KaydedilenlerDerginizi ekleyin

Dergiler / Yeni Medya / 2025 / Sayı: 19

Yapay Zekâ Tabanlı Krizlerde Kriz İletişimi Stratejileri: Durumsal Kriz İletişimi Kuramı Çerçevesinde Amazon Üzerine Nitel Bir Vaka Analizi

Crisis Communication Strategies in AI-Based Crises: A Qualitative Case Study of Amazon through the Lens of Situational Crisis Communication Theory

Güliz Müge Akpınar(AYDIN ADNAN MENDERES ÜNİVERSİTESİ, İLETİŞİM FAKÜLTESİ)0000-0003-3533-3166
Sayfa
416–439
Yayın Tarihi
2025-12-23
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bulgular, sistemin kapatılmasına dayanan azaltma stratejisiyle yürütülen Amazon’un ilk tepkisinin, uzun süren sessizlik ve sınırlı bilgi paylaşımı nedeniyle etkisiz kaldığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu araştırma, yapay zekâ tabanlı krizlerin iletişim dinamiklerini, Amazon’un cinsiyete dayalı ayrımcılık yapan işe alım algoritması vakası üzerinden incelemektedir.
📊
Temel Bulgular & Veri:Nitel bir vaka çalışması olarak tasarlanan araştırmada, 2018–2024 yılları arasında yayımlanmış medya haberleri, kurumsal açıklamalar, SEC belgeleri ve DEI raporlarından oluşan 17 belge, MAXQDA yazılımı kullanılarak söylem ve tematik analiz teknikleriyle incelenmiştir.
💡
Sonuç & Katkı:Bulgular, sistemin kapatılmasına dayanan azaltma stratejisiyle yürütülen Amazon’un ilk tepkisinin, uzun süren sessizlik ve sınırlı bilgi paylaşımı nedeniyle etkisiz kaldığını göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2018–2024 Verileri
⚙️Değişkenler:Yapay Zekâ · Durumsal Kriz İletişimi Kuramı · Amazon

Özet

Bu araştırma, yapay zekâ tabanlı krizlerin iletişim dinamiklerini, Amazon’un cinsiyete dayalı ayrımcılık yapan işe alım algoritması vakası üzerinden incelemektedir. Durumsal Kriz İletişimi Kuramı (SCCT) perspektifinden yürütülen çalışma, algoritmik krizlerin benzersiz yapısını analiz ederek, geleneksel kriz iletişimi modellerinin yapay zekâ bağlamındaki sınırlılıklarını ortaya koymaktadır. Nitel bir vaka çalışması olarak tasarlanan araştırmada, 2018–2024 yılları arasında yayımlanmış medya haberleri, kurumsal açıklamalar, SEC belgeleri ve DEI raporlarından oluşan 17 belge, MAXQDA yazılımı kullanılarak söylem ve tematik analiz teknikleriyle incelenmiştir. Bulgular, sistemin kapatılmasına dayanan azaltma stratejisiyle yürütülen Amazon’un ilk tepkisinin, uzun süren sessizlik ve sınırlı bilgi paylaşımı nedeniyle etkisiz kaldığını göstermektedir. Bu durum, SCCT’nin şeffaflık ve hesap verebilirlik ilkeleriyle çelişmiş ve kurumun kaçınmacı bir tutum sergilediği algısını güçlendirmiştir. Ayrıca YZ sistemlerinin “kara kutu” niteliğindeki karmaşık yapısı, şeffaf iletişimi zorlaştırırken medya çerçevelemesi kamuoyundaki kriz algısını önemli ölçüde şekillendirmiştir. Çalışma, SCCT’nin bu hibrit krizlerde tek başına yeterli kalmadığını; yalnızca azaltma stratejilerine başvurmak yerine, erken dönemde şeffaflığı önceleyen adımlar, bağımsız denetim süreçleri ve sorumluluk üstlenmeye yönelik telafi mekanizmalarıyla yönetilmesinin, kurumsal güvenin yeniden inşası açısından kritik olduğunu vurgulamaktadır. Bu bağlamda araştırma, teknik şeffaflık, etik sorumluluk, paydaş katılımı ve çözüm odaklı iletişimi bütünleştiren “Çok Boyutlu Algoritmik Kriz İletişimi Kuramsal Çerçevesi” ni önermektedir. Bu çerçeve, SCCT’nin yapay zekâ krizleri bağlamında genişletilmesine katkı sağlamakta; kurumlara, proaktif risk iletişimiyle güven oluşturulmasına yönelik yeni bir bakış açısı kazandırmayı amaçlamaktadır.

Abstract

This study examines the communication dynamics of artificial intelligence (AI)–driven crises through the lens of Amazon’s AI-based hiring algorithm. Conducted from the perspective of Situational Crisis Communication Theory (SCCT), the research analyzes the unique structure of algorithmic crises and reveals the limitations of traditional crisis communication models in AI-driven contexts. Designed as a qualitative case study, the research analyzed 17 documents—including media reports, corporate statements, SEC filings, and DEI reports—published between 2018 and 2024 using discourse and thematic analysis techniques supported by MAXQDA software. The findings indicate that Amazon’s initial response, based on a mitigation strategy involving system shutdown, was undermined by prolonged silence and limited disclosure. This combination contradicted the SCCT principles of transparency and accountability, reinforcing the perception of an avoidant corporate stance. Moreover, the “black box” opacity of AI systems hinders transparent communication, while media framing significantly shapes public crisis perception. The study highlights that SCCT alone falls short in addressing such hybrid crises; rather than relying solely on mitigation strategies, early measures prioritizing transparency, independent auditing, and compensation mechanisms are essential for rebuilding organizational trust. In this context, the research proposes a Multidimensional Algorithmic Crisis Communication Framework, integrating technical transparency, ethical responsibility, stakeholder participation, and solution-oriented discourse. This framework contributes to the expansion of SCCT in AI-related crises and offers institutions a renewed perspective on trust-building through proactive risk communication.

🔖

Bu Makaleye Atıf Yap

Akpınar, G. M. (2025). Yapay Zekâ Tabanlı Krizlerde Kriz İletişimi Stratejileri: Durumsal Kriz İletişimi Kuramı Çerçevesinde Amazon Üzerine Nitel Bir Vaka Analizi. Yeni Medya, Sayı: 19, 416–439. https://doi.org/10.55609/yenimedya.1774788

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (54)

