Mitigating bias in large language models: A comprehensive analysis of techniques and outcomes
Büyük dil modellerinde önyargının azaltılması: Yöntemler ve sonuçların kapsamlı bir incelemesi
- Tez No: 1023306
- Danışmanlar: DOÇ. DR. ASST. PROF. DR. DUYGU CAKİR
- Tez Türü: Yüksek Lisans
- Konular: Teknik Eğitim, Bilim ve Teknoloji, Technical Education, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri ve Veri Analitiği Ana Bilim Dalı
- Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, Büyük Dil Modellerinde (LLM'ler) bulunan önyargıların varlığını ve etkilerini incelemekte ve bu önyargıların azaltılmasına yönelik pratik yaklaşımları ele almaktadır. LLM'lerin sağlık, finans, eğitim ve kamu yönetimi gibi alanlarda karar verme süreçlerine giderek daha fazla entegre edilmesiyle birlikte, adalet, şeffaflık ve etik kullanım konularındaki endişeler kritik hale gelmiştir. Bu çalışma; cinsiyet, ırksal, dilsel, kültürel ve dini önyargılar olmak üzere farklı önyargı türlerini incelemekte ve bu önyargıların dengesiz veri setleri, tarihsel eşitsizlikler ve model tasarım tercihleri gibi faktörlerden nasıl kaynaklandığını ortaya koymaktadır. Önyargının analiz edilmesi amacıyla anketler, vaka analizleri ve yaygın olarak kullanılan LLM'ler üzerinde yapılan ampirik testler gibi nitel ve nicel yöntemler birlikte kullanılmıştır. Araştırmanın önemli katkılarından biri, model çıktılarındaki örtük önyargıları tespit etmek için kutupluluk, fiil öznesi (eylem yükleyiciliği) ve duygusal çerçeveleme gibi yapılandırılmış ölçütlerin kullanılmasıdır. Elde edilen bulgular, LLM'lerin yüzeyde tarafsız görünmesine rağmen, özellikle hassas ve demografik içeriklerde mevcut toplumsal önyargıları yeniden ürettiğini ve bazı durumlarda güçlendirdiğini göstermektedir. Tez kapsamında ayrıca adalet odaklı algoritmalar, prompt mühendisliği, adversarial debiasing ve çıktı sonrası düzeltme teknikleri gibi mevcut önyargı azaltma yöntemleri değerlendirilmiştir. Bunun yanında IBM AI Fairness 360, Microsoft Fairlearn ve Google What-If Tool gibi araçların güçlü ve zayıf yönleri analiz edilmiştir. Teknik çözümlerin ötesinde, çalışma etik yönetişim ve düzenleyici çerçevelerin önemini vurgulamakta; Avrupa Birliği Yapay Zekâ Yasası (AI Act) ve ABD Yapay Zekâ Haklar Bildirgesi gibi küresel girişimlere değinmektedir. Sonuç olarak, LLM'lerde önyargının azaltılmasının; teknik geliştirmeler, politika düzenlemeleri ve sürekli denetimi içeren çok disiplinli bir yaklaşım gerektirdiği ortaya konulmaktadır. Bu tez, Büyük Dil Modellerinde önyargının kapsamlı bir değerlendirmesini sunarak daha adil, şeffaf ve kapsayıcı yapay zekâ sistemlerinin geliştirilmesine yönelik uygulanabilir öneriler sunmaktadır.
Özet (Çeviri)
This thesis examines the presence and impact of bias in Large Language Models (LLMs) and explores practical approaches for mitigating such biases. As LLMs are increasingly integrated into decision-making processes across sectors like healthcare, finance, education, and governance, concerns around fairness, transparency, and ethical use have become critical. The study investigates multiple forms of bias, including gender, racial, linguistic, cultural, and religious biases, highlighting how these biases originate from imbalanced training data, historical inequalities, and model design choices. To analyze bias, the research applies both qualitative and quantitative methods, including surveys with AI practitioners, case studies, and empirical testing of widely used LLMs. A key contribution of this research is the use of structured evaluation metrics such as polarity, verb agency, and emotional framing to identify subtle yet systematic disparities in model outputs. The findings reveal that while LLMs may appear neutral, they often reproduce and sometimes amplify existing societal biases, particularly when handling sensitive or demographic-related queries. The thesis further evaluates existing bias mitigation techniques, including fairness-aware algorithms, prompt engineering, adversarial debiasing, and post-processing methods. It also reviews leading fairness tools such as IBM AI Fairness 360, Microsoft Fairlearn, and Google's What-If Tool, identifying their strengths and limitations in real-world applications. In addition to technical solutions, the study emphasizes the importance of regulatory frameworks and ethical governance, referencing global initiatives such as the EU AI Act and the U.S. AI Bill of Rights. The research concludes that addressing bias in LLMs requires a multidisciplinary approach that combines technical innovation, policy intervention, and continuous monitoring. Overall, this thesis contributes to the growing body of research on ethical AI by providing a comprehensive evaluation of bias in LLMs and offering practical recommendations for building more fair, transparent, and inclusive AI systems.
Benzer Tezler
- Büyük dil modeli tabanlı veri artırma ile dengesiz veri setlerinde sahte haber sınıflandırma
Fake news classification in imbalanced datasets with llm-based data augmentation
AHMET OKAN ARIK
Doktora
Türkçe
2026
Bilim ve Teknolojiİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. GİZEM PARLAYANDEMİR SAYAN
DR. SERRA ÇELİK
- Automotive radar interference mitigation with next generation sequence models
Yeni nesil dizi modelleri ile otomotiv radarlarında girişim giderme
ELİF ÖZTÜRK KOÇ
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Makine öğrenmesi kullanılarak yanıltıcı haber ve ayrıştırıcı dil tespit algoritmaları geliştirilmesi
Developing fake news and hate speech detection algorithms using machine learning
FATİH SİNAN ESEN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN EMRAH
- Generative reward models for formal theorem proving: Methods, benchmarks, and tree search integration
Biçimsel teorem ispatlama için üretken ödül modelleri: Metotlar, denektaşları ve ağaç yapılı arama entegrasyonu
ZEYNEL ABİDİN ULUŞAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖZDE GÜL ŞAHİN
- Online anomaly detection in the Neyman-Pearson hypothesis testing framework
Neyman-Pearson hipotez testi çerçevesinde çevrimiçi anomali tespiti
BAŞARBATU CAN
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN