En son, 1990 Dünya Kupası’nda oynanan maçları seyretmiştim. “Yapay öğrenme, Dünya Kupası’nın Kazananı Tahmin Etti” (https://www.technologyreview.com/s/611397/machine-learning-predicts-world-cup-winner/) haberini okuyana kadar bu yılki Dünya Kupası maçlarını seyretmeye de niyetim yoktu. İnsanın yaptığı herhangi bir işi ondan daha iyi yapan yapay zeka çalışmaları hakkında bir haber okusam çok önemsemez, “doğrudur, yapabilir” der, geçerdim. Fakat bu haber biraz Laplace’ın cinini anımsatıyordu.
Cristiano Ronaldo, Lionel Messi ve Neymar dışında dünya çapında futbolcu ismi sayamam. Ama 2018 Dünya Kupası’nı kimin kazanacağı sorulsa yanıtım Brezilya ya da Almanya olurdu. Benim bilgisizliğime karşın konunun uzmanları da benimle aynı fikirdeydi. Turnuvaları kimin kazanacağı hakkında bahisler oynanıyor ve bahis düzenleyenler için çalışan profesyonel istatistikçiler geniş veritabanlarını analiz ederek takımların kazanma olasılıklarını tahmin etmeye çalışıyorlar. Böylece maç öncesinde bahis oranları belirleniyor. Çok sayıda farklı bahisçinin 2018 Dünya Kupası için yaptığı tahminler bir araya getirildiğinde Brezilya’ya %16,6, Almanya’ya 12,8 ve İspanya’ya 12,5 şans veriliyordu.
Son yıllarda ise araştırmacılar, alışılagelmiş istatistiksel yaklaşımlardan daha iyi sonuçlar verebilen yapay öğrenme tekniklerini geliştirdiler. Yazının başında belirttiğim haberin kaynağı da Dortmund Teknik Üniversitesi’nden Groll vd’nin (2018) Dünya Kupası öncesinde, 8 Haziran’da, yayımladıkları çalışmaydı. Groll vd (2018), yapay öğrenme ve alışılagelmiş istatistiğin kombinasyonundan oluşan, rastgele orman (random forest) adlı yöntemi kullanarak bir kestirimde bulunmaya çalışmışlardı. Takımların oynayacakları maçlar ve bundan sonra çıkabilecek durumlar modellenmişti. Modellemede, takımların yaş ortalaması, Şampiyonlar Ligi’nde oynayan oyuncularının sayısı, teknik direktörün milliyeti, ev sahibi avantajına sahip olup olmadıkları hakkındaki bilgilerin yanında ülkelerin GSYİH ve nüfus bilgileri, FIFA sıralamaları da dikkate alınmıştı. Araştırma çıktılarına göre bu faktörlerin farklı ağırlıkları vardı. Örneğin, farklı yöntemlerle elde edilen sıralamalar, GSYİH ve Şampiyonlar Ligi’ndeki oyuncu sayısı gibi faktörler önemliyken ülkenin nüfusu ve teknik direktörün milliyeti önemsiz görünmekteydi.
Araştırmaya göre Dünya Kupası’nı kazanmaya en yakın takım %17,8 olasılıkla İspanya’ydı. Takımların gruplara dağılımından ötürü Almanya’nın daha güçlü rakiplerle karşılaşma olasılığı daha yüksek olduğundan kupayı kazanma şansı İspanya’dan biraz daha azdı. İkisi de çeyrek finale kaldığında ise şansları neredeyse aynıydı.
İlk 16’ya kalma ihtimali %86,5 olan Almanya büyük bir sürprizle gruptan çıkamadı. Bazı maçları, özellikle İspanya’nınkileri seyrettim. Şampiyon olabilecek gibi oynamıyordu, ama final oynama ihtimali 28,9 olan İspanya’nın bu kadar erken elenmesi de beklenmiyordu. Final oynayabilme ihtimali sadece %6 olan Hırvatistan, güzel bir futbolla finale kaldı.
Belki Groll vd’nin (2018) modellerine dahil ettikleri değişkenler bir futbol turnuvasının sonucunu tahmin edebilmek için yeterli değildi. Belki de olanaksızdı. Sonuçta sadece bir futbol turnuvası olduğundan bu tahminlere inanarak bahis oynayanlar dışında kimse bundan zarar görmedi.
Günümüzdeki birçok teknolojik yenilik insan yaşamındaki verileşmeyi derinleştirmekte ve algoritmik kestirimleri yaygınlaştırmaktadır. Ancak Dünya Kupası tahmininde olduğu gibi sorun yalnızca yaşamı modellemek için gerekli olan verinin ve modele katılan faktörlerin eksik olması değildir. Algoritmalar bu verileşme sürecinde kendi bozulmuş gerçekliklerini yaratırlar. Örneğin, insanın yüzüne yansıyan duygular, mutluluk, üzüntü, şaşkınlık, öfke vb. olasılık olarak ifade edilebilir. Bir bilgisayar insan yüzünü %30 mutlu, %25 kızgın, %10 şaşkın olarak algılayabilir. Fakat algoritmalar, en başından beri eski zaman filozoflarından farklı olarak, kendini dünyayı yorumlamakla sınırlı tutmaz. İnsanın sayısal temsili aynı zamanda yaşamı düzenleme girişimidir. İnsan yüzü, 1’ler ve 0’larla kodlanabilir. Ama neyin görünür veya görünmez olacağını, kimin neyi görebileceğini belirleyen algoritmadır. Teknik bir hata veya algoritmayı geliştiren/kodlayan kişinin kimi zaman farkında bile olmadığı önyargılar, 2009 yılında internette yayılan “HP bilgisayarları ırkçı” başlıklı videoda (https://www.youtube.com/watch?v=t4DT3tQqgRM) görüldüğü gibi bazı kişileri daha avantajlı, bazılarını da daha dezavantajlı yapabilir (Cheney-Lippold, 2017).
Videonun iki kahramanı, siyah Desi ve onun beyaz iş arkadaşı Wanda, HP’nin MediaSmart adlı web kamerası ara birimini test etmektedir. Kameranın, kullanıcının hareketlerine göre döneceği ve eğileceği varsayılmaktadır. Videoda, Wanda ekran karşısına geçtiğinde Web kamerasının beklendiği gibi Wanda’nın hareketlerini takip ettiği görülmektedir. Desi ekranın karşısına geçtiğinde ise kamera tek bir noktaya odaklanır. Desi’nin söylediği gibi kamera beyaz birini görünce çalışmakta, siyahlar içinse çalışmamaktadır. HP, ırkçı olduğu için mi böyle bir kamera tasarlamıştır?
