Kwa muda mrefu imejadiliwa kwamba wasaidizi wa kidijitali wa sauti hutengenezwa kwa sauti ya kike, jina la kike na hulka ya msaidizi mtiifu. Hata hivyo, mifumo ya jumla ya akili bandia inayotumia maandishi katika maeneo ya kazi mara nyingi haina sauti, mwili au utambulisho wa kijinsia ulio wazi. Utafiti wa James E. Katz unachunguza jinsi watumiaji wanavyoipa AI jinsia katika hali ambayo mbunifu hajatoa ishara ya wazi ya kijinsia.

Utafiti unachambua data za utafiti wa mtandaoni uliofanywa kwa wafanyakazi 2.000 wa ofisini nchini Marekani walioripoti kutumia AI katika kazi zao. Washiriki 1.176 waliosema kwamba hawachukulii AI kama zana tu walielekezwa kwenye swali la kuipa jinsia. Takribani robo tatu ya kundi hili waliiacha mfumo bila jinsia, huku robo moja ikiipa AI jinsia ya kike au ya kiume. Kati ya watu 297 walioipa jinsia, 162 waliieleza kama ya kike na 135 kama ya kiume. Mgawanyo huu ni takribani asilimia 55 dhidi ya asilimia 45 na hauungi mkono wazo kwamba watumiaji wote moja kwa moja huifikiria AI kama ya kike.

Ugunduzi mkuu wa utafiti unaonyesha michakato miwili tofauti. Ikiwa AI inapewa jinsia yoyote au la kunahusiana na kiwango ambacho mtumiaji anaichukulia mfumo kama binadamu. Lakini ikiwa jinsia itakuwa ya kike au ya kiume, hilo linahusiana hasa na jinsia ya mtumiaji mwenyewe. Miongoni mwa wale walioipa jinsia, uwiano wa odds wa wanawake kuchagua jinsia ya kike ni mara 3,20 zaidi kuliko wa wanaume. Mtafiti anafasiri muundo huu zaidi kama mtumiaji kuakisi utambulisho wake mwenyewe kuliko kuwekea AI kiolezo kilicho tayari cha “msaidizi mwanamke”.

Utafiti haudai kwamba mitazamo ya kijinsia katika muundo wa AI haina umuhimu. Badala yake, unapendekeza kwamba jinsia inayotambuliwa ya AI inaweza kuundwa kwa pamoja kutoka vyanzo viwili: ishara kama sauti, jina na hulka zinazowekwa na mbunifu, na utambulisho wa kijamii ambao mtumiaji anauakisi kwenye mfumo usio na alama ya kijinsia.

Tatizo kuu la utafiti

Wasaidizi wa sauti wa kibiashara kama Siri na Alexa wanaotumiwa katika maisha ya kila siku mara nyingi hutengenezwa kwa sauti ya kike au hulka ya kike. Chaguo hili la muundo limekosolewa kwa sababu linaweza kuendeleza kuhusishwa kwa wanawake na majukumu ya kusaidia, kuwa wavumilivu, kutii na kutoa huduma.

Ukosoaji huu kwa kiasi kikubwa huchunguza hali ambazo jinsia imewekwa kwenye mashine mapema na mbunifu. Mtumiaji hukutana na ishara ya wazi kama sauti ya mwanamke au mwanaume na kuitikia ishara hiyo. Lakini mifumo ya jumla ya AI inayotumia maandishi mahali pa kazi mara nyingi huonekana kama kisanduku cha mazungumzo kisichoonyesha jinsia. Mtumiaji anapoupa mfumo kama huo utambulisho kama “yeye ni mwanamke”, “yeye ni mwanaume”, “msichana”, “mwanamume” au unaofanana, jinsia haitoki moja kwa moja kwenye muundo bali huundwa na mtumiaji.

Pengo ambalo utafiti unajaribu kujaza ni hili hasa: Ni nani anayepatia AI ya mahali pa kazi isiyo na ishara ya wazi ya kijinsia jinsia, utoaji huo huelekezwa upande gani, na sifa za mtumiaji mwenyewe zinaelezaje uchaguzi huo?

