İYİ HALİN ALGORİTMİK TESPİTİ: KOŞULLU SALIVERİLME KARARLARINDA İYİ HÂL DEĞERLENDİRMESİNE YAPAY ZEKA DESTEKLİ HİBRİT MODEL ENTEGRASYONU TÜRK CEZA İNFAZ HUKUKU AÇISINDAN BİR İNCELEME
Yazar: Av. Zeynep Ebrar KAYA LLM
Giriş
Modern ceza adalet sistemlerinde cezalandırma ile rehabilitasyon arasındaki hassas denge, ceza infaz rejiminin başarısını doğrudan belirleyen temel unsur haline gelmiştir. Özellikle uzun süreli hürriyeti bağlayıcı cezaların hükümlüler üzerinde yarattığı psikolojik tahribat ve ceza infaz kurumlarının fiziksel kapasite sınırları göz önüne alındığında, koşullu salıverilme müessesesi yalnızca bir erken tahliye mekanizması olmaktan çıkıp, hükümlünün topluma yeniden kazandırılmasında stratejik bir dönüm noktası işlevi görmektedir. Bu süreçte “iyi hâl” kavramı, objektif gibi görünen kriterlerine rağmen uygulama içinde yoğun subjektivite, iş yükü baskısı ve kurullar arası tutarsızlık gibi yapısal sorunlarla karşı karşıya kalmaktadır. İşte tam bu noktada, veri odaklı karar destek sistemlerinin ve özellikle yapay zekâ destekli hibrit modellerin ceza infaz hukukuna entegrasyonu, hem hukuki güvenlik ilkesini güçlendirme hem de rehabilitasyon odaklı infaz amacını daha etkin kılma potansiyeli taşımaktadır. Aşağıda sunulacak çalışma, Türk Ceza İnfaz Hukuku özelinde 5275 sayılı Ceza ve Güvenlik Tedbirlerinin İnfazı Hakkında Kanun’un 89. maddesi çerçevesinde yürütülen iyi hâl değerlendirme sürecine yapay zekânın destekleyici rolünün hukuki, teknik ve etik boyutlarıyla mümkün olup olmadığını ve hangi sınırlar içinde anlamlı katkı sağlayabileceğini akademik bir perspektiften incelemektedir.
Koşullu Salıverilme Ve Amacı
5275 sayılı Kanuna göre ceza ve güvenlik tedbiriler ile ulaşılmak istenen amaç; mahkumiyeti kesinleşmiş kişinin yeniden topluma kazandırılması ve tekrar suç işlenmesinin önlenmesidir. Modern infaz hukukunda hükümlü muhtemelen ceza infaz kurumunda geçirdiği belirli bir süreden sonra topluma dönecektir. Bu sebeple hükümlünün ceza infaz kurumunda geçirdiği sürede yeniden toplumun bir üyesi olmasını sağlamak gerekir. Bu kapsamda Veli Özer Özbek’e göre cezanın ya da cezalandırmanın özellikle ödetme amacının infazın şekillenmesinde bir kriter olarak ele alınmaması gerekmektedir[1]. Katıldığımız bu bakış açısı ile hükümlünün ıslah edilmesi gerekmektedir. Zira bu, hükümlünün tamamen toplumdan uzun süre izole edilmesi ile mümkün değildir.
Koşullu salıverilme müessesesi, hapis cezasının infazına ilişkin temel bir düzenleme olarak Türk Ceza İnfaz Hukukunda önemli bir yere sahiptir. Bu kurumun varlık nedeni, esasen ceza infaz kurumlarının fiziksel koşullarının yarattığı ağır yükümlülükler ile uzun süreli hürriyeti bağlayıcı cezaların hükümlü üzerinde meydana getirdiği psikolojik ve sosyal tahribatı mümkün olduğunca sınırlamaktır. Zira hapis cezası, infaz edildiği süre boyunca bireyin toplumla bağlarını koparmakta, aile ilişkilerini zayıflatmakta ve yeniden sosyalleşme sürecini zorlaştırmaktadır.