HP, bunun ırkçılık değil, teknik bir sorun olduğu üzerinde durur. Şirket yaptığı açıklamada kullandıkları teknolojinin gözler, yanağın üst kısımları ve burun arasındaki karşıtlık yoğunluğunu ölçen standart algoritmalara dayandığını, ön plandaki ışıklandırmanın yetersiz olduğu durumlarda kameranın karşıtlığı ‘görmede’ yetersiz olabileceğini söylemektedir. Consumer Reports adlı kuruluşun videosu (https://www.youtube.com/watch?v=NphmOV0lrBg) da HP’nin açıklamasını doğruluyor. Ama bu örnekte, ‘eksik’ veriden kaynaklı hatalı kestirimlerden daha ciddi bir sorun vardır: Standartlar nasıl oluşmaktadır?
Bilgisayar Sistemleri Tarafsız Mıdır?
HP’nin kamera örneğinde olduğu gibi teknolojiyi geliştirenler birtakım eğilim, ön yargı ve değerlere sahip insanlardır. Standart ve tarafsız (nötr) olduğuna inanılan algoritmalar saf matematiksel görünümlerinin arkasında bazı varsayımlara sahip olabilirler. Ancak tam tersini, teknolojinin tarafsız olduğunu ve dijital sistemlerin vereceği kararların daha adil olacağını düşünmeye meyilliyizdir. Bu nedenle, finans, istihdam, politika, sağlık ve insani hizmetlerdeki karar alma süreçlerinde dijital sistemler kullanıldığında bundan endişe duymak şöyle dursun, destekleriz. Dijital sistemlerin aldığı kararlarda kullanılan denklem, algoritma ve modellere erişimimiz sınırlı olsa da sistemlerin tarafsızlığına güveniriz.
Eubanks (2018), 40 yıl önce ABD’de, insan yaşamını biçimlendiren başlıca kararların (istihdam, ipotek, sigorta, kredi, devlet hizmetleri vb) insanlar tarafından alındığını belirtmektedir. O yıllarda alınan kararlarda, neredeyse bilgisayar gibi düşünerek aktüaryal süreçleri uygulayan insanların takdiri belirleyici olmaktaydı. Dijitalleşmeyle beraber bu takdir hakkının yerini bilgisayarların kesin kararları almaya başlamıştır. Artık otomatikleştirilmiş uygunluk sistemleri, sıralama algoritmaları ve kestirimsel (predictional) risk modelleri, hangi ailelerin ihtiyaç duyduğu kaynaklara erişebileceğini, polislerin nerelere yerleştirileceğini, kimin işe alınacağını ve kimin dolandırıcılık nedeniyle soruşturulacağını kontrol etmektedir. Dijital sistemlerin insan karar vericilerin yerini almasının olumlu bir gelişme olduğunu savunan teknoloji uzmanları ve hükümet yetkilileri, sistemlerin yenilikçiliği ve (olumlu anlamda) yıkıcılığı üzerinde durmayı severler. Bunun, güç ilişkilerinin sarsılması ve hükümetin daha şeffaf, verimli, esnek ve hatta demokratik olması anlamına geldiğini söylerler.
Eubanks (2018), bu bakış açısının dijital araçların eski güç ve ayrıcalık sistemlerinin içine nasıl gömülü olduğunu kaçırmamıza neden olan bir miyopluk olduğunu savunmaktadır. En yeni teknolojiler olsalar da bu sistemlerin köklü bir tarihi vardır. İstatistiksel modellerin ya da sıralama algoritmalarının yüzyılların ürünü olan kültürü, politikaları ve kurumları bir sihirle altüst edebileceğini düşünmek sadece bir fantezidir. Ne yazık ki bu fantezi nedeniyle dijital karar sistemlerinin olumsuz etkileri göz ardı edilmekte ve asıl sorunların tartışılması geçiştirilmektedir.
Dijital araçları, sağlık ve sosyal yardım hizmetleri gibi insan yaşamını doğrudan ilgilendiren alanlardaki karar mekanizmalarında kullanırken ise daha dikkatli olunması gerekmektedir. Eubanks (2018) sağlık hizmetlerindeki dolandırıcılığın gerçek bir problem olduğuna itiraz etmemektedir. FBI verilerine göre bunun iş verenlere, sigortalılara ve vergi yükümlülerine maliyeti bir yılda yaklaşık 30 milyar dolardır. Fakat sözkonusu yolsuzluğun büyük kısmı hizmet alanlar tarafından değil, sağlayanlar tarafından yapılmaktadır. Eubanks’ın (2018) altını çizdiği gibi sigorta şirketlerini hizmet alanlar tarafından yapılan dolandırıcılıkları tespit ya da tahmin edebilmek için kullandıkları araçlar için eleştiremeyiz. Ama bu araçların insanlar üzerindeki etkilerinin de atlanmaması gerekmektedir. Eubanks’ın (2018) kitabını hazırlarken kendi başına gelenler gibi standart sigortalı profiline uymadığınız için dolandırıcılık şüphesiyle işaretlenebilir ve hizmete en ihtiyacınız olduğu anda sağlık sigortası hizmetlerinden yararlanamayabilirsiniz. Algoritmaların çalışma mantığı hakkında bilginiz yoksa ya da bu bilgiye sahip olsanız bile can havliyle çırpınırken bununla uğraşamayacağınız için kendinizi umutsuz bir durumda bulabilirsiniz. Bu tip sistemler, uygun olmayan bir kişinin yardım almasını engellemek için gerçekten yardıma ihtiyacı olan on kişiyi reddetmeyi tercih edecek biçimde tasarlanmıştır
Eubanks (2018), ileri teknoloji ürünü araçların ABD’deki yoksulları ve işçi sınıfını nasıl profillediğini, kontrol altında tuttuğunu ve cezalandırdığını tartıştığı kitabında üç farklı dijital sistemin hikayesini ve bu sistemlerin yoksullar üzerindeki etkisini anlatmaktadır. Birincisi, Indiana eyaletinde kullanılan sosyal yardım sistemidir. Bu sistem, insanların yardıma uygun olup olmadıklarını, bir diğer deyişle, yardım talebinde bulunan kişilerin sistemi aldatıp aldatmadığını, tahmin edebilme iddiasındadır. Eubanks (2018) ise sözkonusu sistemi yoksulluk politikalarının tarihsel sürekliliğine ve sınıf mücadelelerine dikkati çekerek ele almaktadır. İkinci hikayede ise Los Angeles’taki evsizlerin nasıl kayıt altına alındıkları ve ev sahibi yapıldıkları anlatılmaktadır. İnsanlar, durumlarının kritikliğine göre bir öncelik sırasına konulmakta ve daha sonra eldeki sınırlı sayıdaki eve dağıtılmaktadır. Üçüncü hikayede de gelecekte istismar veya ihmal kurbanı olabilecek çocukları önceden tahmin edip koruma altına almayı vadeden bir risk modeli anlatılmaktadır. Allegheny’de uygulanmaya çalışan bu model, çocuklar gibi son derece hassas bir konuya eğilmekle beraber kimi zaman çocukları haksız yere ailelerinden koparmakta ve anne babaları tedirgin etmektedir. Eubanks (2018), Automating inequality: How high-tech tools profile, police, and punish the poor başlıklı kitabı boyunca bu sistemlerin mağdur ettiği insanların, hep yoksullar ve işçiler olduğunu, onların yoksulluğunu ve dışlanmışlığını artırdığını vurgulamakla beraber bir direnç geliştirilmediği taktirde gelecekte bu tip sistemlerin orta sınıfların yaşamında da belirleyici olacağına dikkati çekmektedir.
