Bir doktorun hastasını dinlemesi, bir jüri üyesinin tanığa inanması veya bir algoritmanın kimin verisini dikkate alması... Hepsinin ortak bir paydası var: Kimin bildiğine kim karar veriyor? İngiliz filozof Miranda Fricker'ın 2007'de ortaya attığı epistemik adaletsizlik kavramı, tam da bu soruyu merkeze alıyor. Fricker'a göre, bilgi alışverişinde bulunduğumuz kişilere yönelik önyargılar, onların söylediklerine hak ettiği değeri vermemize engel oluyor. Bu da sadece bireysel bir nezaket sorunu değil; adaletsizliğin bilgi düzeyinde yeniden üretilmesi anlamına geliyor.

Son yıllarda epistemik adaletsizlik, felsefe çevrelerinden çıkıp hukuk, tıp, eğitim ve yapay zekâ etiği gibi alanlarda tartışılmaya başlandı. Çünkü dijitalleşen dünyada kimin sesinin duyulduğu, kimin verisinin kullanıldığı ve kimin deneyiminin 'kanıt' sayıldığı her zamankinden daha kritik.

Epistemik Adaletsizlik Nedir?

Fricker, epistemik adaletsizliği iki ana kategoriye ayırıyor: tanıklık adaletsizliği ve yorumlama adaletsizliği. Tanıklık adaletsizliği, bir kişinin söylediklerine, kimliğine yönelik önyargılar nedeniyle düşük bir inanılırlık atfedilmesiyle ortaya çıkıyor. Örneğin, bir kadın mühendisin teknik bir konudaki uyarısının, erkek meslektaşının aynı uyarısına kıyasla daha az ciddiye alınması. Ya da bir siyahi hastanın ağrısının, beyaz hastanın ağrısına göre daha az gerçek kabul edilmesi.

Yorumlama adaletsizliği ise daha sinsi. Bir grubun, kendi deneyimini anlamlandıracak kavramsal kaynaklardan yoksun bırakılması anlamına geliyor. Örneğin, cinsel taciz kavramı henüz yaygınlaşmamışken, kadınların yaşadıkları rahatsızlığı dile getirememesi gibi. Bu durumda kişi, yaşadığı şeyi adlandıramadığı için hem kendisi hem de çevresi tarafından anlaşılamıyor.

Tanıklık Adaletsizliği: Sözün Değeri Kimin Elinde?

Tanıklık adaletsizliği, gündelik hayatta sıkça karşımıza çıkıyor. Bir toplantıda sürekli sözü kesilen genç bir çalışan, fikrini bir türlü kabul ettiremeyen bir anne veya aksanı yüzünden entelektüel kapasitesi hafife alınan bir göçmen... Bu örnekler, bilgiye erişimdeki eşitsizliğin sadece kaynaklarla değil, algılarla da ilgili olduğunu gösteriyor.

Fricker, bu tür adaletsizliğin failinin bazen birey değil, toplumsal yapılar olduğunu vurguluyor. Yani kimse açıkça 'senin sözün değersiz' demese de, yerleşik önyargılar ve stereotipler, bazı sesleri sistematik olarak bastırıyor. Bu da bilgi üretiminin demokratik olmadığı anlamına geliyor.

Yorumlama Adaletsizliği: Adı Olmayan Deneyimler

Yorumlama adaletsizliği, belki de en zor fark edilen tür. Çünkü ortada bir 'kurban' ve 'fail' yok; sadece kavramsal bir boşluk var. Örneğin, kronik yorgunluk sendromu uzun yıllar boyunca 'tembellik' veya 'psikolojik' olarak etiketlendi. Hastalar, yaşadıkları gerçek fiziksel çöküşü anlatacak tıbbi bir terim bulamadıkları için ciddiye alınmadı. Benzer şekilde, postpartum depresyon da keşfedilene kadar annelerin yaşadığı derin üzüntü 'annelik hüznü' olarak geçiştirildi.

Bu tür adaletsizlik, bireylerin kendi deneyimlerini bile sorgulamasına yol açıyor: 'Acaba abartıyor muyum?' Bu, epistemik bir gasptır; kişinin kendi gerçekliğine dair güveninin sarsılmasıdır.

Mahkemeden Kliniğe: Epistemik Adaletsizliğin Görünümleri

Epistemik adaletsizlik, soyut bir felsefi kavram olarak kalmıyor; somut kurumlarda kendini gösteriyor. Hukuk sisteminde, tanıkların inandırıcılığı ırk, cinsiyet, sınıf gibi faktörlerden etkilenebiliyor. Araştırmalar, jürilerin beyaz tanıklara siyah tanıklardan daha fazla güvendiğini ortaya koyuyor. Bu, adaletin tecellisi önünde ciddi bir engel.

Sağlık alanında ise kadınların ağrıları daha az ciddiye alınıyor; özellikle siyahi kadınların doğum sırasında yaşadığı komplikasyonların görmezden gelindiği biliniyor. Tıbbi eğitimde kullanılan ders kitaplarının çoğunlukla beyaz erkek bedenine göre hazırlanması, bu eşitsizliği derinleştiriyor.

