چگونه هوش مصنوعی نابرابری جنسیتی را تشدید می‌کند؟

آوری سوارتز، پژوهشگر و متخصص فناوری که در این تحقیق مشارکت داشته، توضیح می‌دهد که بخشی از این اختلاف ناشی از تفاوت‌های فرهنگی در برخورد زنان و مردان با فناوری است: «در بسیاری از محیط‌های کاری، وقتی مردان از فناوری‌های جدید استفاده می‌کنند، این اقدام به عنوان نوآوری و پیشرفت حرفه‌ای تعبیر می‌شود. اما متأسفانه زنان ممکن است در همان موقعیت‌ها با برچسب‌هایی مثل تقلب یا عدم صلاحیت حرفه‌ای مواجه شوند.»

سوارتز همچنین هشدار می‌دهد که با تسریع روند ادغام هوش مصنوعی در بازار کار، اگر زنان نتوانند به موقع با این ابزارها آشنا شوند و مهارت‌های لازم را کسب کنند، ممکن است در معرض خطر جدی قرار بگیرند. این تهدید به ویژه برای مشاغلی جدی‌تر است که زنان سهم بزرگی از نیروی کار آن‌ها را تشکیل می‌دهند، مانند حوزه‌های اداری، رسانه‌ای، بهداشتی و مراقبتی.

این یافته‌ها برای کشور ما نیز بسیار مرتبط به نظر می‌رسد، جایی که هنوز شکاف عمیقی در دسترسی زنان و مردان به فناوری‌های دیجیتال و مهارت‌های مرتبط با آن وجود دارد. این نابرابری به عنوان مانعی اساسی در راه تحقق فرصت‌های شغلی عادلانه و توسعه پایدار برای زنان عمل می‌کند.

بدون اقدامات هدفمند برای کاهش این شکاف، خطر عقب‌افتادن زنان از تحولات دیجیتال و تشدید نابرابری‌های جنسیتی در بازار کار بیش از پیش افزایش خواهد یافت.

هوش مصنوعی و نابرابری جنسیتی در مسیر شغلی زنان

در حال حاضر زنان ۲۸ تا ۴۰ درصد از فارغ‌التحصیلان حوزه STEM در سطح جهانی را تشکیل می‌دهند و این درصد در کشورها و مناطق مختلف بسیار متفاوت است.

با توجه به اینکه استفاده از ابزارهای هوش مصنوعی مولد به سرعت در حال گسترش است و پتانسیل استفاده در حوزه‌های مختلف را دارد، توجه به اهمیت بازنمایی عادلانه زنان بسیار حیاتی است. باید به خاطر داشت که شکاف جنسیتی ناشی از کمبود علاقه یا مهارت زنان در حوزه‌های STEM نیست، بلکه پراکندگی آن‌ها در مسیرهای شغلی به دلیل تبعیض سیستماتیک و نابرابری ساختاری است.

برای مثال، تحقیقات نشان می‌دهد که شکاف درصد مردان و زنان با پیشرفت آن‌ها در مسیر شغلی به سمت پست‌های مدیریتی افزایش می‌یابد.

نقش مدل های هوش مصنوعی در کاهش شکاف جنسیتی

سؤال اساسی این است که چه اقداماتی می‌توان برای کاهش خطرات و اطمینان از استفاده از ابزارهای هوش مصنوعی مولذ (به‌ویژه در حوزه‌های حساس‌تر مانند استخدام) به شیوه‌ای که برابری جنسیتی و تنوع در حوزه‌های STEM را تقویت کند، انجام داد.

مهم است که تیم‌های متنوع و فراگیر در توسعه و آزمایش مدل‌های هوش مصنوعی مشارکت داشته باشند تا اطمینان حاصل شود که دیدگاه‌های مختلفی نمایندگی می‌شوند. این موضوع شامل تنوع از نظر نژاد، قومیت و پیشینه اجتماعی-اقتصادی، علاوه بر نمایندگی جنسیتی است.

یکی از مسائل کلیدی این است که داده‌ها و الگوریتم‌های مورد استفاده برای آموزش مدل‌های هوش مصنوعی می‌توانند سوگیری‌های اجتماعی را منعکس و تقویت کنند. بنابراین، این حوزه شایسته توجه ویژه است. باید اطمینان حاصل کنیم که داده‌های مورد استفاده برای آموزش مدل‌های هوش مصنوعی نماینده گروه‌های متنوع هستند و هنگام توسعه الگوریتم‌ها، سوگیری‌های بالقوه در نظر گرفته می‌شوند.

مدل‌ها باید قبل از انتشار عمومی به‌طور کامل آزمایش شوند. مکانیسم‌هایی برای نظارت و ارزیابی مستمر مدل‌ های هوش مصنوعی باید اجرا شود، از جمله امکان امتیازدهی کاربران به پاسخ‌ها و گزارش محتوای نامناسب.

در نهایت، شفافیت مدل‌های هوش مصنوعی بسیار مهم است. هر مدل باید همراه با یک «کارت مدل» باشد که شامل اطلاعاتی درباره نویسندگان مدل، ترکیب مجموعه داده‌ها، الگوریتم یادگیری ماشین استفاده‌شده، کاربرد مورد نظر مدل، اثرات نامطلوب بالقوه و نتایج ارزیابی است.