Kamu hizmetlerinde otomatikleştirilmiş ve algoritmik yaklaşımların taraftarları, yeni kuşak dijital araçların yıkıcılığını övmeyi severler. Büyük verinin, eski kafalı bürokrasileri sarstığını, yenilikçi çözümleri kışkırttığını ve şeffaflığı artırdığını anlatırlar. Fakat uygulanan programların özellikle yoksulları ve işçi sınıfını hedeflediğini atlamayan sınıfsal bakış açısı, veri analizine dayanan yeni rejimde bir devrim değil, evrim görür. Günümüzdeki uygulamalar, 1820’lerden beri uygulanan ahlakçı ve cezalandırıcı yoksulluk yönetimi stratejilerinin bir devamıdır (age).
Eubanks’a (2018) göre günümüzde yoksulluk yönetiminde kullanılan dijital takip ve otomatik karar verme sistemleri, önceki yoksulluk yönetim uygulamalarında olduğu gibi yoksulluğun ekonomi politik temellerini gizlemektedir. Daha önemlisi, ‘kimlerin karnı doyacak ve kimler aç kalacak?’, ‘kimlere barınma imkanı sağlanacak ve kimler evsiz kalacak?’, ‘hangi aileler devlet tarafından parçalanacak’ gibi acımasız kararların alınmasında ulusa etik bir mesafe sağlamaktadır. Dijital karar sistemlerinde, geçmiş yıllardaki yoksulluk yönetim politikalarının kalıntıları görülebilir. Veri madenciliği ve kestirimsel analizin 19. yy’daki yoksulevleriyle büyük benzerlikleri vardır. Yazının devamındaki örneklerde de göreceğimiz gibi ne 19. yy’daki yoksulevlerinde ne de günümüzdeki dijital yoksulevlerinde hedeflenen yoksulluğun ortadan kaldırılmasıdır. İstenen sadece yoksulluğun görünmez ve yönetilebilir olmasıdır.
Yoksulevi: Güçsüz ve Sağlam Yoksullar
ABD’deki ilk yoksulevi 1662’de Boston’da inşa edilmiştir. 1820’lerden sonra ise yoksulevleri yoksulluğun düzenlenmesinde genel bir politika haline gelmeye başlamıştır. 1819’daki depresyon sonrasında işletmeler çökmüş, tarım fiyatları düşmüş ve ücretler neredeyse %80 azalmıştır. ABD’nin erkek nüfusunun %25’i işsizdir. Ama politikacılar, yoksulların yaşadıkları sefaletle değil, yardıma muhtaç kişilere yapılan yardımları kısmakla ilgilenmektedir. Bugün sosyal yardımda kullanılan dijital karar verme sistemlerinin de temelini oluşturacak bir yola başvurarak yoksulları ikiye ayırırlar. Birinci gruptakiler, hastalık, yaşlılık veya bedensel engeli nedeniyle çalışamayan ‘güçsüz’ yoksullardır. İkinci grupta yer alan ‘sağlam’ yoksullar ise sadece işten kaçmaktadır. Bu ayrımla, kimlerin sosyal yardıma hak kazanabileceğine de karar verilmektedir.
Sosyal yardım, sadece ‘güçsüz’ grubunda yer alan yoksullar için geçerli olacaktır. Ama sözkonusu güçsüzler, ancak yoksulevlerinde ikamet ettiklerinde bu yardıma hak kazanabilmektedir. Böylece yoksulevlerinin sayısı hızla artar. 1860’ta Massachusetts’te her biri 5600 kişiyi barındıran 219 yoksulevi vardır. Yoksulevleri, yaşlılar, bedensel ve zihinsel engelliler, yetimler ve diğer güçsüzler için bakım hizmeti sağlamaktadır. Yoksulevi, klasik anlamda bir hapishane değildir. Serserilik, ayyaşlık, dilencilik ve yasadışı cinsellik nedeniyle insanların yoksulevlerine gönderildiği oluyordu. Ama çoğu zaman insanlar gönüllülükle (!) , zorunluk nedeniyle yoksulevlerine geliyordu. Yoksulevleri, yaşlı ve kimsesizler, terk edilmişler ve dullar, yalnız anneler, zora düşmüş gezginler ve göçmenlerin zaman zaman kendi istekleriyle kaldıkları ve daha daha sonra terk ettikleri yerlerdi. Yoksulevinde kalmayan bir yoksul sosyal yardım alamamaktaydı. Ancak yoksulevlerindeki şartlar o kadar ağırdır ki yoksulluk sınırının altında geliri olanlar işçiler bu yerlere başvurmaktan kaçınıyorlardı. Örneğin yoksulevinde yaşamak için bir beyaz erkeğin bazı yurttaşlık haklarından vazgeçmesi gerekmektedir: Evlenemeyecek, oy veremeyecek ve kamu hizmetlerinde çalışamayacaktır. Çocuklar ailelerinden koparılmaktadır. Çünkü yetkililer yoksulluğu bir hastalık olarak görmekte yoksul çocukların varlıklı aileler sayesinde iyileştirilebileceğini düşünmektedir. Ailelerinden koparılan çocuklar ise çırak ya da hizmetçi olarak kullanılmakta, kimi zaman da çiftliklerde ücretsiz işgücü olarak çalıştırılmaktadır.