Koşullu salıverilme, hükümlünün ceza infaz kurumunda geçirdiği süre zarfında sergilediği olumlu davranışlar ve topluma uyum kapasitesine dair somut göstergeler ışığında, cezanın kalan kısmının toplum içinde ve denetim altında infaz edilmesini mümkün kılmaktadır. Bu yönüyle kurum, yalnızca ceza infazının süresini kısaltan bir mekanizma olmanın ötesinde, hükümlünün ıslah olduğunun kabul edildiği bir ödül niteliği de taşımaktadır.
Kanunen öngörülen şartları (özellikle ceza süresinin belirli bir kısmının çekilmiş olması ve infaz kurumunda iyi halin devamlılığının tespiti) eksiksiz olarak yerine getiren hükümlüler bakımından koşullu salıverilme, kazanılmış bir hak haline gelmektedir. Bu hak, aynı zamanda infaz rejiminin temel amacı olan “hükümlünün topluma kazandırılması” ilkesinin somut bir yansımasıdır ve ceza adaleti sisteminin cezalandırma ile rehabilitasyon arasındaki dengesini korumaktadır.
Koşullu salıverilme ile ceza infazı tamamlanmış sonucu çıkarılmamalıdır. Hükümlü kalan ceza süresini suç işlememesi ve bazı yükümlülükleri yerine getirmesi şartı ile ceza infaz kurumu dışında tamamlayacaktır. Koşullu salıverilme, ancak kesin salıverilme gününe kadar geçecek süre içinde bazı kayıt ve şartlarla hükümlünün serbest bırakılmasını sağlar[2].
İyi Hal Kavramı
Hükümlünün koşullu salıverilmeden faydalanabilmesi için cezasının belirli bir süresini ceza infaz kurumunda iyi halli olarak geçirmiş olması gerekmektedir[3]. Yazımızın esas konusu bu iyi halin belirlenmesinde yapay zeka entegrasyonunun sağlanmasına bir bakış açısıdır. Bu sebeple ilk şart olan cezanın bir süre infaz kurumunda geçirilmiş olması üzerinde durmayacağız.
İyi hal, idare ve gözlem kurulu tarafından belirlenmektedir. Hükümlü iyi halin belirlenmesi bakımından en geç 6 ayda bir değerlendirmeye tabi tutulur ve olumsuz değerlendirilen hükümlünün yeniden değerlendirmeye tabi tutulma süresi 1 yılı geçemez[4].
5275 Sayılı Kanun m.89 iyi halin neye göre belirleneceğine ilişkin kapsamlı bir düzenleme sunmaktadır. İlgili maddeye göre;
- Hükümlünün ceza infaz kurumlarının düzen ve güvenliği amacıyla konulmuş kurallara uyup uymadığı,
- Haklarını iyi niyetle kullanıp kullanmadığı,
- Yükümlülüklerini eksiksiz yerine getirip getirmediği,
- Uygulanan iyileştirme programlarına göre toplumla bütünleşmeye hazır olup olmadığı,
- Tekrar suç işleme ve mağdura veya başkalarına zarar verme riskinin düşük olup olmadığıdır.
Hükümlünün koşullu salıverilmesi ceza infaz kurumu idaresi tarafından gerekçeli rapor, infaz hakimliğine verilir. İnfaz hakimi işbu rapora göre dosya üzerinden karar verir.
İyi Hal Değerlendirme Usulü
İdare ve gözlem kurulu; kurum müdürünün başkanlığında, gözlem ve sınıflandırmadan sorumlu ikinci müdür, idare memuru, cezaevi tabibi, psikiyatrist, bir psikolog ve psiko-sosyal yardım servisinde görevli diğer unvandan bir personel, öğretmen, infaz ve koruma başmemuru ile kurum müdürü tarafından teknik personel arasından seçilen bir görevliden oluşur. 275 sayılı Kanunun 89 uncu maddesinin üçüncü fıkrası gereğince iyi hâl değerlendirmesi yapacak olan kurula, Cumhuriyet başsavcısı veya belirleyeceği Cumhuriyet savcısı başkanlık eder. Bu kurula birinci fıkrada sayılan üyelerin yanı sıra Cumhuriyet başsavcısı tarafından belirlenen bir izleme kurulu üyesi ile Aile ve Sosyal Hizmetler Bakanlığı ve Sağlık Bakanlığı il veya ilçe müdürlükleri tarafından görevlendirilen birer uzman da katılır.
