Yapay Zeka kaynaklı anketlerin demokratik etiği

Roberto Cerina , Elise Roumeas / Yayımlanma Tarihi: 06 Ocak 2025

Makale hakkında:

Bu makale, yapay zekâ anketlerinin demokratik etiğini incelemektedir. Makine öğrenimiyle yönlendirilen yapay zekâ seçim anketleri, benzeri görülmemiş bir ayrıntı düzeyinde tahminler üretme potansiyeline sahiptir. Tahmin güçlerinin seçim demokrasisi için potansiyel olarak arzu edilir olduğunu savunuyoruz. Bunu, dört itirazı eleştirel bir şekilde ele alarak yapıyoruz: (1) oy verme tercihleri hakkında ayrıntılı verilerin toplanması, depolanması ve yayınlanmasının potansiyel zararına odaklanan gizlilik itirazı; (2) anketlerin bağımsız olarak oluşturulmuş yargılara engel olduğunu savunan özerklik itirazı; (3) anketlere dayanarak stratejik olarak oy vermenin sorunlu olduğunu savunan taktiksel oy verme itirazı; ve son olarak (4) kötü niyetli aktörlerin oy verme davranışlarını değiştirmek için tahminleri sistematik olarak etkileyebileceğini savunan manipülasyon itirazı.

1 Giriş

Eşi benzeri görülmemiş bir olgunun, yapay zekalı anketlerin yükselişine tanık oluyoruz. Anketörler bunları rutin olarak kullanıyor, nicel siyaset bilimciler ve istatistikçiler kendi metodolojilerini geliştirdiler, ancak bunların kitlesel ölçekte uygulanmasının etik etkileri henüz incelenmedi.

Bize birkaç teknik tanım verelim. “Kamuoyu yoklaması” terimi, geleneksel olarak, ilgi duyulan bir popülasyonun kamuoyuyla ilgili özelliklerini, bu popülasyondan kat kat daha küçük bir örneklemden nicel olarak ölçmek için kullanılan örnekleme teorisi ve anket tasarımı da dahil olmak üzere bir dizi istatistiksel aracın birleşimini ifade eder. Buna karşılık, yapay zekalı anketler, ‘regresyon ve katmanlama sonrası’ algoritmaları aracılığıyla birden fazla veri kaynağından yardımcı bilgiler getirerek derin popülasyon kategorileri için temsili çıkarımlar yapmayı sağlar; halk arasında MrP (Gelman ve Little 1997 ; Park ve ark. 2004 ) olarak bilinen ‘çok düzeyli regresyon ve katmanlama sonrası’ algoritması, bunlar arasında en yaygın kullanılanıdır.

Yapay zekâya dayalı bir anket, makine öğrenimi ve Büyük Veri ile desteklenmektedir. Bu makale özellikle seçim öncesi kamuoyu yoklamalarına odaklanmaktadır. Bu yeni teknolojinin erken benimsenmesi, toplumsal açıdan gözle görülür bir etki yaratmıştır. 2017 Birleşik Krallık Genel Seçimleri’nde, YouGov’un yapay zekâ anketleri en doğru sonuçlar veren anketler olmuş ve yayınlanmaları döviz piyasalarını etkilemiş, beklentilerdeki değişimler nedeniyle sterlinin değeri %0,5 oranında düşmüştür ( Lauderdale vd., 2020 ). Ancak bu teknoloji, mevcut haliyle hala erken aşamadadır.

Bu makale, hesaplamalı istatistik alanındaki en son bilgileri, esas olarak siyasi teoriden beslenen özgün bir normatif argümanla birleştirerek, konuya disiplinlerarası bir yaklaşım getiriyor. Karmaşık bir olguyu geniş bir kitleye tanıtmayı ve hem etik muhakeme hem de gelecekteki politika oluşturma süreçlerine rehberlik etmeyi amaçlıyoruz.

Yapay zekâya dayalı anketlerin, seçim demokrasilerinde seçmenler için potansiyel olarak cazip olduğunu iddia ediyoruz. Bunu, dört itirazı eleştirel bir şekilde ele alarak yapıyoruz: (1) oy verme tercihleri hakkında ayrıntılı verilerin toplanması, depolanması ve yayınlanmasının yol açtığı zararla ilgilenen gizlilik itirazı; (2) anketlerin bağımsız olarak oluşturulmuş yargılara engel olduğunu savunan özerklik itirazı; (3) anketlere dayanarak stratejik olarak oy vermenin endişe verici olduğunu savunan taktiksel oy verme itirazı; ve son olarak (4) kötü niyetli aktörlerin oy verme davranışlarını değiştirmek için tahminleri sistematik olarak etkileyebileceğini savunan manipülasyon itirazı.

Bunun yerine, şunu savunuyoruz. Gizlilik itirazına, yapay zekânın veri kümelerini tamamen anonimleştirmek için kullanılabileceğini ve verilerin ilgili kalitesinin korunabileceğini gösteren ampirik bir kanıtla yanıt veriyoruz. Özerklik itirazına karşı, başkalarının epistemik zekâsına güvenmenin içsel müzakereyi ve eleştirel yargıyı zayıflatmak yerine artırabileceğini savunuyoruz. Taktiksel oylama itirazına karşı, seçmenlerin stratejik seçimler yapmalarını sağlayan olasılıksal bilginin temel bir demokratik bilgi olduğunu savunuyoruz. Son olarak, manipülasyon itirazına ise, bu endişenin yapay zekâ anketlerine özgü olmadığını, yapay zekâ anketörlerini sorumlu tutmak için bağımsız açıklanabilirlik standartları talep ettiğimizi belirtiyoruz. Bu dört itirazı ele aldıktan sonra, yapay zekâ anketlerinin demokratik seçim kalitesini artırma eğiliminde olduğu sonucuna varıyoruz.

2 Kamuoyu yoklamalarında teknolojik yenilik

Geleneksel anket uygulamaları, örneklem temsiliyeti açısından bir krizle karşı karşıya kalmıştır. Bazı tahminler, hedef nüfusun %10’undan azının telefona cevap verdiğini göstermektedir (Keeter vd. 2017 ). Anketörlerin kullandığı metodolojideki yeni gelişmeler, temsili olmayan örneklerden temsili çıkarımlar yapılmasını mümkün kılmaktadır. Makine Öğrenmesi (ML) algoritmalarının Büyük Veri ile entegrasyonu bu dikkat çekici gelişmeyi mümkün kılmaktadır. Ortalamalar ve frekans tabloları gibi basit analiz yöntemlerinin yerini artık ML algoritmaları almaktadır. Küçük ( ) olasılıklı örneklemler, farklı kaynaklarla bağlantı kurularak zenginleştirilen büyük ve sık güncellenen veri kümeleriyle değiştirilmektedir.

Yapay zeka anket uygulamalarına dair şu üç örneği inceleyin.

(1) Bir anket şirketi, siyasi tercihlerin doğru ayrıntılı tahminlerini üretmek ve bunları kamuoyuna sunmak ister. Çevrimiçi olarak işe alım ilanları yayınlar ve yüz binlerce kendi kendini seçen katılımcıdan oluşan büyük, bireysel düzeyde bir panel oluştururlar. Siyasi tercihleri sıklıkla ankete tabi tutulur. Bu verilere dayanarak, cezalandırılmış regresyon gibi makine öğrenimi araçları, “seçmen tipleri” (aynı zamanda “hücreler” olarak da bilinir) için ayrıntılı tahminler üretmek üzere kullanılır. Bu tahminler daha sonra istenen coğrafi analiz düzeyine kadar toplanır ve kamuoyuna açıklanır. Bu uygulamaya örnek olarak, YouGov (Lauderdale ve Blumenau 2019 ; Lauderdale 2019 ; Lauderdale ve ark. 2020 ) gibi çeşitli MrP tahminleri verilebilir.

(2) ABD’deki bir siyasi kampanya, finansal kaynak kullanımını optimize etmek ve seçim sonuçlarını en üst düzeye çıkarmak için bireyleri ve/veya bölgeleri hedeflemek istiyor. Bir satıcıdan bir ‘Seçmen Kaydı’ (VR) dosyası satın alıyorlar. Bu dosya, kamuya açık bilgileri ticari verilerle birleştirerek elde edilen her kayıtlı seçmen hakkında ayrıntılı bilgileri içeriyor. Yaklaşan seçimler için oy verme davranışı hakkında zamanında bilgi edinmek için kampanya sırasında saha anketleri yapıyorlar ve bunları VR dosyalarıyla birleştiriyor. Bu zenginleştirilmiş veri setini kullanarak, her seçmeni oy verme eğilimi ve kampanyanın adayına oy verme olasılıkları ile etiketleyen bir dizi ‘puan’ üretmek için makine öğrenimi algoritmaları kullanıyorlar. Bu puanlar daha sonra kampanyanın faaliyetlerini bilgilendirmek için çok küçük bir alana (örneğin posta kodu veya seçim bölgesi) toplanıyor. Bu uygulamanın örnekleri Nickerson ve Rogers ( 2014 ); Ghitza ve Gelman ( 2020 ) tarafından tartışılıyor.

(3) Bir akademik kurumdaki araştırmacı, ) (eski adıyla \) ) kullanıcılarından veri toplamak için bir \(\mathbb {X}\) uygulaması ‘in hizmet şartlarını kabul edenlerden veri toplar . Profil resimleri, kendi bildirdikleri açıklamalar, platformdaki etkileşimleri (örneğin ‘beğendikleri’ veya ‘takip ettikleri’ kişilerin listeleri) ve tweet’lerinde yayınladıkları siyasi görüşler toplanır. Her bir bireysel profilden anket benzeri bilgiler çıkarmak için üretken yapay zeka araçları kullanılır. Toplanan verilerin bu yapılandırılmış sürümleri daha sonra popülasyon hücreleri için ayrıntılı düzeyde tahminler yapmak için kullanılır. Bu tür kullanım örnekleri arasında Cerina ve Duch ( 2023 ); Staab ve diğerleri ( 2023 ) bulunur.

Bu örneklerin ortak noktası, Yapay Zeka ile desteklenen ve Büyük Veri ile beslenen kamuoyu yoklamalarını tasvir etmeleridir.

Yapay Zeka, “…bir sistemin dış verileri doğru bir şekilde yorumlama, bu verilerden öğrenme ve bu öğrenmeleri esnek adaptasyon yoluyla belirli hedeflere ve görevlere ulaşmak için kullanma yeteneği” anlamına gelir (Kaplan ve Haenlein 2019 ; Minsky 1965 ; McCarthy ve diğerleri 2006 ). Hem ‘Genel’ hem de ‘Uluslararası’ ve ‘Uluslararası’ sistemleri kapsayan bir şemsiye terimdir.^Dipnot¹ ve ‘Dar’ AI^Dipnot² ve biz ikincisine odaklanıyoruz. Dar Yapay Zeka örnekleri arasında IBM’in Satranç oynayan ‘Deep Blue’su (Campbell vd. 2002 ); DeepMind’ın ‘AlphaGo’su (Silver vd. 2016 ); ‘AlphaStar’ oynayan Starcraft (Vinyals vd. 2017 ); Facebook’un görüntü tanıma yazılımı ‘DeepFace’ (Taigman vd. 2014 ) yer alır. Makine öğrenimi algoritmaları genellikle ‘Dar Yapay Zeka’ olarak yorumlanabilir. Kullandığımız makine öğrenimi tanımı Mitchell’in ( 1997 ) klasik tanımıdır: “Bir bilgisayar programının, T’deki görevlerdeki performansı, P ile ölçüldüğünde, deneyim E ile iyileşiyorsa, bazı görev sınıfları T ve performans ölçüsü P açısından deneyim E’den öğrendiği söylenir.”. Yapay zeka yoklama hizmetinde çeşitli Makine Öğrenmesi algoritmaları kullanılmaktadır, örneğin LASSO, k-En Yakın Komşular (KNN), Regresyon ağaçları, Rastgele Ormanlar, Gradyan Artırma Makineleri, Temel Bileşen Analizi (PCA) (Bisbee 2019 ; Goplerud 2023 ; Ornstein 2019 ; Leemann ve diğerleri 2020 ; Cerina ve Duch 2020 ), vb.