Bilimsel Hayır Hareketi
Yoksulevleri, 1873 yılına kadar ABD’deki temel yoksulluk yönetim politikası aracı oldu. 1873’teki kriz sonrasında yerel hükümetler ve sıradan bireyler artan yoksulluğa karşı çorba mutfakları, ücretsiz pansiyonlar kurdular ve nakit para, yiyecek, giyecek ve yakacak dağıtmaya başladılar. Sınıf mücadelesi yükseliyordu. Krize karşı Almanya, Avusturya-Macaristan ve Britanya’da modern refah devleti uygulamalarına yöneldi. ABD’nin elitleri ise sosyal yardıma karşı yeni bir ‘bilimsel’ saldırı başlatmayı tercih ettiler. Müşterek bir pansiyonda meşru ihtiyaçların belirlenemeyeceği, insanlara bir yandan bedava çorba sunarken onlardan çalışmalarının beklenemeyeceği gibi iddialar ortaya attılar. Bilimsel Hayır Hareketi adı altında sosyal yardıma karşı topyekûn bir saldırı başlattılar.
Bilimsel Hayır Hareketi, yardıma gerçekten ihtiyaç duyanları ayırt edebilmek için veriye dayanan yöntemlerin uygulanmasını öneriyordu. Her bir yoksul ailenin ayrıntılı biçimde analiz edildiği sosyal hizmet çalışmasının ilk adımı böyle atıldı. Sosyal hizmet çalışanları, yoksulların sözünün güvenilmez olduğunu düşündüğünden anlattığı hikayeyi polisten, komşularından, yerel esnaftan, okul öğretmenlerinden, hemşirelerden, rahiplerden ve diğer yardım kurumlarından edindiği bilgiyle doğrulamaya çalışıyordu.
Ancak bu bilimsellik, daha da aşırılaştı. Yoksulevi uygulamasında olduğu gibi yardımı gerçekten hakkeden ve hakketmeyen yoksulları ayırmak istiyorlardı. Ama bu sefer zamanın bilim modası öjenik hareketin etkisiyle farklılığın kalıtsal olduğu üzerinde durmaya başladılar. Düşük zeka, suçluluk ve sınırsız cinsellik yoksulların ortak özellikleri olarak görülüyordu. Dolayısıyla, yardımı hakketmeyen yoksullara yapılacak yardım, onların (ve dolayısıyla yoksulluğun) çoğalmasına yardımcı olacaktı. Bu doğrultuda, yoksulların cinsel yaşamlarını, zekalarını, alışkanlıklarını ve davranışlarını içeren veritabanları oluşturuldu. Haklarında ayrıntılı raporlar tutuldu, fotoğrafları çekildi, parmak izleri toplandı, kafatasları ölçüldü, çocukları sayıldı, aile ağaçları çizildi. Kayıt defterleri, ’embesil’, ‘geri zekalı’, ‘fahişe’, ‘bağımlı’ gibi ifadelerle doluydu. Bilimsellik adı altında ABD’de 60000’den fazla yoksul ve işçi, zorla kısırlaştırıldı.
Bilimsel hayırın en önemli özelliklerinden biri de beyaz yoksulları diğer yoksullardan ayırması ve sosyal yardımı yalnızca beyazların bir kısmı için uygun olduğuna karar vermesiydi. Bunun dışında hareketin bazı önemli buluşları da vardı: Sosyal hizmet görevlisi, yardım soruşturması, veri takas merkezi. Bilimsel Hayır Hareketi, kanıtlara dayalı bir uygulama yaptığını iddia ediyordu. Bu nedenle de hareketin savunucuları, yumuşak başlı duygusal veya yolsuzluğa batmış sosyal yardım anlayışından daha başarılı olduklarını düşünüyorlardı. Eubanks’a (2018) göreyse hareketin bilimsel ussallığı aslında yoksulları ve işçileri güçsüz kılan, insan haklarını ve özerkliklerini reddeden bir yaklaşımı ifade ediyordu. Yoksulevi, yoksulları ve işçileri kamu kaynaklarından ayıran bir makineydi. Bilimsel hayırseverlik ise Eubanks’ın (2018) altını çizdiği gibi seçkinlerde inandırıcı bir reddedilebilirlik üretmenin tekniğiydi.
Sosyal Haklar Hareketi
Bilimsel hayırseverlik hareketi, 1930’lardaki krize kadar sosyal yardım politikalarındaki belirleyiciliğini devam ettirdi. Ancak krizle beraber 13-15 milyon ABD’li işsiz kaldı. Ülke çapındaki işsizlik %25 olmasına rağmen bazı şehirlerde bu oran %60’a yaklaşıyordu. Çöküşten önce orta sınıfa mensup aileler ilk kez sosyal yardımlara başvurmak zorunda kaldı. Krizin tüm ülkeyi sarmasıyla beraber yardıma uygun görülen yoksullarla uygun görülmeyen yoksullar arasındaki çizgi ortadan kalktı, herkes yoksullukta eşitlendi. Giderek kötüleşen koşullara karşı bir araya geldiler. Binlerce işsiz örgütlü bir biçimde yiyecek dükkanlarını yağmaladı, madenciler kaçak yollarla elde ettikleri kömürleri dağıttılar. Yerel yardım ajansları öfkeli protestocular tarafından işgal edildi.
Franklin D. Roosevelt, bu ağır koşullarda ABD Başkanı oldu. İhtiyacı olan herkese yardım edebilmek için yeni programlar başlattı. Altyapı geliştirme projelerinde, kamu tesislerinin inşasında, devlet idaresinde, sağlık hizmetlerinde ve eğitimde işsizlere istihdam sağlandı. Yeterli kamu kaynakları sayesinde milyonlarca insan yardımdan yararlanabildi. Ancak 1819 ve 1873 krizlerinde olduğu gibi yardım programlarının insanları sosyal yardıma bağımlı hale getirdiğini iddia eden eleştiriler gündeme geldi. Bunun üzerine hükümet, insanlara para ve eşya sağlayan yardım programlarını keserek istihdam sağlamayı öne çıkaran programlara yöneldi.
Roosevelt’in uyguladığı ekonomi politikası binlerce yaşamı kurtardı, milyonları yoksulluğun pençesinden çekip aldı. Sendikaların önünü açtı ve güçlü bir beyaz orta sınıf yarattı. İşsizlik, yaşlılık ya da aile reisinin ölümü durumunda nakit ödemeler bir hak oldu. Fakat Eubanks’ın (2018) belirttiği gibi aynı politikalar günümüz ABD’sinde hala etkili olan ırk, cinsiyet ve sınıf ayrımlarını da güçlendirdi. Siyahlar, beyaz işçilere tanınan birçok haktan mahrum bırakıldılar. Kadınların rolleri daha çok eş, anne ve dul olarak tanımlanarak ekonomik bağımlılıkları süreklileştirildi. Önceki dönemlerdeki güçsüz ve sağlam yoksullar arasındaki ayrım bu sefer tam tersi biçimde tekrar ortaya çıktı. Sağlam yoksullar, geçici işsizlik içinde olan beyaz erkek işçilerdi. Ama şimdi sağlam yoksulların yardımı hakkeden kesim olduğuna inanılıyor, onları tekrar işgücüne kazandırmak için politikalar geliştiriliyordu. Güçsüz durumda olan yoksullar ise önceki dönemlerden farklı olarak yardımı daha az hakkeden kesim olarak görülüyor ve içinde bulundukları durumdan çıkabilmeleri için gerekli yardımlarda isteksiz davranılıyordu.