Koşullu salıverilme açısından iyi hâl değerlendirmesi, Gözlem ve Sınıflandırma Merkezleri ile Hükümlülerin Değerlendirilmesi Hakkında Yönetmelik’in uyarınca dinamik bir puanlama sistemiyle yapılır. Hükümlü ceza infaz kurumuna kabulünden itibaren her 6 aylık değerlendirme döneminde 4 servis (yönetim, eğitim-öğretim, psiko-sosyal yardım, güvenlik ve gözetim) ayrı ayrı artı puan (eğitim-öğretim programlarına katılım, kitap okuma alışkanlığı, pişmanlık beyanı, kurum düzenine katkı vb.) ve eksi puan (disiplin cezaları vb.) verir. Bu puanlar toplanarak dönem puanı hesaplanır; tüm dönem puanlarının ortalaması hükümlünün gelişim puanını oluşturur.
İdare ve gözlem kurulu, koşullu salıverilme öncesi son toplantıda gelişim puanını esas alır. Gelişim puanı Genel Müdürlükçe belirlenen eşik puanın altında ise iyi hâl kararı verilmez ve koşullu salıverilme reddedilir. Ancak kurul, düşük puanın hastalık, yaşlılık, personel yetersizliği gibi makul bir nedenden kaynaklandığını tespit ederse eşik puan şartını aramayabilir ve diğer iyi hâl kriterlerine göre (kurallara uyum, toplumla bütünleşme hazırlığı, tekrar suç işleme riskinin düşüklüğü vb.) olumlu karar verebilir. Olumsuz kararda yeniden değerlendirme süresi 3 aydan az, 1 yıldan fazla olamaz.
Komisyon Değerlendirmesinde Yapay Zeka Entegrasyonu
Yukarıda yapılan açıklamalar ışığında komisyonun yaptığı söz konusu değerlendirmenin bir yapay zeka aracının algoritmik karar tespiti ile gerçekleştirilmesinin hem zaman hem iş yükü hem de rasyonellik açısından fayda sağlayacağı kanaatindeyiz. Burada tüm işlemin yapay zeka tarafından yapılmasından değil yapay zekanın destekleyici bir araç olarak kullanılmasından bahsetmekteyiz. Yapay zeka nihai kararı veren merci değil, komisyon üyelerine veri bazlı, objektif ve hızlı bir risk değerlendirmesi sunan bir araçtır.
Hükümlünün demografik bilgileri, suç geçmişi, infaz kurumundaki davranış notları, katıldığı rehabilitasyon programları, psikososyal raporlar gibi tüm statik ve dinamik veriler yapay zeka modeline yüklenir. Yapay zeka algoritması, geçmiş binlerce benzer vakaya ait veriyi kullanarak, söz konusu hükümlü için yeniden iyi hal oranını hesaplar ve sayısal bir risk puanı üretir. Yapay zeka modeli, sadece bir risk puanı değil, bu puana ulaşmasını sağlayan kritik faktörleri, örneğin yüksek risk teşkil eden davranış eğilimleri, belirterek Komisyona özel bir Öngörücü Risk Raporu sunar. Bu rapor, aynı zamanda hükümlünün denetimli serbestlik sürecinde hangi programlara ve yoğunluğa ihtiyaç duyduğuna dair bireyselleştirilmiş izleme önerileri de içerebilir.
Yapay zeka, duygusal faktörlerden ve anlık baskılardan bağımsız çalıştığı için, benzer profile sahip hükümlülere daha tutarlı kararlar verilmesini sağlar. Benzer somut olaylarda benzer nitelikte kararların alınması ise Hukuki Güvenlik İlkesini güçlendirecektir.
Komisyonda yer alan üyelerin yoğunluktan ve diğer etmenlerden dolayı gözden kaçırma ihtimalinin bulunduğu kriterler yapay zeka tarafından eksiksiz olarak rasyonel şekilde değerlendirilebilecek böylelikle daha hızlı ve eksiksiz karar alınmasına destek sağlayacaktır.