Tofauti kati ya jinsia iliyowekwa na jinsia iliyoakisiwa

Utafiti unatenganisha njia mbili ambazo mashine inaweza kupata jinsia katika akili zetu:

• Jinsia iliyowekwa: Ishara kama sauti, jina, mwonekano wa kuona au hulka huwekwa kwenye mfumo na mbunifu. Mtumiaji hukutana na AI ambayo tayari imepewa jinsia.
• Jinsia iliyoakisiwa: Mfumo unapokuwa hauna ishara ya wazi ya kijinsia, mtumiaji huipa mashine jinsia kwa kutegemea mfumo wake wa kijamii na kitamaduni.

Mtafiti hazichukulii njia hizi mbili kama makundi yaliyotenganishwa kabisa, bali kama ncha za mwendelezo unaotegemea nguvu ya ishara za muundo. Kunapokuwa na sauti ya kike yenye nguvu au jina la kike, ishara ya mbunifu inaweza kutawala. Ishara inapodhoofika au kutoweka, nafasi zaidi inaweza kujitokeza kwa mtumiaji kuakisi utambulisho wake mwenyewe na matarajio ya kijamii.

Mwelekeo wa kufanana na matarajio ya kujitafakari

Maelezo mbadala ya utafiti yanategemea mwelekeo wa kufanana, yaani dhana ya homophily. Mtazamo huu unaeleza mwelekeo wa watu kuvutiwa na watu na utambulisho wa kijamii unaofanana nao. Mtumiaji anapoifanya AI kuwa ya kibinadamu kiasi cha kuiona kama kiumbe cha kijamii, anaweza kuipa jinsia inayofanana na yake mwenyewe.

Katika mfumo huu, utafiti unalinganisha matarajio mawili tofauti:

• Matarajio ya msaidizi wa kike: Watumiaji hufuata mifumo ya kitamaduni ya huduma na msaada; hasa wanapoiona AI katika nafasi ya msaidizi au mtu wa chini, huitambulisha kama ya kike.
• Matarajio ya kujitafakari: Watumiaji huwa na mwelekeo wa kuipa mfumo usio na jinsia utambulisho unaoelekea upande uleule na jinsia yao wenyewe.

Maswali ya utafiti

1. Ni wafanyakazi gani wasiokiona AI kama zana tu wanaoipa mfumo jinsia, na ni wapi wanaouacha mfumo bila jinsia?
2. Ni vigezo gani vinaeleza kwa nini wafanyakazi wanaoipa AI jinsia huchagua jinsia ya kike au ya kiume?
3. Je, utoaji wa jinsia ya kike unahusiana kwa uthabiti na kuiona AI kama msaidizi binafsi au mtu wa chini?

Chanzo cha data na sampuli

Data zinatokana na utafiti wa mtandaoni wa wakati mmoja uliofanywa na Talker Research kati ya 16-30 Machi 2026. Utafiti huo uliagizwa kwa niaba ya TripleTen, kampuni ya teknolojia ya elimu. Washiriki walikuwa wafanyakazi wa ofisini nchini Marekani wenye ufikiaji wa intaneti ambao walikuwa wametumia AI katika kazi zao ndani ya miaka miwili iliyopita.

Sampuli ya jumla ni watu 2.000. Umri wa washiriki ni kati ya 18 na 87; viwango vya kazi vinaanzia wafanyakazi wa ngazi ya chini hadi waanzilishi na watendaji wakuu. Hata hivyo, sampuli haikuchaguliwa kwa mbinu ya sampuli ya uwezekano. Washiriki walitoka kwenye paneli ya mtandaoni ya hiari na uzani wa idadi ya watu haukutumiwa katika uchambuzi. Kwa hiyo, matokeo yanapaswa kusomwa si kama makadirio ya idadi ya watu yanayowakilisha wafanyakazi wote wa Marekani, bali kama muundo wa kundi kubwa na lenye utofauti wa kidemografia la watumiaji wa AI walioshiriki katika utafiti.

Sharti la kuelekezwa kwenye swali la jinsia

Washiriki waliulizwa kwanza jinsi wanavyoitaja AI. Chaguo za majibu zilikuwa:

• “Ni rahisi kwangu kuitaja kama zana.”
• “Vyote viwili au mojawapo, kulingana na hali.”
• “Ni rahisi kwangu kuitaja kama binadamu mwingine.”

Ni washiriki tu ambao hawakuchagua chaguo la “zana” walioelekezwa kwenye swali kuhusu jinsia ya AI. Kwa hiyo, sampuli ndogo inayofaa kwa swali la jinsia iliripotiwa kuwa watu 1.176. Uamuzi huu wa muundo ni muhimu sana: Utafiti haukupima ikiwa wafanyakazi wanaoiona AI kwa hakika kama zana tu wangekuwa wameipa jinsia au la.