Yapay zeka anketleri de dediğimiz gibi Büyük Veri tarafından destekleniyor^Dipnot^3. Kamuoyu araştırmaları bağlamında Warshaw’ın Büyük Veri karakterizasyonunu (Warshaw 2016 ) izleyerek, Kooperatif Kongre Seçim Çalışması, Ulusal Annenberg Seçim Anketi, Wang ve ark.’nın çok sayıda Xbox oyuncusu (Wang ve ark. 2015 ) ve diğerlerinin yanı sıra büyük anketlerin kullanımını tanımlıyoruz. Yapay zeka anketleriyle ilgili birçok veri kümesi ve uygulama için, çeşitli boyutlardaki kamuoyu anketlerinin, Warshaw’ın tanımladığı gibi birden fazla anketi bir araya getirerek veya anketleri VR dosyaları gibi ayrı Büyük Verilerle bağlantılandırarak harici verilerle zenginleştirildiğini görüyoruz. Veri alanının bu ‘intermezzo’sunu, ne tamamen ‘Büyük’ ne de tamamen ‘Küçük’ olarak tanımlamak için Callegaro ve Yang ( 2018 ) ‘Küçük Büyük Veri’ terimini ortaya attılar.

Anket sektöründe önemli bir yeniliğe imza attık. Dar yapay zeka ile desteklendiği için buna “yapay zekalı anket” diyoruz. Genellikle “Küçük Büyük Veri” ile destekleniyor.

3. Geleneksel kamuoyu yoklamalarında 3 etik sorun

Yapay zekâ anketleri, geleneksel kamuoyu yoklamalarında mevcut olan bazı etik ikilemleri daha da kötüleştiriyor. Yapay zekâ anketlerinin ortaya çıkardığı etik zorlukların doğasını anlamak için önce geleneksel anket yöntemlerine ve teknik eksikliklerine bakalım.

Geleneksel anket uygulamaları örnekleme teorisine dayanır. Örnekleme teorisini, bir örneklemden elde edilen bulguları ilgilenilen tüm popülasyona genellemek için bir dizi kural olarak düşünebilirsiniz. Örneğin, bir anket düzenlediğinizi ve şu soruyu sorduğunuzu varsayalım: “Amerika Birleşik Devletleri Başkanlığı seçimleri bugün yapılsaydı ve adaylar Cumhuriyetçiler adına Donald Trump ve Demokratlar adına Joe Biden olsaydı, kime oy verirdiniz?” 120 kişiyi örnekleseydik ve Biden ile Trump arasındaki tercihlerin %50:50 oranında bölündüğünü varsaysaydık, gerçek değerden en fazla 5 puan uzakta, %0,86 olasılıkla bir tercih tahmini üretebilirdik. Örnekleme teorisinden çıkarılacak en önemli ders, kamuoyunu popülasyondan küçük rastgele örnekler alarak doğru ve kesin bir şekilde ölçmenin mümkün olduğudur.

Ancak geleneksel anket uygulamaları başarısız oluyor. Bu durum, özellikle seçim öncesi kamuoyu yoklamaları bağlamında belirginleşiyor. Seçim öncesi anketlerin neden başarısız olduğuna dair birbiriyle çelişen hipotezler olsa da, son kanıtlar, örneklerin temsil edici olmamasının asıl neden olduğunu gösteriyor.^Dipnot^4. Yapay zekâlı anketler bu sınırı aşar. Şaşırtıcı bir şekilde, birden fazla veri kaynağından yardımcı bilgiler getirerek ve bunları ‘regresyon ve tabakalaşma sonrası’ algoritmaları aracılığıyla akıllıca bir araya getirerek ayrıntılı nüfus kategorileri için temsili çıkarımlar yapabilir. Bunlar arasında en yaygın kullanılanı olan MrP (Gelman ve Little 1997 ; Park ve ark. 2004 ), daha azıyla daha fazlasını yapabilir: Geleneksel yöntemlerin başarısız olduğu aynı örneklemlerden ayrıntılı analiz seviyelerinde doğru çıkarımlar yapabilir. Bunu, bölgeler ve demografik özellikler arasındaki korelasyonlardan yararlanarak, esasen benzer demografik ve sosyo-politik profillere sahip seçmen tipleri arasında bir dereceye kadar değiştirilebilirlik olduğunu varsayarak yapabilir. MrP ve Büyük Veri arasındaki evlilik, ayrıntı düzeyini daha da artırma gücü sağlar ve posta kodu, seçim bölgesi, köy vb. düzeyinde tahminler yapılmasını mümkün kılar.

Bu önemli teknolojik yenilik, geleneksel kamuoyu araştırmalarında halihazırda mevcut olan etik zorlukları daha da kötüleştirebilir. Yapay zekâ anketleri, çoğunlukla seçim öncesi anketlere uygulanmıştır. Seçim anketlerinin etiği üzerine literatür yetersiz olsa da, seçim dışı anketlerin demokratik etiği hakkında önemli miktarda literatür bulunmaktadır .

Seçim dışı kamuoyu yoklamaları üzerine düşünceler, bunların ‘halkın sesi’nin yeterli bir temsili olup olmadığı ve dolayısıyla temsili demokrasiye değerli bir girdi olup olmadığı etrafında şekillenmiştir. Tartışma, kötümser ve iyimser görüşler arasında kutuplaşmıştır. Kötümser tarafta Bourdieu kışkırtıcı bir şekilde “kamuoyu diye bir şey yoktur” iddiasında bulunmuştur; bu da kamuoyu yoklamalarının her türlü ölçüm hatasından ve siyasi yetkinliğin eşitsiz dağılımından etkilenen son derece kusurlu bir ‘halk iradesi’ inşasına yol açtığı anlamına gelir. Bunlar çıkar çeşitliliğini gerçekten temsil etmez ve siyasi sürece uygun bir girdi değildir (Bourdieu 1973 ). Daha iyimser bir notta, Manin kamuoyu yoklamacılarının kamuoyunun ifade edilmesinde oynadıkları rolü vurgulamıştır (Manin 1997 ). Bir ankete anonim katılımın bir tür ‘düşük maliyetli’ siyasi ifade olduğunu (örneğin, bir kamu protestosuyla karşılaştırıldığında) ve en az siyasallaşmış olanlara ses verme olasılığının daha yüksek olduğunu savunur. Daha da önemlisi, kamuoyu yoklamaları kamuoyunun (kısmen) anketlerle ifade edilen görüşü ile seçim sonucu olarak ortaya çıkan seçmen ifadesi arasındaki ayrışmaya yol açmaktadır.

Paralel bir tartışma, seçim anketlerinin (veya bazen özellikle çıkış anketlerinin) ahlaki açıdan haklı olup olmadığını ele almaktadır (Michalos 1991 ; Sonderholm 2016 ; Thompson 2008 ). Anketlere karşı tüm argümanları ele almayacağız; Michalos, anket sonuçlarının yayınlanmasının yasaklanması lehine en az on altı argümana dikkat çekiyor. Ancak, ele aldığımız itirazların hiçbir şekilde yeni olmadığını; aksine, yapay zekâ anketlerine geçişle daha da şiddetlendiğini vurgulamak istiyoruz.

Çıkış anketlerinin özel durumuna bakıldığında, Sonderholm, “başkalarının nasıl oy verdiğinden etkilenmenin kötü bir şey olduğu argümanını” (daha özlü bir şekilde “özerklik itirazı” olarak adlandırdığımız), stratejik oylama argümanını (“taktiksel oylama itirazı” olarak adlandırdığımız) ve “manipülasyon itirazımız”la ilişkili olan “potansiyel olarak yanıltıcı bilgi argümanını” eleştirel bir şekilde değerlendiriyor. Bu itirazlar yeni değil, ancak yapay zeka anketlerinin sıklığı ve ayrıntı düzeyi arttıkça daha da acil hale geliyorlar; daha sonra ayrıntılı olarak açıklayacağımız gibi, başkalarının ne düşündüğünü ve hangi grubun ne düşündüğünü çok daha kesin bir şekilde bilmek ve taktiksel oy vermenin değip değmeyeceğini değerlendirmek mümkün hale geliyor. Yapay zekanın “kara kutu” yapısı, verilerin olası manipülasyonunu gizlemeye daha yatkın hale getiriyor.

Zaten var olan etik zorlukların daha da kötüleşmesini göstermek için gizlilik itirazını vurguluyoruz. Geleneksel anketlerde gizlilik endişelerinin mevcut olduğunu hatırlamakta fayda var (Bulmer 1979 ). Anket yöntemleri, katılımcıların değerleri, duyguları ve siyasi tercihleri ve bazen de aileleri veya komşuları hakkında hassas sorular sormayı içerir. Katılımcılar, ankete katılma konusunda genel bir mutabakat sağlamış olsalar bile, belirli bir soruyu cevaplamama hakkına sahip olduklarını tam olarak anlamayabilirler. Verilerin gizliliğini korumak ve görüşülen kişilerin bilgilendirilmiş onamını sağlamak için etik önlemler alınmıştır. Ancak, araştırmacının bilgi istemesi ile katılımcının kendisi hakkında potansiyel olarak hassas bilgiler vermesi arasındaki asimetrik ilişki varlığını sürdürmektedir. Bilgilendirilmiş onam, gizlilik paradigmasının temel taşı olmuştur. Aşağıdaki bölümde, kişisel ve hassas verilerin toplu olarak çıkarılması ve depolanmasının yanı sıra, potansiyel olarak ayrıntılı tahminlerin kamuya açıklanmasının gizlilik zararlarını nasıl artırdığını inceliyoruz.

4 Gizlilik itirazı

Yukarıda vurgulanan gerçek dünya uygulamalarından şu iki örneği ele alalım.

(1) ABD’de ehliyetinizi alırken, seçmen kaydı yaptırmanız istenir. Doğum tarihiniz, cinsiyetiniz, etnik kökeniniz, ikamet yeriniz ve bağlı olduğunuz parti gibi temel demografik bilgileriniz kaydedilir ve herkese açık bir veritabanında saklanır. O gün memleketinizde Ayn Rand’ın Atlas Silkindi kitabını satın alırsınız; satın alma işleminiz, satın alma geçmişiniz ve kişisel verilerinizle birlikte Amazon veritabanında saklanır. Bir veri toplayıcı, verileri Amazon’dan satın alır ve herkese açık veritabanına erişerek iki veri kümesini birleştirir ve zenginleştirilmiş bir VR dosyası oluşturur. Bir siyasi kampanya ise zenginleştirilmiş VR dosyasını edinir ve satın alma davranışınız ve diğer kişisel bilgilerinize dayanarak oy verme davranışınız hakkında tahminler üretir.

profili oluşturdunuz . Profili oluştururken, hakkınızdaki bilgileri üçüncü taraflarla paylaşmasına izin verdiniz. Bir profil resmi, kısa bir açıklama eklediniz ve diğer gönderileri ve hesapları “beğenerek” veya “takip ederek” platformda etkileşimde bulundunuz. Ayrıca, herkese açık tweetler yazarak görüşlerinizi duyurdunuz. Yapay zekalı bir anket, sayfanızı tarayarak sosyo-demografik, coğrafi ve davranışsal ipuçlarını çıkararak hakkınızda bir profil oluşturabilir. Bu profil, bir sonraki seçim için oy verme kalıplarınız hakkında ayrıntılı gerçek zamanlı tahminler üretmek için kullanılabilir. Gizliliğiniz ihlal ediliyor mu?

