Ивана Котевска
Вовед
Во ера кога вештачката интелигенција сè повеќе ги обликува општествените одлуки и резултати, нејзината улога во промовирањето или попречувањето на родовата еднаквост станува клучна тема за истражување. Овој труд тврди дека, иако ВИ има потенцијал да ја унапреди родовата еднаквост преку непристрасно донесување одлуки и создавање нови можности, актуелните ВИ системи често ги одржуваат постоечките родови предрасуди. Поради тоа, потребен е сеопфатен пристап кој ги комбинира техничките решенија со социјални и културни реформи за да се постигне вистински напредок во родовата еднаквост.
Машинското учење и алгоритмите што стојат зад ВИ често се базираат на податоци кои ги рефлектираат постоечките нееднаквости во општеството. На пример, при автоматско селектирање на кандидати за вработување, ВИ може несвесно да фаворизира машки апликанти доколку историските податоци покажуваат предност за мажи во одредени позиции. Иако технички гледано алгоритмот е „непристрасен“, резултатот е повторување на веќе постоечките дискриминаторски обрасци. Овие проблеми укажуваат на потребата од внимателно дизајнирање на ВИ системите, кои ќе ги земат предвид родовите прашања уште од самиот почеток.
Покрај тоа, ВИ може да биде искористена и како алатка за позитивни промени. Соодветно програмирани системи може да детектираат родова нееднаквост во текстови, медиумски содржини или огласи за работа, помагајќи им на организациите да станат посвесни за несвесните предрасуди. Исто така, ВИ може да поддржи иницијативи за родова еднаквост преку анализа на податоци кои ја покажуваат нерамномерната застапеност на половите во одредени сектори, со што се отвораат можности за политички интервенции и социјални програми.
На крајот, важно е да се напомене дека технолошкиот развој мора да оди рака под рака со етичките и правните норми. Воведувањето на транспарентност, одговорност и разновидност при развојот на ВИ може значително да придонесе кон намалување на родовите разлики. Затоа, улогата на ВИ не треба да се гледа само како технолошки феномен, туку како дел од пошироката слика за општествениот прогрес и еднаквост.
- Разбирање на вештачката интелигенција
Вештачката интелигенција претставува трансформативна технологија која опфаќа машинско учење, обработка на природен јазик и автоматизирани системи за донесување одлуки. Овие системи сè почесто се користат во различни сектори – од здравство до вработување, образование и финансиски услуги – што го прави нивното влијание врз родовата еднаквост особено значајно.
Во својата основа, ВИ претставува способност на компјутерски системи да учат од податоци, да препознаваат шеми и да донесуваат одлуки или предвидувања без експлицитно програмирање. Машинското учење, како гранка на ВИ, овозможува системите да се прилагодуваат и да се подобруваат со текот на времето, со што се зголемува нивната ефикасност и прецизност. Обработката на природен јазик овозможува разбирање и интерпретација на човечкиот јазик, што се користи во апликации како што се виртуелни асистенти, автоматски преводи и анализа на текстови.
Покрај техничките аспекти, ВИ има и длабоки социјални импликации. Начинот на кој се дизајнираат и применуваат овие системи има директно влијание врз различни општествени групи, вклучително и жените и маргинализираните заедници. Бидејќи алгоритмите на ВИ учат од историски податоци, постои ризик дека тие ќе ги рефлектираат или дури и засилат постоечките нееднаквости. На пример, доколку податоците за работна сила содржат систематска родова пристрасност, алгоритмите за регрутација или унапредување може несвесно да дискриминираат врз основа на пол.
Затоа, разбирањето на основите на ВИ не е важно само за технолозите, туку и за социолозите, политичарите и активистите кои се залагаат за родова еднаквост. Познавањето на механизмите преку кои ВИ функционира е клучно за идентификување на потенцијалните ризици и можности. Само преку интердисциплинарен пристап може да се обезбеди дека овие технологии ќе се развиваат и применуваат на начин кој го почитува човековото достоинство и ги унапредува правата на сите граѓани, без оглед на нивниот род. - Родовата еднаквост: Глобална перспектива
И покрај значителниот напредок во последните децении, родовата нееднаквост останува постојан глобален предизвик. Според најновите извештаи на UN Women, родовите разлики и понатаму постојат во бројни области, вклучувајќи вработување, лидерски позиции и пристап до ресурси. Воведувањето на ВИ во овие сфери претставува и можност и ризик за надминување на овие разлики.