Kwa hiyo, si sahihi kujumlisha matokeo kama “robo ya wafanyakazi huipa AI jinsia” kwa wafanyakazi wote. Matokeo yanahusu tu kundi dogo linaloichukulia AI kama binadamu angalau katika baadhi ya hali na kwa hiyo liliona swali la jinsia.

Vigezo vilivyopimwa

Namna ya kuitaja si kipimo kamili na kilichothibitishwa cha anthropomorphism. Mtafiti anaieleza wazi kuwa kiashiria finyu cha uwakilishi wa kuifanya AI kuwa ya kibinadamu. Aidha, swali hilohilo linatumika kuamua kustahili swali la jinsia na pia kama kigezo cha kuifanya AI kuwa ya kibinadamu katika regresi. Kwa hiyo, migawo haionyeshi tofauti kati ya wanaoifanya AI kuwa ya kibinadamu na wale wasioweza kabisa, bali tofauti ya kiwango kati ya watu ambao tayari wanaifanya kuwa ya kibinadamu kwa kiasi fulani.

Uchambuzi wa kitakwimu

Uchambuzi ulifanywa kwa kifurushi cha statsmodels ndani ya lugha ya programu ya Python. Katika hatua ya kwanza, regresi ya lojistiki ya makundi mengi iliundwa kwa matokeo ya makundi matatu, huku kundi la neutral likitumika kama rejea. Modeli inalinganisha utoaji wa jinsia ya kike dhidi ya kuacha neutral na utoaji wa jinsia ya kiume dhidi ya kuacha neutral, kila mmoja kando.

Utafiti haujachapisha wazi milinganyo ya regresi. Ili kueleza mantiki ya mbinu iliyotumiwa, modeli inaweza kuonyeshwa kwa uhusiano msingi ufuatao:

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

Hapa \(Y_i\) ni kundi ambalo mshiriki ameipa AI. \(k\) inaonyesha kundi la kike au la kiume; \(P\) ni uwezekano wa matokeo husika; migawo ya \(\beta\) inaonyesha mchango wa vigezo kwenye logaritimu ya odds; na \(z(\text{Yaş})\) inaonyesha umri uliosanifishwa. Vigezo vya mwanamke, kuitaja kama binadamu na uongozi ni viashiria vya jozi.

Namna rahisi zaidi ya kuelewa migawo ni thamani ya uwiano wa odds, yaani odds ratio:

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

\(OR=1\) inaonyesha kwamba hakuna tofauti ya odds kati ya makundi yanayolinganishwa; \(OR>1\) inaonyesha odds za matokeo husika zimeongezeka; na \(OR<1\) inaonyesha zimepungua. Odds ratio si uwezekano wa asilimia moja kwa moja. Kwa mfano, \(OR=2{,}41\) haimaanishi kwamba matokeo yameongezeka kwa asilimia 141, bali kwamba odds zimekuwa mara 2,41 wakati vigezo vingine vimeshikiliwa bila kubadilika.

Katika hatua ya pili, watu 297 pekee walioipa AI jinsia walichunguzwa na regresi ya lojistiki ya jozi iliundwa kueleza uwezekano wa kuchagua jinsia ya kike dhidi ya ya kiume:

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

Modeli hii ya pili inatenganisha swali “Je, mtu huipa AI jinsia?” na swali “Ikiwa anaipa jinsia, anachagua upande gani?” Mojawapo ya michango mikubwa zaidi ya kimbinu ya utafiti ni kutokuchukulia maamuzi haya mawili kama mchakato mmoja.

Kielelezo 1: Muundo wa utoaji jinsia wa washiriki wanawake na wanaume

Katika Kielelezo 1, mhimili mlalo unaonyesha washiriki wanawake na wanaume, na mhimili wima unaonyesha asilimia ya kila jibu miongoni mwa washiriki. Utoaji wa jinsia ya kike umeonyeshwa kwa nguzo za waridi, wa kiume kwa bluu na majibu neutral kwa kijivu. Hakuna mistari ya makosa kwenye grafu; kwa hiyo nguzo zinaonyesha asilimia za sampuli tu, si vipindi vya kutokuwa na uhakika.