Yapay Zekâ ve Epistemik Adaletsizlik

Yapay zekâ sistemleri, mevcut veri setlerindeki önyargıları öğrenerek epistemik adaletsizliği katmerleyebilir. Yüz tanıma algoritmalarının koyu tenli bireylerde daha yüksek hata oranına sahip olduğu biliniyor. Benzer şekilde, doğal dil işleme modelleri, azınlık lehçelerini veya dillerini yeterince tanımadığı için bu grupların sesi dijital platformlarda daha az duyuluyor.

Daha da önemlisi, yapay zekâ destekli karar sistemleri (örneğin işe alım veya kredi başvurularında) belirli grupların verilerini sistematik olarak dışlayabiliyor. Bu, epistemik adaletsizliğin otomatikleşmiş hali. Peki, bu durumda kimin verisi 'doğru' kabul ediliyor? Elbette iktidar sahiplerinin.

Algoritmik Önyargıyı Nasıl Fark Ederiz?

Algoritmik önyargıyı tespit etmek için çeşitlilik içeren test setleri kullanmak, modelin farklı demografik gruplardaki performansını ölçmek gerekiyor. Ancak asıl sorun, bu önyargıların çoğu zaman görünmez olması. Çünkü kodun kendisi tarafsız görünse de, beslendiği veri toplumsal eşitsizlikleri yansıtıyor. Bu nedenle, yapay zekâ geliştiricilerinin sadece teknik değil, sosyolojik ve etik bir bakış açısına da sahip olması şart.

Epistemik Adaletsizlikle Mücadele Yolları

Fricker, epistemik adaletsizliğin üstesinden gelmek için bireysel farkındalığın yanı sıra kurumsal dönüşümün de gerektiğini söylüyor. Peki, pratikte ne yapabiliriz?

  • Dinleme pratiği geliştirmek: Özellikle marjinal grupların sözünü kesmeden, önyargısız dinlemek.
  • Kavramsal kaynakları genişletmek: Farklı deneyimleri adlandıracak yeni terimler üretmek ve yaygınlaştırmak.
  • Çeşitliliği artırmak: Karar alma mekanizmalarında farklı kimliklerden insanlara yer vermek.
  • Eğitimle önyargıları kırmak: Epistemik adaletsizlik konusunda farkındalık eğitimleri düzenlemek.
  • Yapay zekâda şeffaflık: Algoritmaların nasıl karar verdiğini denetlenebilir kılmak.

Unutmayalım ki, bilgi güçtür ve bu gücün adil dağıtılması demokrasinin temelidir. Kimin bildiğine kim karar veriyorsa, aslında kimin geleceğe yön vereceğine de karar veriyor.

Sıkça Sorulan Sorular

Epistemik adaletsizlik günlük hayatta nasıl karşımıza çıkar?

Bir toplantıda fikrinizin görmezden gelinmesi, doktorunuzun ağrınızı hafife alması veya bir mağazada takip edilmeniz gibi durumlar epistemik adaletsizliğin yansımalarıdır. Genellikle kimliğinize yönelik önyargılar nedeniyle sözünüze daha az değer verilir.

Epistemik adaletsizlik sadece azınlıkları mı etkiler?

Hayır, herkesi etkileyebilir. Ancak sistematik önyargılar nedeniyle belirli gruplar (kadınlar, etnik azınlıklar, düşük gelirli bireyler) daha sık ve daha yoğun biçimde maruz kalır. Yine de herhangi bir bağlamda bilgisi küçümsenen herkes bu adaletsizliği yaşayabilir.

Yapay zekâ epistemik adaletsizliği azaltabilir mi?

Doğru tasarlanırsa evet. Örneğin, çeşitli veri setleriyle eğitilmiş ve önyargıları sürekli denetlenen algoritmalar, karar süreçlerinde daha adil sonuçlar üretebilir. Ancak mevcut durumda, yapay zekâ çoğunlukla var olan eşitsizlikleri derinleştiriyor. Bu yüzden etik denetim şart.

Epistemik adaletsizlikle mücadelede bireysel olarak ne yapabilirim?

Öncelikle kendi önyargılarınızı fark edin ve dinleme pratiğinizi geliştirin. Çevrenizdeki sesleri duymaya çalışın, özellikle daha az temsil edilen grupların sözlerine öncelik verin. Ayrıca, iş yerinizde veya sosyal çevrenizde farkındalık yaratmak için küçük adımlar atabilirsiniz.

Epistemik adaletsizlik eğitim sisteminde nasıl kendini gösterir?

Ders kitaplarında ve müfredatta çoğunlukla baskın kültürün bakış açısı yer alır; azınlıkların tarihi, katkıları ve deneyimleri göz ardı edilir. Bu da öğrencilerin kendi kimliklerini değersiz hissetmesine yol açar. Ayrıca öğretmenlerin bilinçsiz önyargıları, bazı öğrencilerin potansiyelini gölgeleyebilir.