1960’larda hız kazanan sosyal haklar hareketi, evlilik durumuna, ırkına ve işine bakılmaksızın tüm yoksul ailelere yönelik asgari gelir için yürütülen mücadeleye öncülük etti. Hareket, siyah kadınların ve yalnız annelerin sosyal yardımdan mahrum bırakılmasını anayasaya aykırı olduğunu savunuyordu. Bu ayrımcı kuralların ortadan kaldırılması için davalar açıldı. Hareket önemli kazanımlar elde etti. 1969’da Başkan Richard Nixon bir aile için yıllık 1600 dolar asgari geliri garanti eden bir program önermek zorunda kaldı. Hareket, bu asgari gelirin yetersiz olduğunu ve 5500 dolar olması gerektiğini savunsa da Nixon’ın bu programı önermek zorunda kalması bile önemli bir kazanımdı. Toplumsal hareketlerin yüreklendirmesiyle daha çok kişi sosyal yardım için başvuruyor ve hukuksal kazanımların sayesinde pek azı geri çevriliyordu. Böylece, 1960-70’li yıllardaki mücadele, sosyal yardım kavramını yeniden tanımladı. Artık sosyal yardım, insanlara bahşedilen bir iyilik değil haktı.
Ama 1973’teki resesyonla beraber yoksullara ve işçi sınıfına karşı yeni bir saldırı dalgası başladı. Sosyal yardımın maliyeti yüksekti, sahtekarlıklar vardı ve insanlar haksız yere yardım alıyorlardı, verimsizdi. Yasalar ve uzun mücadeleler sonucunda kazanılan haklar, politikacıların elini kolunu bağlıyordu. Buna karşın yöneticiler, yardımı daha verimli dağıtacağı ve böylece tasarruf sağlayacağı iddia edilen yeni teknolojiler ısmarlayarak etkili bir manevra yaptılar. Eubanks’a (2018) göre bu yeni teknolojiler, yoksullarla onların yasal hakları olan kaynaklar arasında dijital bir duvar olarak yükselecekti. Böylece dijital yoksulevlerinin temelleri atıldı.
Indiana: Sosyal yardım için uygun musunuz?
1970’lerde bilgisayarlar, kamu harcamalarını kısacak tarafsız araçlar olarak lanse edilirler. 1980’lere gelindiğindeyse bilgisayarlar sosyal yardım alan aileler hakkında olağanüstü miktarda veri toplamakta, analiz etmekte, depolamakta ve paylaşmaktadır. Çeşitli devlet kuruluşlarının veritabanları yardım alanların davranışlarını ve harcamalarını izlemek için birbirine bağlanmıştır. Eubanks’ın (2018) belirttiği gibi sosyal yardım alan insanların genişleyen hakları ve hükümetlerin sosyal yardım desteğini zayıflatma isteği arasındaki çatışma ileri teknoloji araçlarla çözülecektir.
Bu bağlamda, Indiana’nın Cumhuriyetçi valisi Mitch Daniels’in 2006 yılında başlattığı sosyal yardımı bilgisayarlaştırma girişimi ve sonuçları oldukça öğreticidir. Daniels, 2006’da göreve gelir gelmez sosyal yardımlara karşı bir mücadeleye girişir. Sürekli Indiana’nın sosyal yardım sisteminin Amerika’nın en kötü sosyal yardım sitemi olduğundan, düzeltilemezliğinden ve sistemdeki sahtekarlıklardan söz eder. Halihazırdaki sosyal yardım sisteminde, sosyal hizmet görevlileri yardıma ihtiyacı olan ailelerle birebir çalışmakta ve başvuruyu en başından sonuna kadar takip etmektedir. Başvuru süreci, sosyal hizmet görevlileri ve ailelerin işbirliğinde ilerlemektedir. Sistemin iki temel sorunu vardır. Birincisi, sosyal hizmet görevlileri, veri toplama ve kırtasiye işleri için fazla zaman harcadıklarından asıl işlerine yoğunlaşamamaktadır. İkincisi, hükümet yetkililerine göre sosyal yardımlarda yaşanan yolsuzluğun nedeni sosyal hizmet görevlileri ile yardım talebinde bulunanlar arasındaki doğrudan ilişkidir. Güncel olmayan veriler, sosyal hizmet görevlilerinin dışarıdaki suç ortaklarıyla beraber yasadışı yardım parası alabilmelerini ortam sağlamaktadır. Bu nedenle, yeni sistemde, kırtasiye ve veri toplama/saklama işleri için artık bilgisayarlardan daha fazla yararlanılacaktır. Ama asıl kritik ‘yıkıcılık’, yardım talebinde bulunanlarla doğrudan temas halinde olan sosyal hizmet görevlilerinin yerini önlerinde bir görev listesi bulunan çağrı merkezi çalışanlarının alacak olmasıdır. Böylece bir aile, bir çağrı merkezi çalışanının yardımıyla bir başvuru süreci başlatsa da sonraki adımlarda karşısına başka başka çalışanlar çıkacaktır.
Sosyal hizmet görevlilerinin yerini çağrı merkezleri aldığından birçok başvuru eksik belge nedeniyle reddedilir. İnsanlar yardımları kesildiğinde ya da tüm koşulları uymasına karşın yardım başvuruları reddedildiğinde çağrı merkezi çalışanları başvurularının ‘işbirliği yapamama’ nedeniyle reddedildiğini söylemektedir. Başvuru karmaşık bir süreçtir, sorun eksik bir belge veya formda boş bırakılan bir alan olabilmektedir. Ama çağrı merkezi çalışanı, başvuruyu yapana neyin eksik veya yanlış olduğu hakkında bir açıklama yap(a)mamaktadır. Sorumluluk sadece başvuruyu yapanındır. Oysa önceden, sosyal hizmet görevlileriyle çalışırken başvuru süreci, sosyal hizmet görevlisiyle yardım talebini yapanın ortak sorumluluğundadır. Unutulan bir belge nedeniyle başvuru reddedilmemekte, yardım talebinde bulunan kişiden bunu göndermesi istenerek eksik belge dosyasına eklenmektedir. Ancak başvuru sahibi uygunluk değerlendirme sürecine katılımı aktif olarak reddettiğinde ‘işbirliği yapamama’ notu düşülmektedir. Çünkü önceden amaç ihtiyaç sahiplerine yardımcı olmaktır, şimdi ise yolsuzluğunu önlemek adına bu talepleri reddetmeye bir eğilim vardır. Bu eğilim nedeniyle yeni sistemde birçok başvuru daha tamamlanamadan reddedilir. Ayrıca sistem, başvuru sahibinin kim olabileceğini de standartlaştırmaktadır (HP’nin kamerasında olduğu gibi). Örneğin, sağır, kör, fiziksel ve zihinsel engelli başvuru sahipleri çağrı merkeziyle iletişimde sorun yaşamaktadır, sistem onların da başvurabileceğini unutmuştur.