Viwango vya wanawake na wanaume vya kuipa AI jinsia yoyote vinakaribiana na ni takribani asilimia 25. Tofauti inaonekana zaidi katika mwelekeo wa utoaji jinsia kuliko katika mwelekeo wa kutoa jinsia kwa ujumla. Washiriki wanawake walielekea zaidi kuchagua jinsia ya kike, huku wanaume wakielekea zaidi jinsia ya kiume. Kielelezo kinatoa thamani \(p<0{,}001\) kwa uhusiano huu.

Grafu haionyeshi kwamba wanawake wote huiona AI kama mwanamke au wanaume wote kama mwanaume. Katika makundi yote mawili, wengi takribani asilimia 75 waliiacha mfumo bila jinsia. Mfano wa “kioo” katika utafiti unatumiwa tu kueleza mwelekeo wa utoaji jinsia wa wale wachache wanaoipa jinsia.

Kuna kutokulingana kwa kuripoti katika kielelezo. Katika kichwa cha grafu, sampuli inayofaa imeandikwa \(N=1.176\), huku maelezo ya kielelezo yakiandika \(N=1.175\). Ingawa maandishi yanasema kwamba washiriki wawili waliondolewa kwenye regresi kwa sababu ya utambulisho nje ya makundi ya mwanamke na mwanaume, mabadiliko kutoka 1.176 hadi 1.175 hayajaelezwa. Kwa hiyo, ukubwa sahihi wa sampuli ya uchambuzi unahitaji kufafanuliwa na mwandishi.

Matokeo ya regresi ya lojistiki ya makundi mengi

Kiashiria cha kuifanya AI kuwa ya kibinadamu kina athari katika pande zote mbili za kuipa jinsia. Ikilinganishwa na wale wanaoitaja mfumo kulingana na hali, odds za utoaji wa jinsia ya kike ni mara 2,41 na za utoaji wa jinsia ya kiume ni mara 1,89 kwa wale wanaoitaja kama binadamu. Matokeo haya yanaashiria kwamba kuifanya AI kuwa ya kibinadamu kunahusiana zaidi na kuiona kama kiumbe cha kijamii kinachoweza kuwa na jinsia kuliko kuchagua jinsia fulani.

Jinsia ya mshiriki mwenyewe ndiyo inayotenganisha mwelekeo wa utoaji. Kuwa mwanamke huongeza odds za utoaji wa jinsia ya kike na hupunguza odds za utoaji wa jinsia ya kiume. Thamani iliyoripotiwa ya \(p=0{,}003\) na vipindi vya kujiamini visivyojumuisha 1 kwa matokeo haya mawili vinaonyesha kwamba uhusiano ndani ya sampuli ni dhahiri kitakwimu.

Umri haukuwa na uhusiano wenye maana na matokeo yoyote mawili. Kwa utoaji wa jinsia ya kiume katika ngazi ya uongozi, \(OR=1{,}50\), muda wa kujiamini wa asilimia 95 [1,00-2,25] na \(p=0{,}050\) ya pande mbili ziliripotiwa. Mtafiti hawasilishi hili kama ugunduzi uliothibitishwa, bali kama ishara elekezi inayopaswa kujaribiwa baadaye kwa sababu muda wa kujiamini unagusa mpaka wa kutokuwa na athari. Ingawa \(p=0{,}025\) ya upande mmoja ilitolewa kwa mwelekeo wa hadhi uliobainishwa mapema, matokeo yanahitaji utafiti huru wa kuthibitisha.

Modeli ya kujitafakari miongoni mwa wanaoipa jinsia

Kati ya watu 297 walioipa AI jinsia, 162 walichagua ya kike na 135 ya kiume. Hivyo mgawanyo ulikuwa takribani asilimia 55 ya kike na asilimia 45 ya kiume. Uwiano huu unaonyesha kuwa uchaguzi wa kike ulikuwa wa kawaida kidogo zaidi, lakini haulingani na dhana yenye nguvu na ya upande mmoja ya “msaidizi mwanamke”.

Katika regresi ya lojistiki ya jozi iliyojengwa kwa watu hawa 297 pekee, kitabiri kilichopimwa kinachotawala mwelekeo wa utoaji ni jinsia ya mshiriki mwenyewe. Katika ulinganisho wa uchaguzi wa kike dhidi ya wa kiume, odds za wanawake kuchagua kike ni mara 3,20 kuliko za wanaume:

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

Umri, namna ya kuitaja na ngazi ya uongozi hazikuonyesha mwelekeo wa utoaji wenye maana katika modeli hii. Thamani ya pseudo-\(R^2\) ya McFadden ni 0,07. Thamani hii inaonyesha kwamba modeli haielezi kwa nguvu mapendeleo yote ya mtu binafsi, lakini miongoni mwa vigezo vilivyopimwa jinsia ya mshiriki inajitokeza wazi. Pseudo-\(R^2\) haipaswi kutafsiriwa kuwa sawa kabisa na uwiano wa kawaida wa variance iliyoelezwa katika regresi ya mstari.