Rubinstein’ı ( 2014 ) takip ederek, gizlilik anlayışımız iki yönlüdür. Bir yandan, bilgi gizliliği, yani vatandaşların kendileri hakkındaki bilgileri kontrol etme ve yetkili ifşanın kapsamını belirleme yeteneği vardır (Warren ve Brandeis 1989 ; Fried 1970 ; Parent 1983 ; Westin 1968 ). Diğer yandan, korunan kişisel bir müzakere ve karar alma alanı olarak tanımlanan siyasi gizlilik vardır (örneğin bkz. Brettschneider ( 2009 )). Bu ikisi, bilgi gizliliğinin vatandaşları gereksiz incelemeden, başkaları tarafından olumsuz yargılardan, uyum baskılarından ve olası sindirmelerden korumanın bir yolu olması açısından birbirleriyle bağlantılıdır. Seçmen bilgi gizliliği, popüler olmayan siyasi tercihler durumunda itibar zararını önler ve vatandaşların başkalarının gereksiz etkisi olmadan müzakere etmelerine ve karar vermelerine olanak tanır.

Ancak, oy verme tercihlerinin gizli kalması gerektiği görüşü siyasi teorisyenler arasında tartışılmaktadır. Brennan ve Pettit, vatandaşların “seçim tercihlerinden dolayı kamusal olarak sorumlu” kalmalarını ve bunları söylemsel bir şekilde savunabilmelerini sağlamak için “oyların açıklanması” gerektiğini savunmaktadır (Brennan ve Pettit 1990 ). Öte yandan Lever, “gizli oylama, insanların kendileri hakkında en azından bazı gerçekleri, başkaları için ne kadar ilginç veya yararlı olursa olsun, isterlerse kendilerine saklama hakkına sahip olduklarını öne sürmektedir” (Lever 2015 ). Şunu eklemek isteriz: Vatandaşlar yalnızca “kendileri hakkındaki gerçekleri” saklama hakkına sahip olmakla kalmaz, aynı zamanda başkalarının yargısını etkileyebilecek doğru veya yanlış tahminleri de saklama hakkına sahiptir.

Yapay zekanın gizli oylamayı etkisiz hale getirdiği, çünkü yüksek doğruluk seviyesinde ayrıntılı seçim tahminleri yapmayı mümkün kıldığı güçlü bir şekilde savunulmuştur (Mainz vd. 2024 ). Birinin oy verme davranışıyla ilgili bir tahmin, size onun özel dünyasına bir pencere açar: kendisi ve sevdikleri için geleceğin nasıl olmasını istedikleri, adalet anlayışlarının ne olduğu, (haksız) düşmanlıklarının hedefi kimdir. Bazı bireyler için siyasi tercihler, din gibi, kimliklerinin ve öz anlayışlarının belirleyicisidir. Bu, tüm veriler için geçerli değildir. Örneğin, ticari veriler için geçerli olmak zorunda değildir; ancak hassas tercihleri ortaya koyuyorlarsa, örneğin “Amerika’yı Yeniden Harika Yap” şapkası satın almak gibi, belirleyici olabilirler. Tüm davranışsal tahminler, sonuçları ve birey için taşıdıkları gizlilik riskleri açısından eşit değildir. Belirli bir bireyin yaşı ve sosyoekonomik özellikleri göz önüne alındığında bir ev satın alma olasılığının yüksek olduğunu tahmin etmek, geçmişteki kabahatleri göz önüne alındığında bir kişinin suç işleme olasılığının yüksek olduğunu tahmin etmekle aynı şey değildir. Benzer şekilde, ticari bir tahminin siyasi bir tahminle aynı gizlilik riskini taşıması gerekmez.^Dipnot⁵

Yapay zeka anketleri, Büyük Veri tarafından desteklenmektedir. Bu durum, verilerin çıkarılma, toplanma ve ayrıntılı tahminlerin nihayetinde kamuoyuna açıklanma biçiminde gizlilik endişeleri doğurmaktadır. Büyük Veri ve anketlerin birleşiminden ortaya çıkan uygulama örnekleri şunlardır: , YouTube veya Reddit gibi gerçek zamanlı sosyal medya veri akışlarından davranışsal bilgilerin çıkarılması; kayıtlı seçmenlerin tamamen tanımlanabilir veri tabanlarının (örneğin, ABD’de VR dosyaları) oluşturulması ve kullanılması; kişi başına 1.000’den fazla özellik içeren ve nüfus sayımı benzeri sosyo-demografik bilgileri kapsayan veri tabanlarının oluşturulması ve kullanılması; tanımlanabilir çevrimiçi bilgilerin ticari verilerle rıza dışı birleştirilmesi ve zenginleştirilmesi; ve belirli bir mahalle için oy tahminleri oluşturulması.

Yapay zekâ anketlerinin bilgi gizliliği söz konusu olduğunda mahremiyeti ihlal etmek zorunda olmadığını savunuyoruz. Siyasi mahremiyet meselesini karar özerkliği açısından bir sonraki bölümde ele alacağız. Bilgi gizliliğinin korunması iki koşul altında mümkündür: (a) gelişmekte olan yapay zekâ anket endüstrisinin hassas verilerin etik işlenmesi konusunda en iyi uygulamaları benimsemesi; (b) endüstrinin öngörü çıktısının ve özellikle analiz düzeyinin düzenlemelerle sınırlandırılması.

Gizlilikle ilgili ilk endişe, kişisel ve hassas verilerin kitlesel ölçekte toplanması ve depolanmasıdır. Toplama konusunda, kullanıcılar, , Amazon veya yapay zeka anketlerini geliştirmek için kullanılan herhangi bir veri sağlayıcısıyla bir anlaşma yapmak için imzaladıkları onay formunda verilerinin üçüncü taraflarla paylaşılabileceği konusunda uyarılır. Gerekli olmasına rağmen, gizlilik sözleşmesi, gizlilik politikalarının yoğunluğu ve erişilemezliği nedeniyle kullanıcıların farkında olmadığı verilerden türetilen uygulamaları meşrulaştırma gibi talihsiz bir sonuca sahiptir. Deontik prosedürlere saygı gösterme görünümü verirken, onay kullanıcıların gerçek cehaletine dayanmaktadır (Zuboff 2019 ). Bu görüşe karşı, çevrimiçi gizlilik politikalarına onay vermenin herhangi bir ahlaki endişeye yol açmadığı öne sürülmüştür (Chomanski ve Lauwaert 2023 ). veya Amazon gibi ticari veri sağlayıcılarının , bilgileri işleme ve paylaşma nedenleri konusunda daha açık olmaları zorunluluğunu getirmiştir.

Depolama açısından, bu kadar büyük veritabanlarını tutmak, gizlilik ihlali durumunda kişiler için istenmeyen ifşa riskleri oluşturur. Ancak teknolojik gelişmeler, bu endişeleri gideren gizliliği koruyan çerçevelerin oluşturulmasına yol açmıştır. Diferansiyel gizliliği (Dwork 2006 ) ele alalım. Bu, verilere “gürültü” enjekte etmeyi içeren, yaygın olarak benimsenen bir endüstri standardı çerçevedir; yani, bir veritabanı sorgulandığında, herhangi bir birey kümesi hakkındaki hassas bilgiler rastgele bozulur ve böylece veri kümesindeki hiçbir birey tanımlanamaz. Diferansiyel gizliliğin avantajı, gürültü seviyeleri uygun şekilde kontrol edilirse, bir veri kümesinin istatistiksel özelliklerinin korunabilmesi ve dolayısıyla yapay zekanın doğru tahminler üretmek için gereken bilgiyi öğrenmesine olanak sağlamasıdır.

kullanıcı veritabanına erişimi var . Demografi ve oy verme davranışı arasındaki ilişkiyi anlamak için bu veritabanını sorgulamak istiyor. Ancak sorguda yeterli sayıda demografik özellik belirtilirse, veritabanındaki bireyler tanımlanabilir; yani, tüm özelliklerini biliyorsam, kim olduklarını tam olarak bilirim. Farklı gizlilik, veri kümesindeki özelliklere rastgele kusurlar ekleyerek, artık belirli bir bireyi mükemmel bir şekilde tanımlamamalarını sağlayarak, bir bireyin gizliliğinin korunmasını sağlar. Eklenen kusurların derecesinin kontrol edildiği varsayıldığında, anketör kullanıcıların gizliliğini ihlal etmeden çıkar ilişkileri hakkında bilgi edinebilir.

Tarihsel olarak, çoklu tahmin (Raghunathan ve ark. 2003 ) gibi istatistiksel teknikler kısmen sentetik veri kümeleri oluşturmak için kullanılmıştır, ancak bunlar nüfus sayımı tabloları tarafından sağlananlar gibi iyi yapılandırılmış verilerle (yani yaş, etnik köken, eğitim düzeyi, vb.) sınırlıydı. Daha yakın zamanda, üretken derin öğrenmedeki gelişmeler (örneğin, GPT-4, Bard, LLaMA, vb. gibi Büyük Dil Modelleri (LLM’ler) (Vaswani ve ark. 2017 )) yeni bir gizlilik koruması düzeyi sağlayarak araştırmacılara, orijinalle temelde önemli özellikleri paylaşan ancak aksi takdirde tamamen kurgusal olan sentetik kullanıcıları simüle etme olanağı sağladı. Üretken modeller , konum verileri (Bindschaedler ve Shokri 2016 ), görüntü verileri (Takagi vd. 2021 ), doğal dil (Li vd. 2021 ) ve diğer uygulamalar dahil olmak üzere farklı gizliliği uygulamak için kullanılmıştır (Acs vd. 2018). Tablo 1 , kullanıcısını simüle etmek için nasıl kullanılabileceğine dair bir örnektir . Yapay zekalı anketörün büyük miktarda sentetik veriden öğrenmesi, veri toplama ve depolama aşamasında gizlilik endişelerini tamamen ortadan kaldırırken doğru tahminler üretme yeteneğini korur.

Farklı gizlilik çerçevesi altında, verilerin toplu olarak toplanması ve depolanmasından kaynaklanan gizlilik riski en aza indirilir. Ayrıca, üretken derin öğrenme alanındaki gelişmeler sayesinde herhangi bir “gerçek kişi” hakkında bilgi depolama ihtiyacı azalmaktadır. Bu uygulamaların halihazırda çoğu büyük teknoloji şirketi tarafından benimsendiğini ve Apple’ın bu alanda öncü olduğunu unutmayın. Anketörlerin de, kendilerini olası davalardan korumak ve itibarlarını artırmak için etik kurallara uygun uygulamalara özen göstermek adına bu uygulamaları kullanmaları için teşvikleri vardır. Anketörlerin bu konuda sorumlu davranmalarına güvenilmediği ölçüde, GDPR gibi düzenlemelerle kısıtlanabilirler. Yeni gizlilik düzenlemeleri, anketörlerin farklı gizlilik ve üretken yapay zeka gibi uygulamaları benimsemelerini gerektirebilir.

