Nature’da yayımlanan çalışma, büyük dil modellerinin siyasi kurumlar ve yönetişim hakkında ürettiği yanıtları farklı dillerde karşılaştırarak, medya özgürlüğü ile model çıktıları arasında dikkat çekici bir ilişki saptadı. Araştırmacılar, çapraz ulusal bir denetim yöntemi kullanarak, aynı konuya ilişkin soruların yerel dilde sorulması durumunda modellerin tonu nasıl değiştirdiğini inceledi. Bulgulara göre, bir ülkede devletin medya üzerindeki kontrolü arttıkça, yapay zekâ sistemlerinin o ülkenin hükümetine dair yanıtları da daha olumlu bir çerçeveye kayma eğilimi gösterdi.

Çalışmanın önemi, yalnızca yapay zekânın mevcut önyargıları yeniden üretmesiyle sınırlı değil. Sonuçlar, modellerin eğitildiği dijital içerik ekosisteminin de siyasi sonuçlar doğurabileceğini gösteriyor. Büyük dil modelleri, internetten toplanan haberler, resmi açıklamalar, tartışma platformları ve diğer metin kaynakları üzerinde eğitiliyor. Eğer bu kaynakların önemli bir bölümü devlet denetimindeki medya tarafından üretiliyorsa, modelin “öğrendiği” dil örüntüleri de doğal olarak o medya ortamının baskın bakış açısını yansıtabilir.

Bu etki, özellikle çok dilli yapay zekâ sistemleri açısından önem taşıyor. Araştırmanın işaret ettiği üzere, modellerin yerel dillerde verdikleri cevaplar, aynı konuya başka dillerde verilen yanıtlarla aynı olmayabiliyor. Bu durum, bir modelin küresel düzeyde tek ve sabit bir siyasi tutum sergilemediğini; aksine, kullanılan dil ve eğitim verisi ekosistemine göre değişebilen ince bir davranış örüntüsü ortaya koyduğunu düşündürüyor. Başka bir ifadeyle, yapay zekâ yalnızca hangi sorunun sorulduğuna değil, sorunun hangi dilde sorulduğuna da duyarlı olabilir.

Bilim insanları uzun süredir büyük dil modellerinin “halüsinasyon” üretme, eksik bilgi verme veya toplumsal önyargıları yansıtma risklerini tartışıyor. Bu yeni çalışma ise tartışmayı bir adım ileri taşıyarak, model davranışının yalnızca teknik hatalardan değil, aynı zamanda veri kaynaklarının politik yapısından da etkilenebileceğini gösteriyor. Özellikle medya çoğulculuğunun zayıf olduğu ortamlarda, kamuya açık dijital metinlerin tek taraflı bir bakış açısı üretmesi daha olası. Bu da yapay zekâ sistemlerinin, farkında olmadan, belirli hükümet anlatılarını daha “doğal” veya daha ikna edici biçimde yeniden ifade etmesine yol açabilir.

Araştırmada kullanılan denetim yaklaşımı, model çıktılarının ülke bazlı ve dil bazlı ton farklarını ölçmeye dayanıyor. Bu tür auditleme yöntemleri, yapay zekâ sistemlerinin şeffaf olmayan davranışlarını incelemek için giderek daha fazla kullanılıyor. Çünkü büyük modellerin iç işleyişi doğrudan gözlenemese de, girdilere verdikleri yanıtlar üzerinden sistematik eğilimler saptanabiliyor. Burada önemli olan nokta, sonuçların tek tek modellerin “niyeti” değil, eğitim verisinin yapısı ve kaynak çeşitliliğiyle ilgili olduğudur.

Çalışmanın ortaya koyduğu ilişki, yapay zekâ yönetişimi açısından da yeni sorular doğuruyor. Bir model, kamuoyuna açık bilgi aracı olarak kullanıldığında, içerik tarafsız görünse bile altındaki veri dengesi politik etkiler taşıyabilir. Bu nedenle uzmanlar, eğitim verisinin coğrafi ve kurumsal bileşiminin daha dikkatli değerlendirilmesi gerektiğini vurguluyor. Medya özgürlüğünün sınırlı olduğu ülkelerden gelen içeriklerin büyük dil modellerindeki ağırlığı, sadece yerel anlatıların değil, küresel bilgi akışının da şekillenmesinde rol oynayabilir.