Je, wanaoipa AI jinsia wako wazi zaidi kwa AI?

Asilimia 78 ya washiriki walioipa AI jinsia walisema kwamba ikiwa mfumo unaweza kuiga sifa za binadamu, wangeweza kuuchukulia kama mfanyakazi mwenzao. Miongoni mwa walioiacha mfumo bila jinsia, kiwango hiki ni asilimia 66.

Asilimia ya wale waliosema wanaikubali AI “kwa utayari mkubwa” ni asilimia 53 miongoni mwa wanaoipa jinsia na asilimia 49 miongoni mwa wanaoiacha neutral. Ulinganisho huu unaashiria kwamba kuipa jinsia kunaweza kuwa sehemu ya mtazamo mpana zaidi wa kuifanya AI kuwa ya kibinadamu na kuikubali. Hata hivyo, kwa kuwa maandishi hayatoi vipindi tofauti vya kujiamini, modeli zilizorekebishwa au majaribio ya umuhimu kwa asilimia hizi, tofauti hazipaswi kutafsiriwa kama athari za kisababishi au za uhakika.

Je, hipotesi ya “msaidizi mwanamke” iliungwa mkono?

Utafiti pia ulichunguza ikiwa utoaji wa jinsia ya kike unahusiana na kuiona AI kama msaidizi binafsi au mtu wa chini. Kulingana na matarajio haya, kadiri jukumu la huduma linavyoimarika, utoaji wa jinsia ya kike ungepaswa kuongezeka kwa utaratibu.

Data hazikuonyesha muundo thabiti wa aina hiyo. Ingawa uhusiano wa kitakwimu ulionekana na mojawapo ya vipengele vya msaidizi binafsi, mtafiti aliona matokeo hayatoshi kwa sababu kulikuwa na washiriki wachache sana katika seli husika na muundo haukuongezeka kwa utaratibu. Uchambuzi huu hauithibitishi hipotesi ya msaidizi mwanamke, lakini pia hauikanushi kwa uhakika.

Ishara pekee inayovutia inayohusiana na ngazi ya jukumu ni mwelekeo wa mpakani wa viongozi kuutambulisha mfumo kama wa kiume. Mtafiti anapendekeza kwamba huenda hii inaashiria usimbaji wa hadhi au mamlaka zaidi kuliko jukumu la huduma; hata hivyo, tafsiri hii si matokeo yaliyothibitishwa bali ni mwelekeo wa utafiti unaopaswa kujaribiwa baadaye.

Umuhimu wa utafiti kwa zamani, sasa na siku zijazo

Mchango kwa tafiti zilizopita

Sehemu kubwa ya tafiti za awali za mawasiliano kati ya binadamu na mashine ilichunguza jinsi watumiaji wanavyoitikia ishara ya kijinsia iliyo tayari kwa kuipa kompyuta sauti ya kiume au ya kike. Utafiti huu unalenga hali ambayo ishara haijatolewa na mbunifu na mtumiaji huunda jinsia mwenyewe. Hivyo, swali “jinsia ya mashine ni ipi?” linachukuliwa si tu kama kipengele cha muundo, bali kama maana ya kijamii inayozalishwa kati ya mtumiaji na mfumo.

Mchango kwa AI ya sasa ya mahali pa kazi

Mifumo ya AI inayotumia maandishi inaweza kuchukuliwa katika mazingira ya kazi si tu kama zana ya programu, bali na baadhi ya watumiaji kama mwenzako wa timu, msaidizi au kiumbe cha kijamii unachozungumza nacho. Matokeo yanaonyesha kwamba utambulisho ambao watumiaji hawa wanaipa AI hauamuliwi kila mara na mtengenezaji wa mfumo.