  1. Ananny, M., & Crawford, K. (2018). Seeing without knowing: Limitations of the transparency ideal and its application to algorithmic accountability. New Media & Society, 20(3), 973– 989. https://doi.org/10.1177/1461444816676645
  2. Barocas, S., & Selbst, A. D. (2016). Big data’s disparate impact. California Law Review, 104, 671– 732. https://doi.org/10.2139/ssrn.2477899
  3. Bostrom, N., & Yudkowsky, E. (2014). The ethics of artificial intelligence. In K. Frankish & W. M. Ramsey (Eds.), The Cambridge handbook of artificial intelligence (pp. 316–334). Cambridge University Press.
  4. Bozkurt Gümrükçüoğlu, Y., & Ahter Yakacak, G. (2023). Yapay zekanın işe alım süreçlerinde kullanımı ve algoritmik ayrımcılık. Ankara Üniversitesi Hukuk Fakültesi Dergisi, 72(4), 1701– 1757. https://doi.org/10.33629/auhfd.1403311
  5. Boyd, D., & Crawford, K. (2012). Critical questions for big data: Provocations for a cultural, technological, and scholarly phenomenon. Information, Communication & Society, 15(5), 662– 679. https://doi.org/10.1080/1369118X.2012.678878
  6. Buolamwini, J., & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. In Conference on Fairness, Accountability, and Transparency (pp. 77–91). PMLR.
  7. Caliskan, A., Bryson, J. J., & Narayanan, A. (2017). Semantics derived automatically from language corpora contain human-like biases. Science, 356(6334), 183–186. https://doi.org/10.1126/science.aal4230
  8. Coombs, W. T. (2004). Impact of past crises on current crisis communication: Insights from situational crisis communication theory. Journal of Business Communication, 41(3), 265– 289. https://doi.org/10.1177/0021943604265607
  9. Coombs, W. T. (2007). Protecting organization reputations during a crisis: The development and application of Situational Crisis Communication Theory. Corporate Reputation Review, 10(3), 163– 176. https://doi.org/10.1057/palgrave.crr.1550049
  10. Coombs, W. T. (2019). Ongoing crisis communication: Planning, managing, and responding (5th ed.). SAGE Publications.
  11. Coombs, W. T., & Holladay, S. J. (2002). Helping crisis managers protect reputational assets: Initial tests of the Situational Crisis Communication Theory. Management Communication Quarterly, 16(2), 165– 186. https://doi.org/10.1177/089331802237233
  12. Crawford, K., Dobbe, R., Dryer, T., Fried, G., Green, B., Kaziunas, E., Mathur, V.,. & Whittaker, M. (2019). AI Now 2019 report. AI Now Institute. https://ainowinstitute.org/publications/ai-now-2019-report-2
  13. Darı, A. B., & Koçyiğit, A. (2024). Yapay zekâ ve etik: Yeni medyanın dönüşümünde sorumluluk ve sınırlar. İletişim ve Toplum Araştırmaları Dergisi, 4(2), 246–261. https://doi.org/10.59534/jcss.1492948
  14. Dastin, J. (2018, October 10). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters. https://www.reuters.com/article/us-amazon-com-jobs-automation-insight/amazon- scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G
  15. Diakopoulos, N. (2020). Transparency. In M. C. Elish, D. Boyd, & A. Mateescu (Eds.), The Oxford handbook of ethics of AI (pp. 197–213). Oxford University Press.
  16. D’Ignazio, C., & Klein, L. F. (2020). Data feminism. MIT Press.
  17. Dondurucu, Z. B., & Çetinkaya, A. (2023). Dijital haber üretim sürecinde algoritmik önyargı/yanlılık üzerine yapılan akademik çalışmaların bibliyometrik analizi. In Algoritmalar, habercilik ve medya (pp. 59–98).
  18. Duğan, Ö., & Koç, B. (2020). Durumsal kriz iletişimi teorisi çerçevesinde kriz tepki stratejilerinin kurumsal itibar üzerindeki rolü üzerine bir araştırma. Connectist: Istanbul University Journal of Communication Sciences, 59, 127–159. https://doi.org/10.26650/CONNECTIST2020-0084
  19. European Commission. (2021). Proposal for a regulation laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). https://eur-lex.europa.eu/legal-content/EN/TXT/? uri=CELEX%3A52021PC0206
  20. Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 4(1). https://doi.org/10.1162/99608f92.8cd550d1
  21. Felzmann, H., Villaronga, E. F., Lutz, C., & Tamò-Larrieux, A. (2019). Transparency you can trust: Transparency requirements for artificial intelligence between legal norms and contextual concerns. Big Data & Society, 6(1), 1–14. https://doi.org/10.1177/2053951719860542
  22. Friedman, B., & Nissenbaum, H. (1996). Bias in computer systems. ACM Transactions on Information Systems, 14(3), 330–347. https://doi.org/10.1145/230538.230561
  23. Garson, D. (2020). An introduction to artificial intelligence for public administrators. In D. Schachter & D. Schwester (Eds.), Public administration's fourth age: Information technology and governance. Routledge.
  24. Gillespie, T. (2018). Custodians of the internet: Platforms, content moderation, and the hidden decisions that shape social media. Yale University Press.
  25. Grunig, J. E. (2009). Paradigms of global public relations in an age of digitalisation. PRism, 6(2), 1– 19. http://www.prismjournal.org
  26. Hagendorff, T. (2020). The ethics of AI ethics: An evaluation of guidelines. Minds and Machines, 30(1), 99– 120. https://doi.org/10.1007/s11023-020-09517-8