Verilerin toplu olarak çıkarılması ve depolanmasının yanı sıra, gizlilikle ilgili bir diğer yeni endişe, vatandaşların tercihleriyle ilgili ayrıntılı tahminlerin yayınlanmasıyla ilgilidir. Anket sektörü şu anda tahminleri seçim bölgesi düzeyinde yayınlamaktadır. Daha derin coğrafi ayrıntı düzeylerini yayınlamamak onların kararıdır; ancak bunu gerçeklere dayanarak yapabilirler. MrP projeksiyonlarının oluşturulması için hücre düzeyinde tahminler üretilir. Bu hücreler, aşağıdaki örnekte gösterildiği gibi gizliliği ihlal edebilir. Birleşik Krallık’ta yaklaşık 40 milyon yetişkin bulunmaktadır. Bir anketör (örneğin YouGov), bu nüfusu şu şekilde tanımlanan gruplara ayırır: seçim bölgesi [632 kategori], yaş [14 kategori], en yüksek yeterlilik düzeyi [8 kategori], geçmiş oy [9 kategori], tahmini 2016 referandum oyu [3 kategori] ve tahmini siyasi ilgi düzeyi [8 kategori]; 632 x 14 x 8 x 9 x 3 x 8 = 15.289.344 hücre. Basit ortalamayla, bu durum hücre başına 3 bireyle sonuçlanır ve bireylerin hücreler arasındaki dağılımı tekdüze olmaktan uzak olsa da, bu hücrelerin en azından bazılarının tek bir birey içereceği şüphesizdir. MrP sürecinin bir aşamasında, tek bir birey için bir tahmin yapılır ve bilgisayara kaydedilir. Hücre sayısı arttıkça, en azından artan bir gizlilik riskinin varlığını kabul etmek gerekir.

Seçmen kayıt dosyaları örneğini ele alalım. ABD’de, Seçmen Kayıt dosyalarından çok daha derin ayrıntı düzeylerinde tahminler üretmek alışılmadık bir durum değildir (Nickerson ve Rogers 2014 ). Aslında, VR dosyaları bireysel düzeyde bir tabakalaşma çerçevesi olarak çalışır. Tahminler bireysel düzeyde yapılabilir ve sıklıkla yapılır. Toplu düzeyde, VR dosyalarına dayalı sonradan tabakalaşma, 400’den biraz fazla seçmeni kapsayacak kadar küçük olabilen seçim bölgesi düzeyinde son derece yaygındır. Kamuoyu tahminleri üretmek için VR dosyalarının kullanımı, ABD’deki mevcut siyasi kampanya uygulamalarının önemli bir parçasıdır. Genellikle bireysel düzeyde tahminler üretmek için ML algoritmalarıyla birlikte kullanılır. Bu tahminler, coğrafi düzeyde özetlendiklerinde bile gelişmiş gizlilik risklerini temsil edebilecek küçük hücreler düzeyinde toplanabilir.

Girdi (veri toplama ve depolama) söz konusu olduğunda, diferansiyel gizlilik gibi teknolojik bir çözüm seçmenleri başarıyla koruyabilir. Ancak çıktı (ayrıntılı tahminler) söz konusu olduğunda, teknolojik bir çözümün seçmenlerin karşı karşıya kaldığı temel uzlaşmayı çözüp çözemeyeceği belirsizdir. Büyük Veri için Makine Öğrenmesi alanındaki gelişmeler, bu tür ayrıntılı tahminleri modern anket endüstrisinin temel bir özelliği haline getirmiştir. Bununla birlikte, sağladıkları potansiyel demokratik kazanımlar da değerlendirilmeli ve hesaba katılmalıdır. Sonraki bölümlerde, demokratik seçimi geliştirme açısından ayrıntılı tahminlerin somut faydalarını vurgulayacağız. Görüşümüz, ayrıntılı tahminlerin yayınlanmasıyla ilişkili gizlilik risklerinin gerçek olduğu, ancak önemli bulduğumuz kamuoyu bilgisindeki kazanımın bu riskleri gölgede bıraktığı yönündedir.

Hedefli tahminlerin neyi mümkün kıldığı, yani mikro hedefleme konusunda da endişelenilebilir. Son teknoloji ve siyasi aktörler arasındaki iş birliğinin tartışmalı bir yönü, dünya Cambridge Analytica’yı (CA) öğrendiğinde, Mart 2018’de gün yüzüne çıktı. Şirketin pazarlama odaklı satış noktası şuydu: Facebook profillerinden Büyük Veri toplayıp analiz ederek, herhangi bir bireyin Beş Büyük kişilik özelliği ölçeğinde nerede yer alacağını doğru bir şekilde tahmin edebildiler. Dahası, dikkate değer bir istatistiksel düzenlilik keşfettiklerini iddia ettiler: Bireylerin kişiliğine uygun siyasi mesajların, fikirlerini değiştirmede daha başarılı olma olasılığı daha yüksekti.

Yapay zeka anketleri, mikro hedeflemeyi son derece etkili kılan şeydir. Mikro hedefli reklamlar, mesajlarını bireylerin belirli demografik özelliklerine/kişilik özelliklerine göre uyarlar. Bu nedenle, yapay zeka anketlerinin nüfus düzeyinde neler sağladığı konusunda endişelenmek için nedenler vardır. Ancak yapay zeka anketleri mikro hedeflemeyi mümkün kılsa da, bunlar farklı olgulardır. Yapay zeka anketlerinin var olduğu, mikro hedeflemenin ise yasak olduğu bir dünya hayal edebiliriz. Yapay zeka anketleri, nüfus düzeyinde dengesiz bir güç dağılımını daha da kötüleştirebilecek teknolojileri mümkün kılsa da, bu tür (kötüye) güç kullanımlarına doğrudan yol açmaz. Bu nedenle, mikro hedefleme ve diğer yapay zeka anketlerine bağlı teknolojiler ile bunların etik etkilerini başka araştırmalara bırakıyoruz.

Yeni kayıtlı seçmen ve Amazon müşterisi olan sizlere ve kullanıcısına geri dönüyoruz. Şunu söyleyebiliriz: Yapay zeka anketörü diferansiyel gizlilik veya üretken yapay zeka gibi en son teknolojileri kullandığı sürece, kişisel verilerinizin toplanması ve depolanması söz konusu olduğunda gizliliğinizin ihlal edilmesi gerekmez. Ayrıca, hedefli tahminler söz konusu olduğunda gizliliğiniz konusunda haklı olarak endişe duyabilirsiniz, ancak bu riski, aşağıdaki bölümlerde sunacağımız böyle bir uygulamanın demokratik faydalarıyla da tartmalısınız. Bu seçmen için önerdiğimiz bu “temkinli iyimser” duruş, yapay zeka düzenlemesi etrafındaki normatif hususlarla (Smith ve Miller 2023 ) uyumludur; bu hususlar, teknolojiyle ilgili aktörlerin (yani teknoloji kullanıcıları ve teknoloji şirketleri gibi) çıkarları ile yapay zekanın kitlesel dağıtımının sağladığı kamu yararı arasında dikkatli bir denge kurulmasını gerektirir.

Bilgi gizliliği konusunu ele aldık. Şimdi karar alma özerkliğiyle ilgili olan siyasi gizlilik konusuna geçiyoruz.

5 Özerklik itirazı

Aşağıdaki örneği ele alalım. Fransa’nın kırsal kesiminden (Jura bölgesi) bir seçmensiniz. Aileniz genellikle aşırı sola oy veriyor. Kararınızı verip internette bilgi aramak için fazla zamanınız yok. Mahallenizin siyasi eğilimlerini ortaya çıkaracak kadar ayrıntılı, yapay zekâlı bir anketin tahminleriyle karşılaşıyorsunuz. Bu tahminler aşırı sağa yaygın bir destek olduğunu gösteriyor. Birçok şekilde tepki verebilirsiniz. Kendi fikrinize sadık kalıp, ezileni desteklemeye devam edebilirsiniz. Bunun yerine çoğunluğa uymayı ve aşırı sağı tercih etmeyi seçebilirsiniz (sürü etkisi). Evde kalıp oy kullanmaktan kaçınabilirsiniz; zaten dava kaybedildi. Her durumda, bu yeni olasılık bilgisi sizi bir duruş sergilemeye teşvik ediyor. Geleneksel anketlerden gerçekten farklı olan şey, tahminin ayrıntılı olmasıdır. Açıkça söylemek gerekirse, ya karşı çıkmak ya da uymak için bir emir hissediyorsunuz. Yargınız artık ‘bağımsız’ görünmüyor. Özerkliğiniz ihlal mi edildi?

Özerklik itirazına cevabımız siyasi psikolojiden besleniyor. Başkalarının epistemik zekâsına saygı göstermenin, içsel müzakereyi ve eleştirel yargıyı zayıflatmak yerine güçlendirebileceğini savunuyoruz. Bunu, bilgi kısayolları üzerine literatürü yeniden inceleyerek yapıyoruz.

‘Düşük bilgi rasyonalitesi’ teorileri, oy verme kararları almada ‘bilgi kısayollarının’ rolünü ortaya koymuştur (Popkin 1995 ; Goodin ve Spiekermann 2018 ). Oy verme hakkında bilgi edinmenin maliyetli olması ve tek bir oyun etkisinin küçümsenmesi (Downs vd. 1957 ) göz önüne alındığında, seçmenlerin uygun şekilde bilgilendirilmeleri için çok az teşvik vardır. Kısayollar, iyi bilgilendirilmiş kararlara yaklaşmanın ucuz bir yolunu oluşturur, ancak etkililikleri yeterince test edilmemiştir (Lau ve Redlawsk 2006 ). Bilgi kısayollarına örnek olarak ideoloji, parti kimliği, kanaat önderlerinin etkisi, aday özellikleri ve elbette anket sonuçları verilebilir (Lau ve Redlawsk 2006 ). Kısayollar, karar alma için gereken verilerin toplanmasını ve işlenmesini basitleştirmek için yararlı araçlar olarak işlev görür.

İpuçları ve psikolojik sezgiler her zaman güvenilir değildir; bunlar “kısayollardır” ve bu nedenle kanıt toplama sürecini olumsuz etkilediklerinden ve ırk veya cinsiyet gibi uygunsuz gerekçelerle adaylara karşı önyargı oluşturduklarından şüphelenilebilir. Ancak bazıları, ipuçlarının yeterince çeşitli, birbirinden bağımsız ve makul ölçüde güvenilir olması durumunda, bilgisiz seçmenlerin rastgele olmaktan daha iyi kararlar almalarını sağlayabileceklerini ve böylece “epistemik performanslarını” artırabileceklerini savunmuştur (Goodin ve Spiekermann 2018 ).

Diğerleri, siyasi sezgilerin öncelikle siyaset hakkında halihazırda bir miktar uzman bilgisine sahip olanların, yani yetkin seçmenlerin karar alma süreçlerini geliştirdiğini savundu (Lau ve Redlawsk 2006 ). Yetkin seçmenler, ipuçlarını yeterince yorumlama konusunda daha iyi bir konumdadır. Tek bir kısayol -örneğin, parti etiketi ‘Cumhuriyetçi’- bir siyasi uzmanın zihninde çok daha fazla anlam ve nüans taşıyacaktır. Bu bulgunun sonucu, ipuçlarının ve sezgilerin yalnızca uzman bilgisinin yerine geçmediği (bilgisiz seçmenlerin rastgele olandan daha iyi kararlar almasını sağladığı) değil, aynı zamanda mevcut bilgiyi tamamladığı ve güçlendirdiğidir. Benzetme yoluyla, coğrafi kısayolların bilgisi, harita hakkında iyi bir bilginin yerini almak yerine onu tamamlar.

Anketler dikkat çekici ipuçları verir. Özellikle, seçmenlerin tercihlerinin başkalarını etkilemesine yol açan temel ipuçları sağlarlar. Çeşitli momentum teorileri, halihazırda popüler olan adayların neden yeni destekleri çekme olasılığının daha yüksek olduğunu açıklamak için birbirleriyle yarışmaktadır (Bartels 2020 ). Bazı açıklamalar, “ipucu verenlerin” görüşlerini desteklemenin rasyonel bir tercih olduğunu vurgularken, diğerleri salt bir “bulaşma etkisi”, yani bir adayın isminin medyada öne çıkmasının siyasi uyaranlara otomatik bir tepkisi veya bir “bandwagon etkisi”, yani kazanan adayı destekleyerek tatmin arama eğilimi olduğunu ileri sürer.