Matokeo haya yanaashiria kwamba kutazama tu vipengele vya kiolesura kama sauti, jina na avatar kunaweza kutotosha wakati wa kutathmini muundo wa AI. Namna watumiaji wanavyoitaja, uchaguzi wao wa viwakilishi na majukumu ya kijamii wanayoipa mfumo pia ni sehemu za uhusiano wa binadamu na AI zinazopaswa kuchunguzwa.

Athari kwa tafiti za baadaye

Mtafiti anapendekeza tafiti zifuatazo zifanywe baadaye:

• Swali la jinsia liulizwe washiriki wote, si wale wanaoifanya AI kuwa ya kibinadamu pekee,
• Kuifanya AI kuwa ya kibinadamu na kuipa jinsia vipimwe kwa vipimo vyenye vipengele vingi na madaraja, si kwa swali moja,
• Mapendeleo ya wafanyakazi wale wale yafuatiliwe kwa muda,
• Ishara za kijinsia kama sauti, jina na hulka zitolewe kwa nguvu tofauti kwa njia ya majaribio,
• Mifumo ya mahali pa kazi ilinganishwe moja kwa moja na wasaidizi wa sauti wa nyumbani,
• Uwezekano wa usimbaji wa uongozi na hadhi ya kiume ujaribiwe tena kwa hipotesi zilizobainishwa mapema.

Maisha ya kila siku na maana ya kijamii

Matokeo ya utafiti yaliyo karibu zaidi na maisha ya kila siku ni kwamba namna ambayo watu huchagua kuitaja mifumo ya mazungumzo huenda si mazoea ya lugha tu. Kuutaja mfumo kwa maneno kama “yeye ni mwanamke”, “yeye ni mwanaume”, “rafiki”, “msaidizi” au “mfanyakazi mwenzako” kunaweza kuakisi kundi la kijamii ambamo mtumiaji anaiweka mashine.

Hata hivyo, utafiti haukupima ikiwa kuipa AI jinsia huongeza utendaji wa kazi, huongeza uaminifu, husababisha ubaguzi au hubadilisha tabia ya wafanyakazi. Utafiti unachunguza tu muundo wa utoaji jinsia na uhusiano wake na baadhi ya vigezo vya taarifa binafsi.

Nguvu za utafiti

• Chanzo kikubwa na chenye utofauti wa viwango vya kazi kilichojumuisha jumla ya wafanyakazi 2.000 wa ofisini wanaotumia AI kilitumika.
• Uamuzi wa kuipa jinsia yoyote na mwelekeo wa utoaji huo vilichunguzwa kwa modeli mbili tofauti za regresi.
• Uwiano wa odds, vipindi vya kujiamini vya asilimia 95 na thamani sahihi za p ziliripotiwa.
• Imeelezwa wazi kwamba sampuli si ya uwezekano na haiwezi kujumlishwa kwa idadi ya watu.
• Tofauti ya kinadharia inayoweza kujaribiwa ilitengenezwa ambayo haichukulii jinsia ya AI kama uchaguzi wa mbunifu pekee, bali pia kama maana ya kijamii inayozalishwa na mtumiaji.

Mapungufu makuu

• Swali lililoelekezwa: Watu wanaoiona AI kama zana tu hawakupewa swali la jinsia. Matokeo hayawezi kujumlishwa kwa wafanyakazi wote.
• Sampuli isiyo ya uwezekano: Paneli ya mtandaoni ya hiari ilitumika. Uwezekano wa washiriki kuchaguliwa haujulikani.
• Uchambuzi usio na uzani: Matokeo hayakuwekewa uzani kulingana na usambazaji wa kidemografia wa nguvu kazi ya Marekani.
• Muundo wa wakati mmoja: Data zilikusanywa katika kipindi kimoja cha wakati. Haiwezi kuonyeshwa kwamba kuifanya AI kuwa ya kibinadamu husababisha kuipa jinsia.
• Kipimo cha kipengele kimoja: Nguvu, uthabiti au mabadiliko ya utoaji jinsia kwa muda hayakupimwa.
• Kiashiria finyu cha kuifanya AI kuwa ya kibinadamu: Kipengele cha “kuitaja kama binadamu” si kipimo kamili cha anthropomorphism.
• Usimbaji wa regresi wa jozi: Washiriki nje ya makundi ya mwanamke na mwanaume hawakujumuishwa katika ulinganisho mkuu wa regresi.
• Seli ndogo za makundi madogo: Ingawa makundi ya kike na kiume yalitosha kwa ulinganisho mkuu, idadi ya washiriki ilikuwa ndogo mno kwa mwingiliano wa kina wa majukumu.
• Taarifa binafsi: Kilichochambuliwa ni taarifa za washiriki wenyewe, si rekodi halisi za mazungumzo au tabia ya matumizi.
• Kutokulingana kwa ukubwa wa sampuli: Ingawa inasemwa kwamba watu wawili waliondolewa kutoka kwa washiriki 1.176 wanaofaa, N=1.175 ya uchambuzi imeripotiwa.
• Ukosefu wa taarifa za maadili: PDF haitoi maelezo ya tathmini ya bodi ya maadili au mchakato wa ridhaa ya washiriki.

