 uygun katılımcıdan iki kişinin çıkarıldığı belirtilirken analitik N=1.175 raporlanmıştır.
• Etik bilgi eksikliği: PDF’de etik kurul değerlendirmesi veya katılımcı onam sürecine ilişkin ayrıntı verilmemiştir.

Çalışma ne söylüyor, ne söylemiyor?

Çalışmanın söylediği: Yapay zekâyı yalnızca araç olarak görmeyen bu örneklemde cinsiyet atama azınlık davranışıdır. Cinsiyet atayan kişiler arasında kadınlar daha çok dişil, erkekler daha çok eril yönü seçmektedir. Sisteme insan gibi hitap etmek, herhangi bir cinsiyet atamayla bağlantılıdır.

Çalışmanın söylemediği: Bütün çalışanların yapay zekâya kendi cinsiyetlerini yansıttığı, kadınsı yapay zekâ tasarımının etkisiz olduğu, cinsiyet atamanın iş başarısını değiştirdiği veya kullanıcı kimliğinin cinsiyet tercihine neden olduğu kanıtlanmamıştır. Çalışma ABD nüfusuna ait temsili oranlar, zaman içindeki değişim, klinik sonuç, iş verimliliği sonucu veya nedensel mekanizma sunmamaktadır.

Çalışmanın Yöntemi ve Bulguları

Başlıca sayısal bulgular

• Uygun alt örneklemin yaklaşık yüzde 75’i yapay zekâyı cinsiyetsiz bırakmıştır.
• Yaklaşık yüzde 25’i sisteme dişil veya eril cinsiyet atamıştır.
• Cinsiyet atayanların 162’si dişil, 135’i eril seçim yapmıştır.
• Kadın katılımcılarda dişil atama yüzde 18,3, eril atama yüzde 7,0’dır.
• Erkek katılımcılarda dişil atama yüzde 11,0, eril atama yüzde 14,3’tür.
• İnsan gibi hitap etmek, dişil atama için \(OR=2{,}41\), eril atama için \(OR=1{,}89\) ile ilişkilidir.
• Kadın olmak, dişil atama için \(OR=1{,}70\), eril atama için \(OR=0{,}53\) ile ilişkilidir.
• Cinsiyet atayanlar arasında kadınların dişil seçme olasılık oranı erkeklere göre 3,20 kattır.
• Yaş, atama yapma veya atama yönü için anlamlı bir yordayıcı değildir.
• Liderlik kademesinin eril atamayla ilişkisi sınırdadır: \(OR=1{,}50\), yüzde 95 güven aralığı [1,00-2,25], iki yönlü \(p=0{,}050\).
• Cinsiyet atayanların yüzde 78’i, nötr bırakanların yüzde 66’sı insan özelliklerini taklit eden yapay zekâyı iş arkadaşı sayabileceğini belirtmiştir.
• Yapay zekâyı çok istekli benimsediğini söyleyenlerin oranı cinsiyet atayanlarda yüzde 53, nötr bırakanlarda yüzde 49’dur.

Teknik sonuç

Analiz, “cinsiyet atama” ve “atamanın yönü” için aynı açıklamayı vermemektedir. Kişileştirme göstergesi, yapay zekânın nötr bırakılmayıp sosyal bir cinsiyet kategorisine yerleştirilmesiyle ilişkilidir. Katılımcının kendi cinsiyeti ise dişil ve eril yönler arasındaki tercihi açıklayan temel ölçülmüş değişkendir.

Bu örüntü, cinsiyet açısından nötr iş yeri yapay zekâsının kullanıcıların zihninde otomatik olarak kadınsı bir yardımcıya dönüşmediğini göstermektedir. Ancak sonuç yalnızca cinsiyet sorusuna yönlendirilen, yapay zekâyı en azından bazı durumlarda insan gibi ele alan örneklem için geçerlidir.

Kaynak ve Yöntem Notu

Bibliyografik kimlik

• Özgün başlık:Mirror, Not Maid: Self-Projection in the Gendering of Workplace AI
• Yazar: James E. Katz
• Yazar sıralaması: Tek yazarlı çalışma
• Eş birinci yazar: Bulunmamaktadır
• Sorumlu yazar: James E. Katz
• Sorumlu yazar e-postası: PDF’de gerçek e-posta adresi girilmemiş; alan “[insert preferred correspondence email]” biçiminde bırakılmıştır
• Kurum: Division of Emerging Media Studies, College of Communication, Boston University, ABD
• DOI: PDF içinde yer almamaktadır. Dış bibliyografik kayıtta 10.2139/ssrn.7019921 olarak gösterilmektedir
• Dergi: Hakemli bir dergi bilgisi bulunmamaktadır
• Özgün yayınevi: Hakemli yayıncı veya yayınevi bilgisi bu sürüm için bulunmamaktadır
• Yayın platformu: SSRN
• Yayın yılı: 2026
• SSRN’ye gönderim tarihi: 29 Haziran 2026 olarak listelenmektedir
• Kaynak türü: Kesitsel anket verisinin ikincil analizine dayanan preprint araştırma makalesi
• Hakemlik durumu: Hakem değerlendirmesinden geçmemiştir
• Resmî bağlantı:SSRN çalışma sayfası
• DOI bağlantısı:10.2139/ssrn.7019921

Hakemlik uyarısı: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu sınırlılık dikkate alınarak okunmalıdır. Hakemli bir dergide yayımlanmış farklı bir sürüm doğrulanamamıştır.

Yazar ve araştırma beyanları

• Yazar bilinen bir mali çıkar çatışması veya çalışmayı etkileyebilecek kişisel ilişki bildirmemiştir.
• Araştırma için kamu, ticari veya kâr amacı gütmeyen kuruluşlardan özel bir fon alınmadığı belirtilmiştir.
• Yazar; kavramsallaştırma, yöntem, biçimsel analiz, araştırma, ilk taslak ve gözden geçirme görevlerinin tamamını üstlendiğini beyan etmiştir.
• Makale hazırlığında editoryal biçimlendirme, anonimleştirme kontrolü ve dergi hazırlığı için yapay zekâ destekli bir araç kullanıldığı; içeriğin yazar tarafından gözden geçirildiği ve sorumluluğun yazara ait olduğu açıklanmıştır.
• Kaynakçada çift anonim değerlendirme nedeniyle “Author and coauthor (2002)” biçiminde eksik bırakılmış bir kaynak bulunmaktadır.

Yöntem ve kapsam uyarısı

Bu Verianla makalesi yüklenen PDF’nin metni, Tablo 1’i, Şekil 1’i, yöntem açıklamaları, sonuçları, tartışması ve sınırlılıkları incelenerek hazırlanmıştır. PDF’de bulunmayan ek bir bilimsel bulgu, klinik sonuç, teknolojik başarı veya nedensel iddia eklenmemiştir. Dış kontrol yalnızca yazarın kurumsal kimliği, SSRN kaydı ve DOI gibi bibliyografik bilgiler için kullanılmıştır.

Çalışmanın temel sınırlılıkları; olasılıksız ve ağırlıksız örneklem, kesitsel tasarım, cinsiyet sorusunun yalnızca önceden belirli ölçüde kişileştiren katılımcılara yöneltilmesi, tek maddeli ölçümler, küçük rol alt grupları, ikili cinsiyet kodlaması ve 1.176 ile 1.175 arasında açıklanmayan örneklem tutarsızlığıdır. Bulgular nüfus geneline ait oranlar veya nedensel etkiler olarak yorumlanmamalıdır.