Özellikle, çekici bir momentum teorisi, başkalarının ne düşündüğünü öğrendikten sonra tetiklenen içsel müzakereyi vurgular (Mutz 1997 ). Mutz, deneysel bir tasarım kullanarak, “adayların kitlesel desteği hakkında bilgi” şeklindeki “mutabakat ipuçlarının”, siyasi sürece orta düzeyde dahil olan seçmenleri popüler bir adayın lehine ve aleyhine argümanlar üretmeye teşvik etme gibi faydalı bir etkiye sahip olduğunu göstermektedir. Başka bir deyişle, kamuoyunun görüşlerini öğrenmek, seçmenlerin eleştirel düşünmesini sağlar. Bu da, söz konusu görüşlere olumlu bir tutum değişikliğini tetikleme olasılığı yüksektir.

Anket sonuçları bu nedenle düşündürücü olabilir ve seçmenleri en popüler görüşle eleştirel bir şekilde etkileşime girmeye teşvik edebilir. Bu bilişsel mekanizma, insanların kazanan tarafta olmak için en popüler görüşe katılma olasılığının yüksek olduğu bilinen “sürü etkisi”nden daha karmaşıktır. Bu, salt taklitçilikten değil, daha çok kendi kendine üretilen gerekçelerin ikna edici gücünden kaynaklanır. Bir görüşün ardındaki gerekçeleri düşünme süreci, görüşü daha ikna edici kılar; bu düşünce sürecini ve içsel müzakereyi tetikleyen şey, başkalarının ne düşündüğünü bilmektir.

Ancak bu etki her zaman bir yakınsama etkisine yol açmaz. Bir görüşe zaten güçlü bir şekilde bağlı olanların, kendi görüşleriyle çelişen popüler görüşlere itiraz etme ve kendi görüşlerinin güçlenmesi olasılığı daha yüksektir. Bu bulgulardan öne çıkan nokta, anketlerin, özellikle çok fazla dahil olmayan ancak yine de dikkatli vatandaşlar nezdinde içsel bir müzakereyi tetiklemesidir. Bu teoriyi takip edersek, ipucu verme, eleştirel olmayan bir onay vermekle ilgili değil, tam tersidir.

Kırsal Fransa seçmeninin örneğine dönersek, mahallenin siyasi tercihleri hakkında yeni edinilen bilgi, sizi daha fazla düşünmeye sevk etmelidir. Eğer aşırı sola güçlü bir şekilde bağlıysanız, sağa karşı daha fazla itiraz üretmeniz muhtemeldir. Eğer oldukça kararsızsanız, lehte ve aleyhte argümanları dengeleyecek ve muhtemelen fikrinizi sağa doğru değiştireceksiniz. Benzer bir argüman oy kullanma veya çekimser kalma kararı için de geçerli olabilir. Eğer çekimser kalmaya karar verdiyseniz, bunu yapmak için ek nedenler bulabilirsiniz. Eğer oldukça kararsızsanız, çekimser kalma veya kendinizi daha fazla harekete geçirme lehine ve aleyhine argümanları tartabilirsiniz. Her halükarda, eleştirel düşünme kapasitesinin zayıflatılmak yerine artırıldığı ve bu nedenle özerkliğin korunduğu görülmektedir.

Geleneksel anketler, seçim demokrasisinin karmaşıklığı içinde seçmenlerin tercihlerini kolaylaştırarak fikir birliği ipuçları sağlama ve muhtemelen iç müzakereleri tetikleme yoluyla ipucu verme konusunda yararlı bir rol oynar.

Bizim argümanımız bir adım daha ileri gidiyor. Zor bir karar verme zamanı geldiğinde, daha fazla uzmanlığa sahip veya/veya sizinle aynı ilgi alanlarını paylaşan birine güvenmek mantıksız değildir. Bu, başkalarının epistemik zekâsına başvurma özerkliğinizi reddetmez.

Anketler dikkat çekici ipuçları veriyorsa, yapay zeka destekli anketlerin ayrıntısı ve kesinliği epistemik etkilerini yeni bir seviyeye taşıyor. Ayrıntılı tahminler, seçmenlerin iki bilinen kısayolu verimli bir şekilde birleştirmelerine olanak tanıyor: “mutabakat ipuçları” ve “grup onayı ipuçları”. Yeni anket yöntemlerinin, farklı demografik gruplar için benzeri görülmemiş bir hassasiyet düzeyinde tahminler üretebildiğini hatırlayın. Adayların kitlesel desteği hakkındaki bilginin “mutabakat ipuçları” ürettiğini daha önce açıklamıştık.

Normatif bir bakış açısından, bu bulgu çelişkilidir. Bir yandan, eleştirel düşünme ve akıl yürütme teşvikini kutlamak istiyoruz. Diğer yandan, en popüler görüşü (daha kararsız seçmenler için) savunmak sorunlu görünebilir, çünkü popüler görüşlerin (1) belirli bir seçmenin çıkarlarına hizmet ettiğinin; (2) arzu edilen bir seçim sonucunu izlediğinin garantisi yoktur.

Yeni anket yöntemlerinin ortaya çıkışı, kişinin kendini özdeşleştirdiği diğerlerinin ne düşündüğünü ve tersine, kişinin ilişkilendirilmek istemediği diğerlerinin ne düşündüğünü büyük bir kesinlikle bilme olasılığını sunarak, potansiyel olarak bir önyargı düzelticisine olanak tanır. Buna grup onayı diyebilirsiniz (Lau ve Redlawsk 2001 ). Mekanizma basittir: güvendiğiniz bir diğerinin, örneğin kendinizi özdeşleştirdiğiniz bir sosyal grubun yargısına başvurursunuz. Anket sonuçlarına başvurmak, muhtemelen kişinin mahallesindeki bir tanıdığının yargısına başvurmaktan çok daha büyük bir avantaj sağlar: anketler çeşitli demografik özelliklerin toplu tercihlerini ifade eder. İnce ayrıntılı tahminlerin yeni olasılığı, seçmenlerin kendilerini özdeşleştirdikleri demografik özelliklerin toplu görüşlerini daha doğru bir şekilde bilmelerini sağlar.

Elbette, ipuçları güvenilir olmadıklarında ve körü körüne takip edildiklerinde özerkliği baltalayabilirler. Güvenilmez ipuçlarının klasik bir örneği, deneysel kanıtların arama motoru sonuçlarının sıralamasının, değerlerine bağlı olarak oy tercihini marjinal olarak değiştirebileceğini gösterdiği Arama Motoru Manipülasyon Etkisi’dir (SEME) (Epstein ve Robertson 2015 ). Dolayısıyla, yaklaşan seçimler hakkında daha fazla bilgi edinmek isteyen potansiyel bir seçmen olarak, bir arama motoruna ‘Donald Trump’ sözcüklerini yazarsanız, sonuçlar arasındaki ilk bağlantı adayı olumsuz değil de olumlu bir ışıkta sunuyorsa tercihleriniz marjinal olarak değişebilir. Kararsız seçmenler için beklenen değişiklik boyutu büyük olabilir; arama öncesi tercihlere göre %20’lik bir kayma mertebesinde. SEME örneği, arama motorunun sunduğu ‘bilgi kısayollarının’ müzakere sürecini tamamen atlattığı, ipuçlarının daha karanlık bir tarafını açıkça göstermektedir.

Ancak, yapay zekâ anketlerinin sağladığı ipuçlarının, benzer durumdaki seçmenlerin kolektif zekâsını yansıttığı için daha güvenilir olduğunu savunuyoruz. Yapay zekâ anketleri, benim çıkarlarımı paylaşma olasılığı yüksek seçmenlerin kamuoyu görüşünü değerlendirmeye ve hangi seçim sonucunun benim için olumlu olduğuna dair gerçek sinyaller taşımaya yardımcı olabilir. Öte yandan, SEME, muhtemelen gelir elde etmeye ayarlanmış Google arama algoritmasının optimizasyonu yoluyla ortaya çıkar. Bu optimizasyon süreci hiçbir seçmenin çıkarlarını takip etmez.

SEME örneğinin aksine, sık ve ayrıntılı yapay zeka anketlerinin çeşitli ve güvenilir ipuçlarının bulunabilirliğini artırdığını ve bunun da otonom seçimi artıracağını düşünmek için iyi nedenlerimiz var.

Fransa kırsalındaki seçmen örneğine geri dönersek, lisede öğretmen olduğunuzu varsayalım. Oy verme kararınızı bilgilendirmek için internette ilgili bilgileri ararken, yalnızca mahallenizin oy verme eğilimlerini değil, aynı zamanda ilgili sosyo-demografik grubunuzun oy verme eğilimlerini de göreceksiniz. Yapay zeka anketlerinden önce iki seçeneğiniz vardı: toplu bir tercihler kümesine (yani ulusal düzeyde) veya küçük bir yerel tercihler kümesine (yani aileniz ve arkadaşlarınız) güvenmek. Şimdi, bölgenizdeki diğer lise öğretmenleri gibi sizin için önemli olan grup onay ipuçlarından yararlanabilirsiniz. Her şey düşünüldüğünde, anket ipuçları özerkliği artırabilir. Yapay zeka, etki kaynaklarını çeşitlendirir ve seçmenlerin bilgisini artırır. Bir sonraki bölümde olasılıksal bilgi konusunu daha ayrıntılı olarak ele alacağız.

6 Taktiksel oylama itirazı

Aşağıdaki örneği ele alalım. Birleşik Krallık’ta, 2019’da çoğunluk sistemiyle rekabetin yüksek olduğu Guildford bölgesinden bir İşçi Partisi seçmenisiniz. Kampanya sırasında, taktiksel oy kullanmak istemeniz durumunda oy tercihinizi belirleyecek yalnızca bir kamuoyu yoklaması vardı. Dahası, anketin örneklem büyüklüğü küçüktü (500 katılımcı) ve anketin zaman çerçevesi nispeten belirsizdi, 21-26 Kasım tarihleri arasında gerçekleştirildi ve 12 Aralık seçim gününe göre potansiyel olarak güncelliğini yitirmiş olabilir. Anket, Liberal Demokratlar ve Muhafazakârlar arasında çok sıkı bir yarış olduğunu gösterdi ve Liberal Demokratlara %1’lik bir üstünlük sağladı. Bu sonuca güveniyorsanız, en kötü sonucu, yani Muhafazakârların zaferini önlemek için taktiksel olarak Liberal Demokratlara oy vermeniz için geçerli nedenleriniz var. Şimdi bunu, aynı yıl YouGov tarafından bu seçim bölgesinde sağlanan yapay zekâ anketiyle karşılaştırın. MrP modeli, 4 Aralık ile 10 Aralık (seçimden iki gün önce) arasında her gün yeni bir tahmin tahmin edebildi ve çevrimiçi bir panelden alınan 105.612 katılımcıdan oluşan ulusal bir örneklemden yararlandı. Guildford için yayınlanan son MrP tahminleri, Muhafazakârlara %5’lik bir üstünlük sağlayarak çok daha isabetli çıktı; bu da Muhafazakârların lehine gözlenen %5,7’lik üstünlüğe çok daha yakın bir tahmindi. Varsayımsal bir seçmen olarak siz, bu sonuçların farkında olsaydınız, gerçek tercihiniz olan İşçi Partisi adayına oy vermeye ve taktiksel oy vermenin ahlaki maliyetinden kaçınmaya karar verebilirdiniz.