Sosyal yardım sistemi, ihtiyaç sahiplerine yanıt verememekte kamu kaynakları ile ihtiyaç sahipleri arasında dijital bir duvar örmektedir. Şikayetler ve protestolar artmaktadır. Daniels, tüm bunlara kulağını tıkayarak şikayetçileri eski sistemden beslenenler olarak itham eder. Fakat Daniels’in kendi partisinden de itirazlar vardır. Daniels 2009 yılına kadar sosyal yardım reformundan geri dönüşün artık mümkün olmadığında ısrar ederek direnir. Fakat 2009 Ekim’inde, projenin pratikte çalışmayan kusurlu bir anlayış olduğunu söyleyerek IBM’le olan sözleşmeyi iptal eder.
2010 Mayıs’ında Indiana, sistemin başarısızlığından IBM’i sorumlu tutarak 437 milyon dolarlık tazminat davası açar. IBM de buna karşı Indiana’nın halen kullanmakta olduğu bilgisayar sistemi için 100 milyon dolarlık bir dava açar. Indiana, IBM’in karışık sosyal hizmet programını modernize etme konusundaki yeteneğini yanlış sunduğunu ve sözleşmede belirtilen performans ölçütlerini yerine getiremediğini iddia eder. IBM ise proje boyunca Indiana’nın projenin ilerleyişinden memnuniyetini dile getirdiğini ve yaşanılan sorunların 2008 sel baskınları ve ekonomik kriz gibi kendi kontrolleri dışındaki sorunlardan kaynaklandığını söyler. Yargıç, IBM’i haklı bulur ve Indiana’nın 52 milyon dolar ödemesine karar verir. Fakat yargıç kararında, iki tarafın da kınanması gerektiğini ve asıl kaybedenin Indiana’nın vergi ödeyenleri olduğunu yazar. Ne yazık ki vergi ödeyenlerin ya da mağdur olan ihtiyaç sahibi Indianalılar’ın kaybını telafi etmek için mahkemenin elinden bir şey gelmemektedir.
Debanks (2018) projenin aslında hedefine ulaştığını vurgular: Ne pahasına olursa olsun daha az sosyal yardım harcaması. Nitekim iki taraf projenin insani boyutlarına değinmekten özenle kaçınır. Özelleştirme deneyi nedeniyle yaşam mücadelesi veren bir çok aile sosyal yardımdan mahrum kalır.
Bu başarısız girişimden sonra Indiana’da hibrit bir modele geçilir. IBM’in yerini Xerox alır. Artık yardım talebinde bulunanların bölgesel sosyal hizmet görevlileriyle iletişime geçebilme olanağı vardır. Ama çağrı merkezi üzerinden yönetilen görev tabanlı sistem devam etmektedir. Hibrit sistem bir kazanım olsa da sorun hâlâ devam etmektedir. 2006 yılında, çocuklu yoksul ailelerin %38’i para yardımı alırken bu oran 2014’te %8’e düşmüştür.
Çağrı merkezi görevlilerinin görev tabanlı çalışması sosyal hizmet görevlilerin bütünsel çalışmasıyla karşılaştırıldığında yoksulların aleyhine bir durum vardır. Daha tehlikeli bir durum, kararlar dijital sistemler tarafından verildiğinde ortaya çıkmaktadır. Acaba bilgisayarların, çeşitli önyargılara sahip insanların takdirinin yerini alması daha tarafsız bir değerlendirme süreci ortaya çıkarabilir mi? Bilgisayar, herhangi bir önyargısı olmadan herkes için aynı kuralı uygulamaya çalışacaktır. Fakat bazen adaleti sağlamak için kuralları esnetmek gerekir. Ayrıca bu sistemlerin sınıfsal ve ırksal önyargılardan muaf olabileceğini düşünmek, onları geliştiren ya da gelişimine etkide bulunan güçlerin önyargısız ve nötr olabileceği anlamına da gelmektedir.
Los Angeles: Barınma sorununu algoritmalarla çözmek
Yeni ileri teknoloji araçların kullanımıyla ölçüm ve takipler daha kesin yapılabilmekte, bilgi paylaşımı iyileştirilmekte ve hedeflenen kitle daha görünür hale gelmektedir. Debanks’ın (2018) da ısrarla vurguladığı gibi bu araçlar hiçbir zaman nötr (değerlerden ve örnyargılardan muaf) değildir. Araçları, yoksulların ve işçi sınıfının özbelirlenim hakkını destekleyecek biçimde tasarlamak, kanunlarca belirlenen yardımların onlara adil dağıtımını sağlamak pekala mümkündür. Fakat sözkonusu araçların ABD’deki kullanımları incelendiğinde yoksulevi ve bilimsel hayır hareketinin izleri görülmekte, araçlar daha çok yoksulların cezalandırılması ve çevrelenmesi için kullanılmaktadır. İnsanlar filtrelenmekte ve ayrıştırılmakta, araçlar ihtiyaç sahiplerinin kaynaklara erişimini kolaylaştırmak yerine kaynakların önünde kapı bekçiliği yapmaktadır.