Од една страна, вештачката интелигенција може да биде клучен инструмент за унапредување на родовата еднаквост преку создавање на нови можности за образование, вработување и пристап до информации. На пример, дигиталните платформи базирани на ВИ можат да овозможат жени од рурални и маргинализирани заедници да се вклучат во онлајн економијата, да пристапат до едукација и здравствени информации и да учествуваат во процеси на одлучување. Исто така, ВИ може да помогне во мониторингот на родовата застапеност во институциите и организациите, обезбедувајќи податоци кои можат да послужат за креирање на поефективни јавни политики.
Од друга страна, постои реална опасност овие технологии да ги продлабочат постоечките нееднаквости, особено доколку се развиваат без вклучување на родова перспектива. Без соодветна регулатива и транспарентност, ВИ системите може да ги исклучат жените од новите дигитални економии или да репродуцираат историски предрасуди, како што е случајот со пристрасни системи за регрутација или кредитирање.
Затоа, во глобален контекст, потребна е колективна посветеност – од меѓународни организации, влади, технолошки компании и граѓанското општество – за да се обезбеди дека дигиталната трансформација ќе оди рака под рака со принципите на еднаквост и инклузивност. Само на тој начин вештачката интелигенција може да се искористи како вистинска алатка за промена во правец на поголема родова правда на глобално ниво. - Пресекот на ВИ и родовите прашања
Врската помеѓу ВИ и родовата еднаквост е сложена и повеќеслојна. Новите истражувања покажуваат дека ВИ системите можат или да ги засилат постоечките родови предрасуди или да помогнат во нивното елиминирање – сè зависи од нивниот дизајн и имплементација. Истражувањето на УНЕСКО укажува дека големите јазични модели често ги репродуцираат родовите стереотипи, поврзувајќи одредени професии со одредени родови – на пример, „инженер“ како машка улога и „медицинска сестра“ како женска.
Овој феномен произлегува од податоците на кои ВИ моделите се обучуваат – доколку тие податоци ја рефлектираат историската нерамнотежа, алгоритмите ќе ги засилат истите шаблони. Проблемот не е во самата технологија, туку во недостатокот на внимателна и етичка примена.
Од друга страна, постојат иницијативи кои покажуваат како ВИ може активно да се користи за унапредување на родовата еднаквост. Некои апликации користат алгоритми за следење на родовата застапеност во медиумите или говорите на јавни личности, овозможувајќи анализи кои порано беа невозможни. Ваквите алатки се корисни за откривање на нееднаквостите и за подигнување на јавната свест.
Со други зборови, начинот на кој ќе се искористи ВИ зависи од нашата колективна волја да ја насочиме технологијата кон праведни и одржливи цели. Ако се препознае значењето на родовата перспектива уште во фазата на развој и тестирање на системите, постои реална можност ВИ да стане моќна алатка во борбата за еднаквост. - Пристрасност на ВИ и родова дискриминација
4.1 Студии на случај за пристрасност кај ВИ
Неодамнешни случаи ја истакнуваат распространетоста на родовата пристрасност кај ВИ системите. Во 2024 година, едно големо финансиско друштво се соочи со тужба поради својот ВИ-систем за регрутација, кој систематски ги дискриминирал женските кандидати. Системот, обучен врз основа на историски податоци за вработување, ги реплицирал постоечките родови предрасуди во индустријата. Наместо да промовира правична селекција, тој ги одбивал кандидатките чии биографии содржеле зборови поврзани со женски активности, организации или учество во програми насочени кон жените. Овој случај го нагласува проблемот со т.н. „обука врз пристрасни податоци“, каде што алгоритмите, наместо да ја надминат дискриминацијата, несвесно ја зацврстуваат.
Друг забележителен случај е оној на алгоритмите за автоматско одобрување на кредит во САД, каде што е откриено дека жените имаат значително помала веројатност да добијат идентични кредитни услови како мажите со сличен финансиски профил. Иако алгоритмот не ја користи категоријата „пол“ експлицитно, тој влече заклучоци од индиректни индикатори (како адреса, вработување, образовен профил и потрошувачки навики) кои се корелирани со родови разлики. Овие случаи укажуваат на сложеноста на пристрасноста, која често не се појавува на површината, но сепак има реални последици врз животите на луѓето.
Исто така, во образовниот сектор, истражувања покажаа дека некои ВИ системи за автоматска евалуација на есеи потценуваат текстови напишани од девојчиња, особено кога темите се поврзани со емоционално изразување, кое алгоритмите – поради својата обука врз претежно машки пишувани текстови – го третираат како помалку „академски сериозно“. Ова води до прашања не само за фер евалуација, туку и за тоа како ВИ ги моделира и вреднува различните стилови на изразување и размислување.