Seçim dönemlerinde geleneksel kamuoyu yoklamalarının normatif önemi sıklıkla göz ardı edilmiş ve bazen eleştirilmiştir. Bazıları, seçmenlerin yanlış bilgilere dayanarak taktiksel kararlar alması nedeniyle, anket sonuçlarının güvenilmezliğinin seçim sürecini bozabileceğinden endişe duymaktadır (Dummett 1997 ). Yanıltıcı bilgi olmasa bile, anket sonuçlarının taktiksel oy verme davranışlarını mümkün kılabileceğinden endişe edilebilir; bu itiraz (Sonderholm 2016 ) tarafından eleştirel bir şekilde değerlendirilmektedir. Bu endişe, taktiksel oy vermenin, kişinin ilk tercihine oy vermesinin aksine, ahlaki açıdan sorgulanabilir bir yanı olduğu varsayımına dayanmaktadır; buna bazen “samimi oy verme” denir.

Bu bağlamda, diğer filozoflar taktiksel oylamanın bazı erdemlerini vurgulamışlardır. James Lindley Wilson, bunun başkalarının görüşlerini üretken bir şekilde dikkate almanın bir yolu olduğunu öne sürmektedir (Wilson 2019 ). Bu, önceki bölümde savunduğumuz görüşle tam olarak örtüşmektedir. Steven Geisz ise daha derinlemesine inceleyerek, belirli koşullar altında taktiksel oy kullanma konusunda ahlaki bir yükümlülük olabileceğini ileri sürmektedir (Geisz 2006 ).

Taktiksel oylamaya ilişkin bu daha olumlu bakış açısını paylaşıyoruz. Anket sonuçlarının seçmen bilgisine önemli ölçüde katkıda bulunduğunu ve seçmenlerin taktiksel oylama amaçları için daha ayrıntılı ve sık sonuçlara ilgi duyduğunu savunuyoruz. Yapay zeka, bunu geleneksel anketlerin sağlayamadığı bir şekilde mümkün kılıyor. Aşağıda, Alvin Goldman’ın seçim demokrasisinde ‘temel seçmen bilgisi’ (Goldman 2002 ) hakkındaki açıklamasını ele alıyor ve eleştirel bir yaklaşımla ele alıyor ve stratejik bilgi içeren güncellenmiş bir açıklama sunuyoruz. Yüksek kaliteli anket sonuçlarının da temel bilgi olarak sayılması gerektiğini savunuyoruz.

Seçimli demokrasilerde, seçmenlerin belirli bir bilgi türünde çıkarları vardır. Tercihlerini oluşturabilmeleri ve en iyi seçimi yapabilmeleri için her aday ve platformu hakkında uygun bilgilere erişmeleri gerekir. Goldman, seçimli bir demokrasinin iyi işlemesi için olmazsa olmaz demokratik bir değer olarak düşünülen “temel seçmen bilgisi” kavramını faydalı bir şekilde teorize etmiştir. Basitçe ifade etmek gerekirse, temel seçmen bilgisi, seçmenlerin kendi bakış açılarına göre hangi adayın daha iyi olacağına karar vermelerini sağlayan şeydir.

Seçmenlerin yeterince bilgilendirilmesi, seçim sonuçlarının seçmen tercihlerini gerçekten yansıtabilmesi için esastır. Bu nedenle iyi işleyen bir demokrasi, temel seçmen bilgisini geliştirmeye ve Goldman’ın CVK kriteri olarak adlandırdığı “temel seçmen bilgisine elverişlilik kriteri”ni (Goldman 2002 , s. 330) yerine getirmeye çalışmalıdır. İlgili kurumlar, aktörler ve uygulamalar, seçmenlerin bilinçli bir seçim yapmalarına yardımcı olmak ve bilgiyi zayıflatan uygulamaları ortadan kaldırmak için çalışmalıdır. Örneğin, Goldman’a göre siyasi kampanyaların özel olarak finanse edilmesi veya basının yetersiz eğitimi CVK’yı zayıflatabilir. Seçimleri ‘at yarışı benzeri’ bir oyun olarak tasvir etmek, odağı en iyi adayı bulmaktan, kazanma şansı olan yeterince iyi bir adayı seçmeye kaydırdığı için, bilginin uygun şekilde edinilmesini de çarpıtır.

Goldman stratejik bilgiyi reddediyor. Buna direnmek istiyoruz. Tüm seçimler ve oy verme yöntemleri stratejik davranışlara tabidir (Gibbard 1973 ; Satterthwaite 1975 ). Stratejik bileşeninden yoksun bir seçim sistemi görüşü temelinde yeterli seçim bilgisinin normatif bir kavramını inşa etmek sorunludur; bu temelde parametrik bir oyun olarak yorumlanır. Stratejik davranışlar koordineli uygulamaları içerir. Bir seçmenin taktiksel olarak oy vermeye, yani genel sonucu optimize etmek için daha az tercih edilen bir sonuç kümesini seçmeye karar vermesi, başkalarının oy verme davranışlarına ilişkin olasılıksal bilgiye dayanır. Çekirdek seçmen bilgisi kavramının, diğer seçmenlerin nasıl oy vereceğine ilişkin olasılıksal bilgi biçimindeki stratejik bilgiyi de içerecek şekilde revize edilmesi gerektiğini iddia ediyoruz.

Anket sonuçları, seçmenlerin adaylar arasında karşılaştırmalı değerlendirmeler yapmalarına yardımcı oldukları ölçüde, temel seçmen bilgisine de katkıda bulunur. Benzer durumdaki seçmenlerin hangi adaylara oy vereceğinin bilinmesi, nasıl oy kullanılacağını bilmek için gerçekten de faydalı bir kısayol olabilir. Anketler, bir adayın uygulanabilirliği hakkında fikir verir ve böylece uygulanabilir seçeneklerin sayısını azaltarak karar vermeyi kolaylaştırır (Aldrich 1980 ; Lau ve Redlawsk 2001 ). Bir seçmen, adayının kazanma şansının neredeyse hiç olmadığını biliyorsa, bu seçeneği göz ardı edebilir; bu da seçeneklerin bir kısmını ortadan kaldırır ve oy verme kararını büyük ölçüde basitleştirir.

Yapay zeka anketlerinin, stratejik bilginin ayrıntı düzeyini ve sıklığını artırarak geleneksel anket yöntemlerine kıyasla temel seçmen bilgisine daha etkili bir şekilde katkıda bulunduğu sonucuna vardık.

İngiltere seçmeni örneğine geri dönersek, (gözden geçirilmiş) temel seçmen sorunuz şudur: “Bana göre kazanma şansı olan hangi aday daha iyi?” (Dummett 1997 ) Geleneksel anketlerde, taktiksel olarak LibDem’e oy vermeye yönlendirilirdiniz (İşçi Partisi için ilk tercihinizi boşa harcardınız). Gerçekte, LibDem’lerin kazanma şansı geleneksel anketin varsaydığından önemli ölçüde daha düşüktü. Yapay zeka anketlerinin sağladığı yerel tercihlerin sık sık ayrıntılı düzeyde tahmin edilmesi yoluyla bu önyargıyı keşfetme olasılığınız çok daha yüksekti. Yapay zeka anketörü yanılmaz olmasa da ve geleneksel anketlerle benzer büyüklükte hatalara yol açabilse de, kamuoyu tutumlarındaki değişiklikleri daha sık anketleme yeteneği, Guildford seçmenine olasılıksal bilgi açısından bir avantaj sağlıyor.

Bu örnek, yapay zeka anketleriyle zenginleştirilen temel seçmen bilgisinin, seçmenlerin tercihlerini daha iyi karşılamalarına nasıl yardımcı olabileceğini açıkça göstermektedir. Ancak, yapay zeka anketlerinin faydaları sistematik bir risk taşımaktadır. Sık ve ayrıntılı tahminler üretmek için kullanılan metodolojinin artan karmaşıklığı, belirsizliğe yol açabilir ve örnekleme ve modellemedeki olası önyargıları gizleyebilir. Bir sonraki bölümde manipülasyon itirazını değerlendirip yanıtlayacağız.

7 Manipülasyon itirazı

Aşağıdaki örneği ele alalım. Bir dezenformasyon kampanyası, ulusal bir siyasi söyleme ayrıntılı bir düzeyde sahte tercihler enjekte etmek için kasıtlı olarak önyargılı yapay zeka anketleri kullanır. Birçok yapay zeka anketi gibi, modellerinin bir “kara kutu” olduğunu ve kolayca denetlenemeyeceğini iddia ederler. Temel verileri yayınlarlar, ancak yapay zekanın kara kutu yapısı nedeniyle verilerde hangi ayarlamaları yaptığını tespit etmek imkansızdır. Buna karşılık, geleneksel bir anket, temel verilere erişilerek ve yalnızca sayılar toplanarak kolayca denetlenebilir. Dolayısıyla bir denge vardır: artan sıklık ve ayrıntı düzeyi, şeffaflıktaki azalmayla karşılaştırılmalıdır. Güvenilmez ipuçlarının enjekte edilmesi yoluyla seçim tercihlerinin ve sonuçlarının çarpıtılması gibi olası sonuçlar göz önüne alındığında, yapay zeka anketleri seçim süreci için sistematik bir risk oluşturmaktadır.

Yapay zeka anketörlerini, geleneksel anketörlere yaptığımız gibi sorumlu tutmak çok önemlidir. Bunun nedeni, seçim sonuçlarını etkileme potansiyelleridir. Geleneksel anketörler, seçim kampanyaları sırasında ne ölçüde mantıklı kararlar aldıklarını ve raporlamalarında ne kadar sorumlu davrandıklarını değerlendiren belirli teşhislere tabidir. Bu tür ölüm sonrası değerlendirmelerin klasik örnekleri, 2015 seçimlerindeki büyük şaşkınlıktan sonra Birleşik Krallık anket endüstrisi hakkındaki rapor (Sturgis vd. 2016 ) ve 2016 ABD seçimlerini takiben benzer bir rapordur (Kennedy vd. 2018 ). Dahası, anketörlerin sıralanması genellikle her firma tarafından yapılan net araştırma tasarımı seçimlerine ve seçimden seçime ölçülebilir doğruluklarına dayanarak mümkündür. Anket performansına yönelik bu soruşturmalar, anketörlerin itibarını etkileyebilir ve daha yüksek veya daha düşük güvenilirliğe yol açabilir. Açık bir manipülasyon kanıtı ortaya çıkarsa, söz konusu anket firması potansiyel olarak ölümcül bir darbe alabilir. Anketörlerin performansını teşhis edebilme yeteneği, sektörün dürüst kalmasını ve kamuoyunun iyi bilgilendirilmesini sağlar.

Bu tür teşhisler geleneksel olarak anket probleminin nispeten basit boyutları nedeniyle mümkündür ve bu problem geleneksel olarak birkaç basit kurala dayanır: (a) katılım ne ölçüde hesaba katılmıştır ve nasıl?; (b) örnekler ne ölçüde uygun şekilde istatistiksel olarak güçlendirilmiş ve temsili olarak kullanılmıştır?; (c) anketin başarısızlığına makul bir şekilde katkıda bulunmuş olabilecek ‘geç salınımlar’, ‘utangaç seçmenler’, ‘farklı yanıt vermeme’ veya diğer çeşitli olgulara dair kanıt var mıydı? Karşılaştırılabilir özellikler yapay zeka anketleri için her zaman mevcut değildir. Yapay zeka anketlerinin opak olabileceği ve çıktılarının girdi verilerinin denetlenmesiyle kolayca açıklanamaması gerçekten de doğrudur. Açıklanabilirlik, herhangi bir yeni yapay zeka durumunda olduğu gibi, yapay zeka anketörlerini sorumlu tutmak için gerekli bir ön koşuldur (Floridi ve Cowls 2022 ). Açıklanabilirlik, yapay zeka anketörleri ile kamuoyu arasında güvenin oluşmasına yardımcı olabilir (Papagni vd. 2023 ), bu da demokratik değerini ortaya çıkarmak için gereklidir. Manipülasyon itirazına karşı korunmak için karşılamamız gereken kriter budur.