Los Angeles’ta evsizlerin tespiti ve evsahibi yapılması için de benzer bir sistem uygulanmaktadır. Sistem, iki temel ilke üzerine kurulmuştur: Önceliklendirme ve önce ev sahibi yapma. Pennsylvania Üniversitesi’nden Culhane’ın (2016) araştırmasına dayanan önceliklendirme ilkesinin temelinde iki tip evsizliğin, bir kriz sonucu ortaya çıkan ve kronik olan evsizliğin ayırt edilmesi vardır. Kriz sonucu evsizlik, evden çıkarılma, ani hastalık, iş kaybı, aile içi şiddet veya hapisten çıkma gibi nedenlerle ortaya çıkmakta ve daha kısa süreli olmaktadır. Culhane’e (2016) göre bu tip evsizlikle karşı karşıya olan kişilere sağlanacak kısa süreli barınma yardımı veya işleri tekrar yoluna koyabilmeleri için yapılacak zaman sınırlı ufak yatırımlar kısa sürede tekrar ayağa kalkmalarını sağlayacak ve evsizliklerinin kronikleşmesini engelleyecektir. Culhane (2016), asıl tehlikede olanın sağlık sorunu yaşayan, çeşitli engelleri olan ve daha karmaşık yardıma ihtiyaç duyan kronik evsizler olduğunu belirtmektedir. Bu kişilere kalıcı barınma sağlanmasının daha önemli olduğu üzerinde durmaktadır. Culhane’in (2016) Los Angeles’in evsiz politikasının temelini oluşturan bu önerisi bir paradigma değişikliğine de işaret etmektedir. Çünkü kaynaklar artık eskiden olduğu gibi kriz sonucu evsiz kalanlara değil, kronik evsizlere aktarılacaktır.
İkinci ilke, önce ev sahibi yapma da yine önemli bir politika değişikliğidir. Çünkü önceki politikaya göre evsizler ancak çeşitli aşamalardan sonra ev sahibi olabilmektedir. Örneğin daha önce sokaklarda yatan biri önce acil durum sığınağına alınmakta. Daha sonra geçici ev programına geçmekte ve en sonunda kalıcı bir eve kavuşabilmektedir. Ancak bu ilerleme otomatik olmamakta ve kişinin bazı davranışsal testlerden geçmesi gerekmektedir. Yeni evsiz politikası ise kişinin istenen davranışsal gereklilikleri barınma sorununu gidermeden yerine getirebilmesinin zor olacağı üzerinde durarak önce bu sorunu çözüme kavuşturmaya yönelmektedir.
Yararlı bir sistem gibi görünmektedir. Fakat sistem daha yakından incelendiğinde evsizlik sorununu çözmek yerine yönetmeye çalıştığı anlaşılmaktadır. Önceliklendirmeyi yapabilmek için sistem, evsizler hakkında kimi zaman çok mahrem olan bilgileri toplamakta, depolamakta ve başka kurumlarla paylaşmaktadır. Sorulan ve depolanan bilgilerden bazıları şunlardır:
- Son altı ayda sağlık yardımı için acil servislere başvurdunuz mu? Cinsel saldırı, akıl sağlığı, aile içi şiddet gibi krizler için yardım aldınız mı? İntiharı önleme yardım hattını aradınız mı?
- Para için cinsel ilişkiye girmek, başkaları için esrar kaçırmak, tanımadığınız biriyle korunmasız cinsel ilişkiye girmek, aynı iğneyi kullanmak gibi riskli olabilecek şeyler yaptınız mı?
- Son bir yıl içinde kendinize veya başkasına zarar vermeye çalıştınız mı?
Bu gibi sorularla, insanların travmalarını, savunma mekanizmalarını, duygularını ve korkularını kataloglamakta, sınıflamakta ve sıralamaktadır.
Sistemde çalıştırılan ilk algoritma insanları durumlarının ne kadar acil olduğuna göre sıralamakta ve bir diğer algoritma da üst sıralarda yer alan evsizleri uygun ev tiplerine dağıtmaktadır. Sistemin savunucularına göre sistemin elindeki veri miktarı ne kadar fazla olursa sistem o kadar iyi çalışacaktır. Fakat Debank’ın (2018) ifade ettiği gibi sorun bir sistem mühendisliği ve enformasyon sorunu değildir. Yeni evler, algoritmalardan ve verilerden inşa edilmiyor. Bu nedenle, evsizler için ayrılan kaynakları artırmadan mevcut kaynaklar üzerinden sınırlı sayıda insanı ev sahibi yapmak sadece sorunun çözülmeye çalışıldığı illüzyonu yaratmaktadır. Dijitalleşme öncesi örneklerde olduğu gibi sistem, yoksulluğu ve evsizliği ortadan kaldırmaya çalışmamakta, sadece gerçekten ihtiyacı olan yoksullara yardım edildiği, diğerlerinin o kadar ihtiyaç sahibi olmadığı düşüncesini yaymakta ve orta sınıfların vicdanını rahatlatmaktadır. Debanks’in (2018) belirttiği gibi evsizlik eğer bir hastalık veya doğal bir afet olsaydı evsizleri durumlarının önceliklerine göre sıralayarak eldeki sınırlı barınma kaynaklarını dağıtmak anlamlı olacaktı. Ama evsizlik, ya politik kararlar ve orta sınıfın umursamazlığı sonucu oluşuyorsa?
Allegheny: Kötü muamele ve istismarı tahmin etmek
Çocuğa yönelik kötü muamele ve istismar hassas bir konudur. Arzulanan kötü muamele ve istismarı gerçekleştikten sonra cezalandırmak değil, gerçekleşmesine izin vermemektir. Çocuk doğar doğmaz, hatta daha ana rahmindeyken başına gelebilecekler tahmin edebilecek ve bunun için önlem alınmasına yardımcı olacak bir risk değerlendirme aracı geliştirilebilir mi? ABD’den Putnam-Hornstein ve Needell (2011) yayımladıkları bir makalede bunun teorik olarak mümkün olduğunu sonucuna varır. Rhema Vaithianathan da dünyanın bir diğer ucunda, Yeni Zelanda’da, böyle bir araç geliştirmek isteyen bir ekipte çalışmaktadır.
Yeni Zelanda’da bir sosyal yardım reformu üzerinde çalışan Sosyal Gelişme Bakanı, muhafazakar Paula Bennett, Vaithianathan’ın ekibini çocuklara yönelik kötü muamele ve istismarı önceden tahmin edebilecek istatistiksel bir model geliştirmeleri için görevlendirir. Vaithianathan da Putnam-Hornstein’la iletişime geçerek beraber çalışma önerisinde bulunur. Vaithianathan’ın ekibi, sosyal yardım alınan süre, annenin yaşı, çocuğun tek ebeveynli bir ailede mi doğduğu, ebeveynin akıl sağlığı gibi 132 değişkenden oluşan bir tahmin modeli geliştirir. Vaithianathan, geliştirdikleri modelle bir çocuğun beş yaşından önce kötü bir muameleye maruz kalma ihtimalini öngörebileceklerini iddia etmektedir. 2013 yılında yayımladıkları bir makalede olabilirlik çalışması ve etik gözden geçirmeden sonra modelin uygulanmasını önerirler.