Bu modelin en çarpıcı üstünlüğü, ceza infazındaki kronik subjektivite sorununu büyük ölçüde hafifletmesidir. Aynı verilere sahip dosyalar farklı cezaevlerinde farklı sonuçlanabilirken, yapay zeka tutarlı bir referans noktası sunarak eşitlik ve hukuki güvenlik ilkesini güçlendirir. Yılda üç yüz bini aşan değerlendirmede iş yükünü dramatik biçimde azaltır; düşük riskli dosyalar otomatik olumlu öneriyle kurulun önüne gelirken, yalnızca gri alanlar detaylı insan incelemesine kalır. Daha önemlisi, geçmiş salıverilme verileriyle eğitilen model, suça geri dönme tahmininde insan gözleminden daha isabetli sonuçlar verebilir ve infazın temel amacı olan topluma kazandırmayı daha etkin hale getirebilir.
Bu sistemin elbette olası dezavantajları bulunmaktadır. Öncelikle algoritmik önyargının devam etme ihtimali mevcuttur. Yapay zekanın eğitildiği tarihsel veriler, toplumsal ve kurumsal ön yargıları (örn. ekonomik durum, etnik köken) yansıtıyorsa, yapay zeka bu eşitsizlikleri öğrenir ve önyargıları devam ettirebilir. Bunun önüne geçilebilmesi için yapay zeka modeline bu önyargılardan arındırılmasını sağlamak için filtreler eklenmesi gerekmektedir. Ve bu verilerin düzenli olarak güncel tutulması gerekmektedir.
Bir diğer dezavantaj olarak ise yapay zeka modelinin kara kutu problemidir. Bu modeller, milyonlarca veri noktasındaki karmaşık ve doğrusal olmayan ilişkileri tespit ederek yüksek doğrulukta risk skorları üretse de nihai puana ulaşırken izledikleri algoritmik yol haritasını insan denetimine açık bir şekilde sunmaktan aciz kalır. Bu izlenebilirlik eksikliği, yani yapay zekanın bir hükümlünün neden yüksek riskli olarak sınıflandırıldığına dair mantıksal ve hukuki gerekçeyi belirtememesi, kararın hukuka uygunluğunun temelden sorgulanmasına yol açar. Zira, Ceza Hukuku ve İnfaz Hukuku prensipleri, kararların keyfiyetten uzak, gerekçeli ve denetlenebilir olmasını gerektirir. Yeterli gerekçe sunulamaması, hem hükümlünün adil yargılanma hakkı bağlamında karara etkili bir şekilde itiraz etme mekanizmasını zayıflatır hem de Komisyon üyeleri üzerinde algoritmik sorumluluğun belirsizleşmesine neden olarak, nihai kararın meşruiyetini ve kabul edilebilirliğini ciddi şekilde aşındıran bir durum teşkil eder. Bu nedenle, yapay zeka entegrasyonu, açıklanabilir yapay zeka tekniklerinin kullanımını zorunlu kılmaktadır.
Yapay zekâ modelinin güvenilirliği, temel olarak girdi verisinin kalitesine bağlıdır; bu durum, bilişim bilimlerinde “Çöp Girdi, Çöp Çıktı” (Garbage In, Garbage Out- GIGO) prensibiyle ifade edilir. Eğer yapay zeka modeli, eksik, hatalı, güncel olmayan veya yanlış etiketlenmiş verilerle eğitilir veya beslenirse, algoritmanın üreteceği risk skorları ve rehabilitasyon önerileri de güvenilmez ve potansiyel olarak hukuken tehlikeli olacaktır. Örneğin, hükümlünün kurum içi davranış raporlarında sistematik hatalar veya eksik bilgiler bulunması, modelin bireyin gerçek nüks riskini olduğundan az ya da fazla tahmin etmesine yol açarak hem toplumsal güvenlik riskini artırabilir hem de bireyin adil bir şekilde tahliye edilme hakkını ihlal edebilir.