Utafiti unasema nini, na hausimi nini?

Utafiti unasema: Katika sampuli hii ya watu wasiokiona AI kama zana tu, kuipa jinsia ni tabia ya wachache. Miongoni mwa wanaoipa jinsia, wanawake huchagua zaidi upande wa kike na wanaume zaidi upande wa kiume. Kuitaja mfumo kama binadamu kunahusiana na kuipa jinsia yoyote.

Utafiti hausimi: Haijathibitishwa kwamba wafanyakazi wote huakisi jinsia yao kwenye AI, kwamba muundo wa AI wa kike hauna athari, kwamba kuipa jinsia hubadilisha mafanikio ya kazi, au kwamba utambulisho wa mtumiaji husababisha uchaguzi wa jinsia. Utafiti hautoi viwango vinavyowakilisha idadi ya watu wa Marekani, mabadiliko kwa muda, matokeo ya kliniki, matokeo ya tija ya kazi au utaratibu wa kisababishi.

Mbinu na Matokeo ya Utafiti

Matokeo makuu ya nambari

• Takribani asilimia 75 ya sampuli ndogo inayofaa iliiacha AI bila jinsia.
• Takribani asilimia 25 iliipa mfumo jinsia ya kike au ya kiume.
• Kati ya walioipa jinsia, 162 walichagua ya kike na 135 ya kiume.
• Kwa washiriki wanawake, utoaji wa jinsia ya kike ni asilimia 18,3 na ya kiume asilimia 7,0.
• Kwa washiriki wanaume, utoaji wa jinsia ya kike ni asilimia 11,0 na ya kiume asilimia 14,3.
• Kuitaja kama binadamu kunahusiana na \(OR=2{,}41\) kwa utoaji wa jinsia ya kike na \(OR=1{,}89\) kwa utoaji wa jinsia ya kiume.
• Kuwa mwanamke kunahusiana na \(OR=1{,}70\) kwa utoaji wa jinsia ya kike na \(OR=0{,}53\) kwa utoaji wa jinsia ya kiume.
• Miongoni mwa wanaoipa jinsia, odds za wanawake kuchagua ya kike ni mara 3,20 kuliko wanaume.
• Umri si kitabiri chenye maana cha kutoa jinsia au mwelekeo wa utoaji.
• Uhusiano wa ngazi ya uongozi na utoaji wa jinsia ya kiume uko mpakani: \(OR=1{,}50\), muda wa kujiamini wa asilimia 95 [1,00-2,25], \(p=0{,}050\) ya pande mbili.
• Asilimia 78 ya wanaoipa jinsia na asilimia 66 ya wanaoiacha neutral walisema wanaweza kuichukulia AI inayoiga sifa za binadamu kama mfanyakazi mwenzao.
• Asilimia ya wanaosema wanaikubali AI kwa utayari mkubwa ni asilimia 53 miongoni mwa wanaoipa jinsia na asilimia 49 miongoni mwa wanaoiacha neutral.

Hitimisho la kiufundi

Uchambuzi hautoi maelezo sawa kwa “kuipa jinsia” na “mwelekeo wa utoaji”. Kiashiria cha kuifanya AI kuwa ya kibinadamu kinahusiana na AI kutokuachwa neutral bali kuwekwa katika kundi la kijamii la kijinsia. Jinsia ya mshiriki mwenyewe ndiyo kigezo kikuu kilichopimwa kinachoeleza uchaguzi kati ya upande wa kike na wa kiume.

Muundo huu unaonyesha kwamba AI ya mahali pa kazi isiyo na jinsia haigeuki moja kwa moja kuwa msaidizi wa kike katika akili za watumiaji. Hata hivyo, matokeo yanatumika tu kwa sampuli iliyoelekezwa kwenye swali la jinsia na inayochukulia AI kama binadamu angalau katika baadhi ya hali.