Bu yeni teknolojiyi benzersiz bir şekilde açıklanamaz kılan iki özel riski belirleyebiliriz: (1) Yapay zekanın örneklem önyargılarını tam olarak düzeltebileceği vaadiyle temsili olmayan örneklerin kullanılması; (2) tahminler üretmek için kullanılan modellerin, büyük ölçüde karmaşıklıkları nedeniyle yorumlanamaması.

Önyargılı örneklemler iki nedenden dolayı sorunludur. Birincisi, şeffaflık. Yapay zekâ anketlerinin girdi verilerine erişim, yapay zekâ anketörlerinin metodolojisi hakkında yalnızca kısmi ve kesinlikle yetersiz bilgi sağlar. Girdi verilerinde bir önyargı tespit etmek, anketörün belirli modelleme tercihlerine bağlı olarak, çıktıda (tahminlerde) aynı yönde bir önyargı olacağı anlamına gelmez. Modelleri tam olarak anlamadan, anketörden hesap soramayız. Dahası, örnekler genellikle ‘kolaylık’ esasına göre veya hatta bir yapay zekâ tarafından sentetik olarak toplanır; bu da bilimsel olarak kalibre edilmiş bir anket örnekleme tasarımına kıyasla daha fazla belirsizlik katmanı ekler.

İkincisi, doğruluk. Yapay zekâ anketlerinin örneklem sapmalarını düzeltme yeteneği arttıkça, anket sektörü “sınırları zorlamaya” ve giderek daha “riskli” (güçsüz, temsil gücü düşük, daha ucuz vb.) örneklere güvenmeye teşvik ediliyor. Bu davranış nihayetinde kabul görmüş metodolojilerin istikrarlı bir dengesine yakınlaşsa da, önyargılı örneklere doğru akın, yayınlanan yapay zekâ anketlerinin kısa ve orta vadeli doğruluğu için önemli bir tehdit oluşturuyor ve bu da seçim tercihleri üzerinde olumsuz etkilere yol açabiliyor.

Yapay zeka anketörlerini sorumlu tutmanın en önemli sorunu, yapay zeka anket modellerini açıklayabilme becerisinde yatmaktadır. Bu, yapay zeka literatüründe klasik ve henüz çözülememiş bir sorundur (Gunning vd. 2019 ; Doshi-Velez ve Kim 2017 ).

Yapay zekâ anket paradigması kapsamındaki açıklanabilirlik sorununu, mevcut açıklama standartlarını güçlendirerek ele almayı öneriyoruz. Örnekleme sonrası açıklama standartlarına odaklanıyoruz; bu da anket araçlarının tasarımı ve yönetiminde veya temel örneklerin oluşturulmasında şeffaflık sorunlarını ele almadığımız anlamına geliyor. Bu özellikler, anketörlerin üyelik başvurusunda bulunduğu İngiltere’deki Pazar Araştırmaları Derneği ve İngiliz Anket Konseyi veya ABD’deki Amerikan Kamuoyu Araştırmaları Derneği gibi büyük sektör dernekleri tarafından genellikle zaten iyi bir şekilde ele alınmıştır. Dahası, yapay zekâ anketleri, yukarıda belirtilen kurumlar tarafından ele alınmayan, geleneksel anketlerin ötesinde örnek toplamanın yeni yollarını getirdiği ölçüde -sentetik katılımcıların oluşturulması, dijital iz verilerinin toplu olarak toplanması veya birden fazla veritabanının birbirine bağlanması gibi- bunlar yalnızca tercihlerin tutarlı ve doğrudan yanlış tahmin edilmesine yol açtığı gösterilebilirse önemlidir. Önemli olan -ve bizim görüşümüze göre mevcut standartlar tarafından büyük ölçüde ele alınmayan- ‘ağırlıklandırma’ ve ‘oy tahmini’ prosedürüyle ilgili daha dikkatli bir standartlar kümesidir.^Dipnot⁶

Yapay zeka anketörlerinin ilgi duyulan bir popülasyon için ağırlık üretmek ve oy tercihini tahmin etmek amacıyla kullandıkları modelleri iki geniş aile altında kategorize edebiliriz: parametrik modeller (Park vd. 2004 ; Hanretty vd. 2018 ; Hanretty 2019 ; Lauderdale vd. 2020 ) ve parametrik olmayan modeller (Bisbee 2019 ; Ornstein 2019 ; Broniecki vd. 2022 ).

(1) Parametreli modeller : Bunlar, yorumlanabilir ve teorik olarak motive edilmiş, tanımlanmış ve kısıtlı bir parametre ve değişken kümesiyle karakterize edilen modellerdir. Bu modellerin girdisi, özelliklerini daha geniş popülasyona genelleştirmek için bir ML algoritması tarafından işlenen bir katılımcı örneğidir. Popülasyondaki her “hücre” için bu genelleştirilmiş tahminlere daha sonra modelleme sonucunda oluşturulabilecek ağırlıklar atanır. Ağırlıklandırılmış hücre düzeyindeki tahminler, anket tahminlerini oluşturmak için bir araya getirilir. Örneğin ötesinde, hem örneğin genelleştirilmesi hem de oluşturulan ağırlıklar için kamuya açık veri kümeleriyle bağlantı yoluyla elde edilen bir dizi seçilmiş yardımcı değişken kullanılır.

(2) Parametrik Olmayan Modeller : Bunlar, altta yatan örneğin büyüklüğüne ve karmaşıklığına göre artma eğiliminde olan tanımlanmamış bir parametre kümesiyle karakterize edilen modellerdir. Parametrik modellerin aksine, bu algoritmaların parametreleri yorumlanamaz. Parametreler, farklı örneklere uyan modeller arasında karşılaştırılamaz; çünkü aynı model, belirli örneğin özelliklerine bağlı olarak verilerden farklı gizli yapılar öğrenecektir. Yorumlanabilirliğin olmaması ve tanımlanamayan parametrelerin esnek sayısının ötesinde, çıkarım üretme mekanizmaları parametrik modellerle aynıdır: bir örnek, ilgi duyulan bir popülasyona genelleştirilmesi amacıyla parametrik olmayan bir modele girdi olarak verilir; başka bir parametrik olmayan model, örneği düzeltmek için optimum ağırlıklar üretmekten sorumludur; ağırlıklı genelleştirilmiş tahminlerin toplanmasıyla nihai bir tahmin üretilir.

Hem parametrik hem de parametrik olmayan yapay zeka sorgulamalarında, temel örnek mikro verilere erişim, açıklanabilirliği garanti etmez. Benzer şekilde, toplu düzeyde doğru bir tahmin yine de şans eseri mümkün olabilir ve bu, temelde güvenilir ve iyi niyetli bir mekanizmanın garantisi değildir. Dolayısıyla, denetlenmesi gereken şey, yapay zeka tarafından gerçekleştirilen öğrenme sürecinin kalitesidir. Önerilen herhangi bir denetim mekanizmasının hem parametrik hem de parametrik olmayan modeller için geçerli olması gerekir.

Standartları, şunların yayınlanmasını içerecek şekilde genişletmeyi öneriyoruz: (i) tercihlerin ağırlıklarını ve hücre düzeyinde tahminlerini üretmek için kullanılan modelleme çerçevelerinin açıklaması; (ii) her model için, ‘değişken önemi’nin kabul edilebilir bir ölçüsü; ağırlıkların ve tercihlerin tahmininde hangi değişkenlerin diğer girdilere göre daha büyük veya daha küçük bir rol oynadığının bir ölçüsü.

Bu genişletilmiş açıklama iki amaca hizmet eder: Birincisi, (i) ankette kullanılan ML modellerinin açıklaması yoluyla metodoloji açısından genel şeffaflık sağlar. Burada, seçilen her model için genel bir ayrıntı düzeyinin şeffaflık amaçları için yeterli olacağını belirtmekte fayda var; örneğin, yapılandırılmış önsellere sahip klasik MrP durumunda (Gao vd. 2021 ), bu paradigma içindeki her sonraki modelleme seçeneğini açıklamak yerine, bunun seçilen yöntem olduğunu bilmek yeterli olacaktır. Bu ayrıca, anketörlerin deneyebilecekleri herhangi bir yeni fikri mülkiyetin ekonomik değerini tehlikeye atmadan şeffaf olmalarını sağlar. İkincisi, (ii) halkın tercih tahmini ve ağırlıklandırma için değişken öneme sahip ölçütlere erişerek ‘kötü öğrenme’ örneklerini incelemesini sağlar. Örneğin, İşçi Partisi’ne oy verme olasılığını tahmin eden bir modelin, alışveriş alışkanlıkları veya kişilik özellikleri gibi görünüşte sahte korelasyonlara, sınıf, yaş, eğitim, bölge düzeyinde bağlamsal bilgiler vb. gibi yerleşik öngörücülere kıyasla daha fazla önem verdiğini keşfedersek, Birleşik Krallık’ta seçim öncesi yapılan bir yapay zeka anketinin geçerliliği konusunda endişe duyabiliriz. Belirli bir önem ölçüsünü savunmuyoruz; ancak bu ölçütlerin modeller, örnekler ve anketörler arasında yorumlanabilir ve karşılaştırılabilir olması gerektiğini vurguluyoruz. Böyle bir ölçütün bir örneği permütasyon önemidir (Altmann vd. 2010 ).

Yapay zeka anketlerinin temel bir özelliği, bir dizi ‘hücre’ veya seçmen tipi için tahmin yapılmasıdır. Buradaki zorluk, her anketörün prensipte hücreleri farklı şekilde tanımlayabilmesidir; örneğin, her anketör yaşları farklı parantezler kullanarak işlevselleştirmeyi veya hücreleri siyasete olan ilgiye ve geçmiş oylara göre ayırmayı seçebilirken, diğerleri bunu tercih etmeyebilir. Önerdiğimiz açıklama uzantısı (iii), yukarıda belirtilen anket derneklerinden herhangi biri tarafından yayınlanacak ve minimum sayıda hücre içeren bir kıyaslama tabakalaşma çerçevesi oluşturulmasını savunmaktır. Örneğin, bu kıyaslama çerçevesi, İngiliz nüfusunu seçim bölgesi, cinsiyet, yaş ve eğitime göre ayırabilir ve her boyuta, çok çeşitli anketöre özgü tasarım tercihleriyle uyumlu çok basit kategoriler atanır (örneğin, cinsiyet: {erkek, kadın}, yaş: {18–64,65+}, eğitim: {üniversite eğitimi var, üniversite eğitimi yok}; vb.). Bu minimal hücrelerin her biri için, anketörlerin her hücreyle ilişkili ‘ağırlık’ (yani, modellerine göre seçmenler arasında ‘bu türden’ kaç kişinin bulunduğuna dair bir tahmin) ve belirli bir partiye oy verme olasılığı hakkında bir tahminde bulunmaları gerekecektir. Anketör derneği daha sonra, seçim sırasında veya sonunda, optimum bir örneklem ve modele dayalı bir dizi ‘kıyaslama’ tahmini ve ağırlığı üretebilir. Anketörlerin tahminleri ile kıyaslama değerleri arasında yapılacak bir karşılaştırma, kamuoyunu tahminlerin belirli önyargılara sahip olup olmadığı konusunda bilgilendirebilir; örneğin, belirli bir anketör, kadınları içeren hücreler için, anketör derneğinin sağladığı kıyaslamaya göre Muhafazakâr Parti’ye oy verme olasılıklarının ortalama %30 daha fazla olduğunu gösteren tahminler üretmiş olabilir. Burada, bazı anketörlerin ticari nedenlerle tam bir ağırlık ve tahmin kümesini saklamak isteyebileceğini unutmayın. Bu ‘minimal’ hücrelerin özgüllük düzeyi, herhangi bir anketörün ticari çıkarlarını tehlikeye atacak kadar derin olmayacaktır. Bu, ifşaya karşı bir argüman ise, modelleme çerçevesinde büyük önyargıların varlığını tahmin etmek için minimal hücrelerin küçük bir rastgele örneği yeterli olacaktır.