Овие студии на случај ја потенцираат потребата од етички надзор, транспарентност во дизајнот и тестирање на алгоритмите, како и вклучување на мултидисциплинарни тимови при развојот на ВИ системи. Особено е важно да се ангажираат жени и маргинализирани групи во процесите на дизајн и ревизија, со цел да се обезбеди дека новите технологии не само што нема да ги повторуваат старите грешки, туку активно ќе придонесуваат за поправедно и еднакво општество.
4.2 Влијание врз вработувањето
Пристрасноста на ВИ има особено загрижувачко влијание врз можностите за вработување. Истражувања на Меѓународната организација на трудот покажуваат дека регрутациските алатки базирани на ВИ можат да ја продолжат родовата дискриминација доколку не се дизајнираат и следат соодветно. На пример, виртуелни асистенти кои автоматски користат женски гласови ги зацврстуваат стереотипите за жени во услужни улоги, додека јазичните модели често ги поврзуваат лидерските позиции со машки особини.
Дополнително, многу автоматизирани системи за селекција на кандидати се обучени врз историски податоци, кои често се полни со пристрасности. Ако некоја компанија во минатото претежно вработувала мажи на технички позиции, ВИ системот обучен на тие податоци ќе ја повторува истата шема, одбивајќи кандидатки без оглед на нивните реални квалификации. На овој начин, технологијата не само што не ја решава дискриминацијата – туку ја институционализира.
Од друга страна, кога се користи внимателно, ВИ има потенцијал да донесе позитивна промена во процесите на вработување. На пример, алатки за „слепа“ селекција на апликации можат да помогнат во елиминирање на пристрасности врз основа на име, пол или етничка припадност. Исто така, ВИ може да се користи за анализа на платни разлики меѓу мажи и жени, што им овозможува на организациите да преземат конкретни чекори кон правична компензација.
Сепак, за ваквите технологии да бидат ефективни, потребно е тие да бидат транспарентни, контролирани од стручни лица со разбирање на родовите прашања и редовно ревидирани за пристрасност. Без таков пристап, постои ризик ВИ да ја зајакне невидливата бариера што ги спречува жените да напредуваат на пазарот на трудот.
- Предизвици и бариери за родова еднаквост во ВИ
5.1 Културни и социјални фактори
Развојот на ВИ системите ги одразува постоечките општествени предрасуди. Недоволната застапеност на жени во тимовите за развој на ВИ (моментално помалку од 22% глобално) придонесува за продолжување на родовата пристрасност во самите системи. Културните стереотипи и социјалните норми и натаму влијаат врз развојот и примената на ВИ технологиите.
Дополнително, културните пристапи кон улогата на жената во општеството често се рефлектираат и во податоците што се користат за тренирање на ВИ. Ако тие податоци потекнуваат од контексти каде што жените имаат ограничени улоги или се често претставени на стереотипен начин, системите базирани на тие податоци несвесно ќе ги реплицираат истите предрасуди.
5.2 Технички ограничувања
Техничките предизвици при создавање непристрасни ВИ системи вклучуваат потешкотии во идентификување и отстранување на историски пристрасности од податоците за обука, обезбедување репрезентативни збирки на податоци и развој на ефективни методи за детекција на пристрасност. Истражувањата за алгоритамска правичност ја истакнуваат комплексноста на балансирање помеѓу различни критериуми за правичност.
Дополнителен проблем е тоа што дури и кога податоците изгледаат неутрални, тие често содржат латентни пристрасности кои се тешко видливи, но сепак влијаат врз однесувањето на алгоритмите. На пример, модели за предвидување на успех на работно место може да ги фаворизираат машките кандидати ако во минатото токму тие доминирале во одредени индустрии. Без соодветна интервенција, таквите алгоритми само ќе ја реплицираат и зацврстат оваа нееднаквост.
Исто така, постои недостиг од јасни и универзално прифатени стандарди за мерење на пристрасност и правичност кај алгоритмите. Различни системи можат да применуваат различни метрики, што дополнително ја отежнува нивната споредба и контрола. Покрај тоа, многу ВИ системи се „црни кутии“ – нивните одлуки се тешко објасниви, што ја ограничува можноста за етичка и правна одговорност.
Сето ова укажува дека техничките решенија мора да бидат надополнети така што ќе бидат вклучени и социолошките аспекти. - Идни насоки за ВИ и родова еднаквост
6.1 Нови технологии
Охрабрувачки развои во ВИ технологиите нудат надеж за поправични системи. Се развиваат нови пристапи за отстранување пристрасности и обезбедување правичност во моделите за машинско учење. Истражувачите сѐ почесто користат техники како што се „fairness-aware learning“, синтетички збирки на податоци што ја балансираат родовата застапеност, и алгоритми што се обучуваат да ги препознаваат и коригираат сопствените пристрасности во реално време.