  27. Janssen, M., Brous, P., Estevez, E., Barbosa, L. S., & Janowski, T. (2020). Data governance: Organizing data for trustworthy artificial intelligence. Government Information Quarterly, 37(3), 101493. https://doi.org/10.1016/j.giq.2020.101493
  28. Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399. https://doi.org/10.1038/s42256-019-0088-2
  29. Kıral, B. (2020). Nitel bir veri analizi yöntemi olarak doküman analizi. Sosyal Bilimler Enstitüsü Dergisi, 15, 170– 189.
  30. Kim, S., & Krishna, A. (2018). Unpacking public sentiment toward the government: How citizens' perceptions of government communication strategies impact public engagement, cynicism, and communication behaviors in South Korea. International Journal of Strategic Communication, 12(3), 215–236. https://doi.org/10.1080/1553118X.2018.1448400
  31. Martin, K. (2019). Ethical implications and accountability of algorithms. Journal of Business Ethics, 160(4), 835–
  32. https://doi.org/10.1007/s10551-018-3921-3
  33. Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6), 1–35. https://doi.org/10.1145/3457607
  34. Miller, T. (2019). Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence, 267, 1–38. https://doi.org/10.1016/j.artint.2018.07.007
  35. Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2), 1–21. https://doi.org/10.1177/2053951716679679
  36. Noble, S. U. (2018). Algorithms of oppression: How search engines reinforce racism. New York University Press.
  37. Nguyen, D., & Hekman, E. (2024). The news framing of artificial intelligence: A critical exploration of how media discourses make sense of automation. AI & Society, 39(2), 437–451. https://doi.org/10.1007/s00146-022-01511-1 Oğuz, Ö. (2024). Çalışma hayatında algoritmik ayrımcılık. Süleyman Demirel Üniversitesi Hukuk Fakültesi
  38. Dergisi, 11(1), 1851-86. https://doi.org/10.52273/sduhfd.1581436
  39. Özgür, Ö. F. (2024). Türkiye’de DergiPark sistemindeki yapay zekâ ve kriz konulu akademik çalışmalar üzerine bir değerlendirme. Academic Journal of Information Technology (AJIT-e), 15(1), 1– 17. https://doi.org/10.5824/ajite.2024.01.003.x
  40. Pasquale, F. (2015). The black box society: The secret algorithms that control money and information. Harvard University Press.
  41. Park, K., & Yoon, H. Y. (2025). AI algorithm transparency, pipelines for trust not prisms: Mitigating general negative attitudes and enhancing trust toward AI. Humanities and Social Sciences Communications, 12(1), Article 211. https://doi.org/10.1057/s41599-025-05116-z
  42. Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in algorithmic hiring: Evaluating claims and practices. In Conference on Fairness, Accountability, and Transparency (FAT ’20)* (pp. 469–481). ACM. https://doi.org/10.1145/3351095.3372828
  43. Raji, I. D., Bender, E. M., Paullada, A., Denton, E., & Hanna, A. (2020). Closing the AI accountability gap: Defining an end-to-end framework for internal algorithmic auditing. In Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (FAT20) (pp. 33–44). Association for Computing Machinery. https://doi.org/10.1145/3351095.3372873
  44. Sætra, H. S. (2021). A framework for evaluating and disclosing the ESG-related impacts of AI with the SDGs. Sustainability, 13(15), 8503. https://doi.org/10.3390/su13158503
  45. Seeger, M. W. (2006). Best practices in crisis communication: An expert panel process. Journal of Applied Communication Research, 34(3), 232–244. https://doi.org/10.1080/00909880600769944
  46. Selbst, A. D., & Barocas, S. (2018). The intuitive appeal of explainable machines. Fordham Law Review, 87, 1085–1139.
  47. Shin, D., & Park, Y. J. (2019). Role of fairness, accountability, and transparency in algorithmic affordance. Computers in Human Behavior, 98, 277–284. https://doi.org/10.1016/j.chb.2019.04.019
  48. Veale, M., & Zuiderveen Borgesius, F. (2021). Demystifying the draft EU Artificial Intelligence Act. Computer Law Review International, 22(4), 97–112. https://doi.org/10.9785/cri-2021-220402
  49. Wachter, S., Mittelstadt, B., & Floridi, L. (2017). Why a right to explanation of automated decision-making does not exist in the general data protection regulation. International Data Privacy Law, 7(2), 76– 99. https://doi.org/10.1093/idpl/ipx005
  50. Wischmeyer, T. (2020). Artificial intelligence and transparency: Opening the black box. In W. Barfield & U. Pagallo (Eds.), Regulating artificial intelligence (pp. 75–101). Springer. https://doi.org/10.1007/978-3-030- 32361-5_4
  51. Zararsız, Ö. F. (2024). Artificial intelligence in public relations: Potential benefits and drawbacks. Yeni Medya Dergisi, 16(Bahar), 354-368, https://doi.org/10.55609/yenimedya.1433074
  52. Zou, J., & Schiebinger, L. (2018). AI can be sexist and racist—It’s time to make it fair. Nature, 559(7714), 324–326. https://doi.org/10.1038/d41586-018-05707-8
  53. Crawford, K., Dobbe, R., Dryer, T., Fried, G., Green, B., Kaziunas, E., Mathur, V.,. & Whittaker, M. (2019). AI Now 2019 report. AI Now Institute. https://ainowinstitute.org/publications/ai-now-2019-report-2
  54. Dergisi, 11(1), 1851-86. https://doi.org/10.52273/sduhfd.1581436