Manipülasyon itirazından kurtulmanın yolu açıklanabilirliktir. Yapay zekâ anketlerinin şeffaflığını artırmaya yardımcı olmak için üç yeni açıklama standardı öneriyoruz. Görüşümüze göre, yapay zekâ anketörleri (i) ağırlıklandırma ve tahmin modelleri için kullanılan makine öğrenmesi algoritmaları hakkında ayrıntılar; (ii) tahmin prosedürünün bir parçası olarak her model uyumu için değişken önem ölçütleri; (iii) göreceli önyargıyı belirlemek için kıyaslama hücreleri hakkındaki tahminleri açıklamalıdır. Bu standartların, belirli bir yapay zekâ anketörünün tahmin prosedürünün kalitesini belirlemek ve kötü niyetli aktörlerin sıra dışı veya motive edici iddialarda bulunmasını önlemek için yeterli olduğuna inanıyoruz. Bu yeni açıklama standartları, bu yapay zekâ anket teknolojilerinin ” erişilebilirlik sağlayarak aklı güvence altına alan kurumsal bir altyapıya ” (Beckman vd. 2022 ) yerleştirilmesine katkıda bulunacak ve böylece yapay zekâ anketlerine demokratik meşruiyet kazandıracaktır. Yapay zekâ anketlerinin açıklanabilirlik değerinden ödün veremeyeceğini savunuyoruz. Bu, politika yapımına rehberlik etmelidir.

Yanlış bilgilendirme kampanyası örneğine dönersek, şüpheli yapay zeka anketörünün gerçek zamanlı denetiminin, makinenin taraflı yapısını ortaya çıkaracağını öngörüyoruz. Anketörün bu soruşturma sonucunda güvenilirliğini kaybetmesini ve bu durumun manipülasyon girişimini boşa çıkaracağını tahmin ediyoruz.

8 Sonuç

Siz, varsayımsal seçmen, yapay zeka kamuoyu anketlerinin kitlesel kullanımından kazançlı çıkarsınız. Bu anketler, karar alma kalitenizi artıracak kadar çeşitli ipuçları sağlar. Taktiksel olarak ne zaman oy vermeniz gerektiği ve gerçek tercihinize göre ne zaman oy vermenin daha uygun olduğu konusunda güvenilir bilgiler üretirler. Yapay zeka anketlerinin artan ayrıntı düzeyi ve sıklığı, demokratik tercihin kalitesini artırma eğilimindedir. Seçim siyasetinin yüksek riskli bir oyun olduğu düşünüldüğünde, bu önemli bir gelişmedir.

Ancak yapay zekâ anketleri gizliliğinizi riske atabilir. Girdiler, veri toplama ve depolama söz konusu olduğunda, “farklı gizlilik” ve üretken derin öğrenme gibi teknolojilerin gizliliği koruyan nitelikte olduğunu savunduk. Çıktılar söz konusu olduğunda ise, tahminlerin ayrıntılılığından kaynaklanan gizlilik risklerinin, yukarıda vurgulanan seçmen bilgisinin önemli ölçüde artmasıyla daha ağır bastığını düşünüyoruz. Siyasi gizliliği özerkliği koruyan bir unsur olarak yorumluyoruz ve her şey göz önüne alındığında yapay zekâ anketlerinin özerk seçimi geliştirdiğini uzun uzadıya savunduk. Gizlilik riskinin yanı sıra, iddia edilen manipülasyon riski de var. Buna, cevabın sektör çapında açıklanabilirlik standartlarının uygulanmasında yattığını söyledik.

Akademik ilgiyi hâlâ bekleyen önemli bir konu, politika tercihlerinden hükümet ve kurumlara yönelik tutumlara kadar her şeyi kapsayan seçim dışı kamuoyu yoklamalarıdır. Vatandaş olarak, artık başkalarının görüşleri hakkında yeni ve güncellenmiş tahminlerle gerçek zamanlı olarak uyarılıyorsunuz. Karar vericiler ayrıca, benzeri görülmemiş bir sıklıkla yapay zeka anket tahminleriyle de yüzleşmek zorunda. Bu kalıcı geri bildirimin duyarlılık, hesap verebilirlik ve seçim kurumlarının geleceği açısından ne anlama geldiği ise henüz bilinmiyor.

Demokratik yapay zeka üzerine, bilim kurgudan esinlenen yaratıcı bir literatüre atıfta bulunarak bitirelim. Bu literatür, geleceğin yapay zeka(lar)ıyla yaşamanın ve onları yönetmenin yeni yollarını öneriyor (Salmi 2023 ). ‘ Kalıcı Seçim ‘ adını verdiğimiz bir düşünce deneyi hayal ediyoruz . Bu senaryoda, yeni politikalar doğrudan halkın tercihlerinin gerçek zamanlı evriminden etkilenir ve bildiğimiz şekliyle temsilci seçimleri artık gerekli değildir. Karar vericiler, yapay zeka tarafından toplanan tercihlere dayalı politikaları uygulama konusunda doğrudan yetkiye sahiptir. Seçmenler, politikacıları değil, politikaları kalıcı olarak seçerler. Böyle bir senaryo büyük riskler taşır: siyasi tercihler değişkendir; arzu edilen politika değişiklikleri son derece düşük popülerliğe sahip olabilir; siyasi tercihler genellikle kutuplaşmıştır ve net bir yöne işaret etmez. Bu senaryo hala bilim kurgu olsa da, yapay zeka anketleriyle etkinleştirilen seçmen tercihlerinin siyasi sistemlerimize daha doğrudan bir şekilde enjekte edilmesi hem gerçekçi hem de potansiyel olarak arzu edilirdir. Bu, vatandaşların politika yapım sürecindeki etkisini artırabilir ve kurumlara olan güvenin yeniden tesis edilmesinde rol oynayabilir.

Notlar

Bu orijinal ayrımı Searle’e borçluyuz: “[…] zayıf yapay zeka[…] hipotezleri daha titiz ve kesin bir biçimde formüle etmemizi ve test etmemizi sağlar. […] Güçlü yapay zekada, programlanmış bilgisayar bilişsel durumlara sahip olduğundan, programlar psikolojik açıklamaları test etmemizi sağlayan basit araçlar değildir; aksine, programların kendisi açıklamaların kendisidir.” (Searle 1980 ).
Bostrom, Dar Yapay Zeka’yı “dar bir görevi çözme hizmetinde optimize edilmiş algoritmaların uygulanması” olarak tanımlıyor (Bostrom 2014 ).
Terim, literatürde gevşek bir şekilde tanımlanmıştır. Laney ve ark. ( 2001 ) tarafından yapılan klasik tanım, ‘3V’ye dayanır: Hacim: Gözlem sayısı ve ölçülebilir boyutlar açısından verinin büyüklüğü; Hız: Yeni gözlemlerin zaman içinde oluşturulma sıklığı; Çeşitlilik: Temel verilerin yapılandırılmış (örneğin, klasik bir anket) veya yapılandırılmamış (örneğin, bir sosyal medya API’sinden gelen çıktı) olma derecesi.
Bu kanıt, yakın zamandaki dikkat çekici anket başarısızlıklarından geliyor, yani, muhafazakar oyların ulusal düzeyde yaklaşık %4 oranında eksik tahmin edildiği Birleşik Krallık’taki 2015 seçimleri ve tercihlerin doğru ulusal tahmin edildiği ancak Trump desteğinin önemli ölçüde ulusal altı düzeyde eksik tahmin edildiği ABD’deki 2016 seçimleri. Bu iki seçim önemlidir, çünkü her ikisi de dikkat çekici anket başarısızlıklarıydı ve her ikisi de ilgili ülkelerdeki anket sistemlerinin kapsamlı incelemelerini tetikledi: Birleşik Krallık’ta Sturgis vd. ( 2016 ), anket başarısızlığını açıklamak için rekabet eden hipotezleri analiz eden öncü bir rapor hazırladı; ABD’de Kennedy vd. ( 2018 ) tarafından benzer bir makale üretildi. Raporların sonuçları dikkat çekici derecede benzerdir: i. sosyal arzu edilirlik yanlılığına dair çok az kanıt (‘Utangaç-Muhafazakar/Trump’ etkileri); ii. yanlış katılım modellemesinin rolüne dair zayıf kanıt; iii. Geç salınıma dair bazı kanıtlar (ABD’de Birleşik Krallık’tan daha güçlü); iv. Anketlerde temsil edilmemenin etkisine dair güçlü kanıtlar. Özellikle, 2016’da Clinton’ı önemli bir farkla destekleyen ABD’li üniversite mezunu seçmenlerin, kilit salınım eyaletlerindeki anketörlere yanıt verme olasılığı önemli ölçüde daha yüksekti ve ten azı , eğitim seviyelerine ilişkin tahminlerini ortalama olarak düzeltti. Birleşik Krallık’ta, seçim öncesi anket mikro verilerinin İngiliz Seçim Çalışması ve İngiliz Sosyal Tutumları anketinden bilinen temsili örneklerle karşılaştırılması, anketlerin 45-65 yaş arasındaki muhafazakar seçmenleri ve İngiltere’nin birçok bölgesini kapsama eğiliminde olmadığını gösterdi.
Bununla birlikte, özel vaka çalışmamızda ticari ve politik olanı birbirinden ayırmak zor olabilir. Kamuya açık veriler ile özel ticari verilerin birleştirilmesi, gizlilik riskleri doğurur. Anketörler, kamu yararı sağlayan ticari işletmelerdir; seçim öncesi doğru anketler, pazar araştırma sektöründe itibarın artmasına ve özel sektör şirketlerinin hizmetlerini talep etmesine teşvik sağlar. Doğru tahminler oldukça kârlıdır.
Örneğin, British Polling Council’in anket ağırlıklarını oluşturma prosedürlerine ilişkin açıklama standartlarına en yakın olduğu nokta üyelik sözleşmesinde bulunabilir: “[…] kamuoyuna açıklanan anketi yürütmekle sorumlu kamuoyu yoklama kuruluşu, verilerin yayınlanmasından sonraki 2 iş günü içinde aşağıdaki bilgileri kendi web sitesinde yayınlayacaktır.[…] Kullanılan herhangi bir ağırlıklandırma, filtreleme, modelleme veya tahmin prosedürlerinin açıklaması, verileri ağırlıklandırmak için kullanılan tüm değişkenler (demografik veya başka türlü) için ağırlıklı/modellenmiş ve (ilgili olduğu yerde) ağırlıklandırılmamış rakamlar (bu değişkenlerin verilerin tablolaştırılmış analizlerinde görünüp görünmediğine bakılmaksızın) ve ağırlıklandırma hedeflerini belirlemek için kullanılan verilerin kaynağı(ları)[…]” (British Polling Council 2023 ).

Referanslar

Acs G, Melis L, Castelluccia C, De Cristofaro E (2018) Üretken sinir ağlarının farklı şekilde özel karışımı. IEEE Trans Knowl Data Eng 31(6):1109–1121