Училиштето за ВИ на UN Women, отворено во 2025 година, претставува значаен чекор кон едукација на застапниците за родова еднаквост со знаење и вештини за ВИ. Оваа иницијатива има за цел да ги овласти жените и маргинализираните заедници да учествуваат активно во обликувањето на технолошките решенија, наместо да бидат пасивни корисници. Со вклучување на повеќе жени во развојот, надзорот и евалуацијата на ВИ системите, се зголемува шансата за креирање технологии што ги земаат предвид различните искуства и потреби.
Дополнително, неколку стартапи и истражувачки институции работат на развој на транспарентни и објасниви ВИ алатки („explainable AI“) кои им овозможуваат на корисниците да ги разберат одлуките на системите и да ги оспорат доколку се сомневаат во пристрасност. Ова е особено важно во сектори како регрутација, здравство и правосудство, каде последиците од одлуките можат да бидат сериозни и долгорочни.
6.2 Колаборативни иницијативи
Се појавуваат глобални иницијативи за справување со родовата пристрасност во ВИ. Предизвикот „ВИ за еднаквост“, фокусиран на климатска акција, род и здравје, ја демонстрира сè поголемата свест за улогата на ВИ во промовирањето на социјална еднаквост. Овој предизвик поттикнува развој на иновативни решенија што ги вклучуваат родовите аспекти од самата почетна фаза на дизајн на ВИ системите.
Партнерствата помеѓу индустријата, академските институции и групите за застапување работат на развој на поинклузивни ВИ системи. На пример, големи технолошки компании како Google и IBM сѐ почесто соработуваат со невладини организации и истражувачи за да создадат алатки за откривање и корекција на алгоритамска пристрасност.
Заклучок
Врската помеѓу ВИ и родовата еднаквост останува комплексна, при што технологијата истовремено претставува и можност и предизвик. Иако моменталните ВИ системи често ги одржуваат постоечките родови предрасуди, постои реален потенцијал за позитивна промена преку внимателен дизајн, инклузивни развојни практики и сеопфатни политички рамки. Успехот во постигнувањето родова еднаквост преку ВИ бара холистички пристап кој истовремено ги разгледува техничките, социјалните и културните фактори.
Патот напред бара континуирано истражување, развој на политики и заеднички напори од страна на технолози, креатори на политики и застапници за родова еднаквост. Само преку такво координирано делување може да се обезбеди дека ВИ ќе биде алатка за промовирање, а не попречување на родовата еднаквост во нашиот сè подигитализиран свет.
Референци
Ellis, D., & Hall, P. (2023). A systematic review of socio-technical gender bias in AI algorithms. Online Information Review. https://doi.org/10.1108/oir-08-2021-0452
Leavy, S. (2018). Gender bias in artificial intelligence: The need for diversity and gender theory in machine learning. Proceedings of the International Workshop on Gender Equality in Software Engineering, 28-31. https://doi.org/10.1145/3195570.3195580
Shrestha, S., & Das, S. (2022). Exploring gender biases in ML and AI academic research through systematic literature review. Frontiers in Artificial Intelligence, 5(1), 976838. https://doi.org/10.3389/frai.2022.976838
UN Women. (2025). Advancing gender equality through partnerships for gender-responsive artificial intelligence. United Nations Entity for Gender Equality and the Empowerment of Women.
International Labor Organization. (2024). The impact of AI on workplace gender equality: Global assessment report. ILO Publications.
UNESCO. (2025). Women4Ethical AI: Advancing gender equality in artificial intelligence. UNESCO Digital Library.
UN ESCAP. (2024). Asia-Pacific tech monitor: Special issue on AI and gender equality (Vol. 43, No. 1). United Nations Economic and Social Commission for Asia and the Pacific.
AI for Equity Challenge. (2025). Global initiative report on climate action, gender, and health. International Research Centre on Artificial Intelligence.
Chapman University. (2025). Bias in AI: Understanding discriminatory outcomes in artificial intelligence systems. https://www.chapman.edu/ai/bias-in-ai.aspx
Shoosmiths LLP. (2025). Mitigating AI gender bias risks in the workplace: Legal perspectives and practical guidance. https://www.shoosmiths.com/insights/articles/mitigating-ai-gender-bias-risks-in-the-workplace
UN Women. (2025, February). How AI reinforces gender bias—and what we can do about it. https://www.unwomen.org/en/news-stories/interview/2025/02/how-ai-reinforces-gender-bias-and-what-we-can-do-about-it
Royal Gordon University. (2025). RGU research project aims to boost gender equality in AI. https://www.rgu.ac.uk/news/news-2025/8002-rgu-research-project-aims-to-boost-gender-equality