Maelezo ya Chanzo na Mbinu

Utambulisho wa bibliografia

• Jina asili:Mirror, Not Maid: Self-Projection in the Gendering of Workplace AI
• Mwandishi: James E. Katz
• Mpangilio wa mwandishi: Utafiti wa mwandishi mmoja
• Mwandishi mwenza wa kwanza: Hakuna
• Mwandishi wa mawasiliano: James E. Katz
• Barua pepe ya mwandishi wa mawasiliano: Anwani halisi ya barua pepe haijaingizwa katika PDF; sehemu imeachwa kama “[insert preferred correspondence email]”
• Taasisi: Division of Emerging Media Studies, College of Communication, Boston University, Marekani
• DOI: Haipo ndani ya PDF. Katika rekodi ya bibliografia ya nje imeonyeshwa kama 10.2139/ssrn.7019921
• Jarida: Hakuna taarifa ya jarida lenye mapitio ya kitaalamu
• Mchapishaji asili: Hakuna taarifa ya mchapishaji au shirika la uchapishaji lenye mapitio ya kitaalamu kwa toleo hili
• Jukwaa la uchapishaji: SSRN
• Mwaka wa uchapishaji: 2026
• Tarehe ya kuwasilishwa SSRN: Imeorodheshwa kama 29 Juni 2026
• Aina ya chanzo: Makala ya utafiti ya preprint inayotegemea uchambuzi wa pili wa data ya utafiti wa wakati mmoja
• Hali ya mapitio ya kitaalamu: Haijapitia mapitio ya kitaalamu
• Kiungo rasmi:Ukurasa wa utafiti wa SSRN
• Kiungo cha DOI:10.2139/ssrn.7019921

Onyo la mapitio ya kitaalamu: Utafiti huu ni preprint ambayo haijapitia mapitio ya kitaalamu; matokeo yake yanapaswa kusomwa kwa kuzingatia kizuizi hiki. Toleo tofauti lililochapishwa katika jarida lenye mapitio ya kitaalamu halijathibitishwa.

Matamko ya mwandishi na utafiti

• Mwandishi hakuripoti mgongano wa maslahi ya kifedha unaojulikana au uhusiano binafsi unaoweza kuathiri utafiti.
• Imeelezwa kwamba hakuna ufadhili maalum uliopokelewa kutoka mashirika ya umma, ya kibiashara au yasiyo ya faida kwa ajili ya utafiti.
• Mwandishi ametangaza kwamba alitekeleza majukumu yote ya uundaji wa dhana, mbinu, uchambuzi rasmi, utafiti, rasimu ya kwanza na mapitio.
• Imeelezwa kwamba katika maandalizi ya makala, zana inayosaidiwa na AI ilitumika kwa uumbizaji wa uhariri, ukaguzi wa kutambulisha majina na maandalizi ya jarida; maudhui yalipitiwa na mwandishi na wajibu ni wa mwandishi.
• Katika orodha ya marejeo kuna chanzo kimoja kilichoachwa bila kukamilika kama “Author and coauthor (2002)” kwa sababu ya mapitio ya upofu mara mbili.

Onyo kuhusu mbinu na wigo

Makala hii ya Verianla iliandaliwa kwa kuchunguza maandishi ya PDF iliyopakiwa, Jedwali 1, Kielelezo 1, maelezo ya mbinu, matokeo, mjadala na mapungufu. Hakuna ugunduzi wa ziada wa kisayansi, matokeo ya kliniki, mafanikio ya kiteknolojia au dai la kisababishi ambalo halipo katika PDF lililoongezwa. Ukaguzi wa nje ulitumika tu kwa taarifa za bibliografia kama utambulisho wa taasisi wa mwandishi, rekodi ya SSRN na DOI.

Mapungufu makuu ya utafiti ni sampuli isiyo ya uwezekano na isiyo na uzani, muundo wa wakati mmoja, swali la jinsia kuelekezwa tu kwa washiriki waliokuwa tayari wanaifanya AI kuwa ya kibinadamu kwa kiasi fulani, vipimo vya kipengele kimoja, makundi madogo ya majukumu, usimbaji wa jinsia wa jozi na kutokulingana kwa sampuli kati ya 1.176 na 1.175 ambako hakuelezwi. Matokeo hayapaswi kutafsiriwa kama viwango vya idadi ya watu kwa ujumla au athari za kisababishi.