Çalışma, kamuoyunun ilgisini çeker. Akademik araştırmacılar, modelin iddia edildiği kadar doğru olmadığını düşünmektedir. Modelin, yoksulları gözetleyen bir araç olacağı konusunda uyarılar yapılır. 2015’te Sosyal Gelişme Bakanlığı’nı devralan Anne Tolley, Vaithianathan’ın ekibinin geliştirdiği aracın doğruluğunu test etmek için 60000 yeni doğan üzerinde yapılacak gözlemsel deney planını durdurur. Daha sonra basına sızan bir notta Tolley’in, “onlar çocuk, laboratuvar faresi değil” diye yazdığı ortaya çıkar.
Çalışmaları durdurulmuş olsa da Vaithianathan ve ekibi Allegheny’de benzer bir model geliştirmek için yapılan ihaleyi kazanmıştır. Modellerini Allegheny’de uygulayabileceklerdir. Bu model doğrultusunda AFST (Allegheny Family Screening Tool – Allegheny Aile İzleme Aracı) adlı sistem geliştirilir. AFST ile yapılan hesaplamalar sonucunda hangi çocuğun risk altında olduğu tahmin edilebileceği iddia edilmektedir. Bilgisayar başındaki görevliler, çocukları değerlendirmekte, AFST çocuğun tehlikede olabileceğine işaret ettiğinde harekete geçilmektedir ve kimi zaman çocuklar ailelerinden elinden alınmaktadır. Peki AFST her zaman doğru tahminlerde mi bulunmaktadır? Debanks’ın (2018) verdiği örnekler Yeni Zelanda’daki endişelerin haklı olduğunu göstermektedir. Vaithianathan, AFST’nin bilgisayar başındaki görevlilerine kendi yargılarıyla uyuşmayan bir sonuçla karşılaştıklarında bunu körü körüne kabullenmemelerini önermektedir. Ne yazık ki insanlar bilgisayar sistemlerinin tarafsızlığına ve nesnelliğine o kadar inanmışlardır ki bu tip çelişkili durumlarda önce kendilerinin hata yapmış olabileceğini düşünmektedirler. Yöneticiler, bir çelişki varsa sorunu modelde değil çalışanlarda aramaktadır. AFST’nin insanların karar vermelerine yardımcı olacağı ama onların yerini almayacağı varsayılmıştır. Oysa tam tersi olmakta, AFST bilgisayar başındaki görevlileri eğitmektedir.
O’Neil (2016) modelleri, matematiğin içine gömülü düşünceler olarak tanımlamaktadır. Modellerle konu dışı bilgiler dışarıda bırakılır ve tahmin edilmeye çalışan sonuç için en kritik bilgilere yoğunlaşılır. Fakat modeller, onu oluşturan kişilerin önceliklerini ve kaygılarını yansıtan soyutlamalardır. Modele dahil olacak ve olmayacak değişkenleri insanlar belirler. Tahmin edilmeye çalışılan olguyu ölçebilmek için kullanılan değişkenler, tahmin için kullanılan değişkenler ve modelin nasıl çalıştığını ölçmek için kullanılan doğrulama verisi modelin sonuçlarını da etkiler. Dolayısıyla AFST’de de tarafsız işleyen bir model yoktur. Eubanks (2018), modele dahil edilen bazı değişkenlerin yoksulların kimi zaman zorunlu yaşam biçimini bir risk faktörü olarak değerlendirdiğini belirtmektedir. Yoksulların yaşam biçimi, örneğin devlet yardımına başvurmak zorunda kalmaları veya gözetim sistemlerinin kapsama alanına daha çok girmeleri onları orta sınıflardan ve zenginlerden daha şüpheli yapmaktadır.
Sonuçta, AFST tahminlerinde sadece ortalama bir başarı gösterir. Yanlış alarmlar verir, alarma geçilmesi gereken durumları atlar. Ama mağdur olan, çocukları ellerinden alınan ya da bu tehdit altında yaşayan (Tolley’in dediği gibi laboratuvar faresi muamelesi gören) yine yoksullar olur. Diğer iki örnekte olduğu gibi Allegheny’de de teknoloji uzmanları ve idareciler, bilgisayarların kamu hizmetinde kullanımının şeffaflığı artırdığını ve ayrımcılığı azalttığını savunmaktadır. Sosyal hizmet görevlilerinin kafasında ne olduğunun bilinemeyeceği ve bilgisayarların kararlarının daha tarafsız olacağı savunulur. Debanks (2018) bu düşünceyi sorunlu bulmakta ve insanların birbirini anlamasının önemine vurgu yapmaktadır. Çünkü diğer örneklerden de görülebileceği gibi bilgisayarın (en azından günümüzde) empati yapabilmesi, karşısındakinin insanlığını tanıyabilmesi, içinde bulunduğu durumu kavrayabilmesi ve kuralları karşısındakinin iyiliği için esnetip gevşetmesi mümkün değildir.
***
Martin Luther King, 31 Mart 1968’te yaptığı konuşmada insanoğlunun bilim ve teknolojiyle denizin üzerinde devasa köprüler, gökyüzünü delen devasa binalar, okyanusun derinliklerine inebilen denizaltılar inşa ettiğini, ama bunun yeterli olmadığını, açları doyurmada, çıplakları giydirmede ve evsizlere kalacak yer sağlamada başarısız olduğunu söyler. Bu, o zaman için ABD’nin çözmesi gereken önemli bir sorundur.
Debanks (2018), King’in bu sözlerini hatırlatır: “İnsan gibi konuşan botlar, kendi kendine giden arabalar. Hatta polis şiddetini belgelememize ve protesto örgütlememize izin veren uygulamalarımız var” der.
Ama hala açlık ve yoksulluk çoğunluktadır ve çoğalmaktadır.
Kaynaklar:
Cheney-Lippold, J. (2017). We are data: Algorithms and the making of our digital selves. NYU Press.
Culhane, Dennis P. (2016). “We Can End Homelessness.” Penn Top Ten, 2016. http://www.penntopten.com/wp-content/uploads/2016/05/Top-10-Homelessness-Essay.pdf, son erişim 16 Temmuz 2018
Eubanks, V. (2018). Automating inequality: How high-tech tools profile, police, and punish the poor. St. Martin’s Press.
Groll, A., Ley, C., Schauberger, G., & Van Eetvelde, H. (2018). Prediction of the FIFA World Cup 2018-A random forest approach with an emphasis on estimated team ability parameters. arXiv preprint arXiv:1806.03208.
O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. New York: Crown Publishers.
Putnam-Hornstein, E., & Needell, B. (2011). Predictors of child protective service contact between birth and age five: An examination of California’s 2002 birth cohort. Children and Youth Services Review, 33(8), 1337-1344.
İlk Yorumu Siz Yapın