Gelişmiş yapay zeka modelleri bile temel olarak geçmişteki verilere ve istatistiksel eğilimlere dayanarak geleceği tahmin etmeye çalışır; bu da yapay zekanın dinamik insani değişime karşı doğasında bulunan bir duyarsızlık sergilemesine yol açar. Bir hükümlünün ceza infaz kurumunda geçirdiği süre zarfında gösterdiği samimi pişmanlık, motivasyon artışı, bilişsel değişim veya zorlu rehabilitasyon programlarında elde ettiği beklenmedik ilerleme gibi niteliksel ve bireysel nüanslar, yapay zeka sisteminin sayısallaştırmaya çalıştığı büyük veri havuzunda yeterince temsil edilemeyebilir. Yapay zeka, kişinin statik geçmiş verilerini (suç türü, yaş, eğitim) mükemmel analiz etse dahi, insani empati ve takdir yetkisi gerektiren; yani bireyin gelecekteki davranışını etkileyebilecek yeni gelişen pozitif değişkenleri yakalamakta yetersiz kalır. Bu durum, özellikle Komisyon kararlarında, bir hükümlünün derin kişisel dönüşümünü kanıtlayan mülakat izlenimlerinin veya psikolog raporlarının yapay zekanın düşük skorlamasına rağmen insani takdirle değerlendirilme zorunluluğunu ortaya çıkararak, hibrit modelin dengesini korumanın önemini vurgular.
Uluslararası Karşılaştırmalar
Konumuzla birebir aynı nitelikte olmamakla beraber risk analizi yapan yapay zeka modelleri dünyada farklı ülkelerde kullanılmaktadır. İngiltere’de Ulusal Polis Şefleri Konseyi (NPCC) ve Durham Constabulary tarafından 2017’den beri kullanılan Harm Assessment Risk Tool (HART), tekrar suç işleme tahmininde hibrit bir yapay zeka modelidir. HART, hükümlünün polis veri tabanındaki 34.000’den fazla değişkeni, önceki suçlar, yaş, cinsiyet, ikamet bölgesi, mağdur ilişkileri vb., analiz ederek 36 ay içinde yüksek, orta veya düşük risk kategorilerinden birine yerleştirir. Model, karar destek aracı olarak tasarlandığı için nihai yetki her zaman insan karar vericide kalır; sistem yalnızca “tahmini risk skoru” ve bu skora etki eden en önemli 5-7 faktörü, örneğin “önceki şiddet suçu %42 ağırlık, şeffaf bir şekilde sunar. Hiçbir tahmin aracı mükemmel olamaz. HART’ın bağımsız bir doğrulama çalışması, genel doğruluk oranının yaklaşık %63 olduğunu ortaya koymuştur[5].
Benzer bir başka örnek ise ABD’de yer almaktadır. ABD risk değerlendirmesinde en uzun süredir kullanılan sistem olan COMPAS 2000’lerden beri 46 eyalette uygulanmaktadır. Algoritma, 137 soruluk bir anket (suç geçmişi, madde kullanımı, eğitim düzeyi, aile ilişkileri vb.) ve cezaevi davranış verilerini işleyerek 1-10 arasında bir “genel suça geri dönme skoru” ile birlikte şiddet suça geri dönme skoru üretir. Wisconsin eyaletinde ProPublica’nın 2016’daki ünlü araştırmasında ortaya çıktığı üzere, COMPAS siyah hükümlülere beyazlara göre sistematik olarak daha yüksek risk skoru vermekteydi; bu da algoritmik ayrımcılık tartışmasını tetiklemiş ve ABD Yüksek Mahkemesi’nin Loomis v. Wisconsin kararında “COMPAS skoru tek başına karar gerekçesi olamaz, insan hâkim mutlaka bağımsız değerlendirme yapmalıdır” hükmünü doğurmuştur. Buna rağmen birçok eyalet (New York, California, Pennsylvania) COMPAS’ı hibrit olarak kullanmaya devam etmekte; algoritma çıktısı kurula sunulmakta, dolayısıyla karar gerekçesinde skorun ne ölçüde dikkate alındığı ve hangi insan faktörleriyle dengelendiği açıkça yazılmak zorundadır[6]. 2020’lerden itibaren eyaletler “ikinci bakış” mekanizmaları getirerek algoritmanın eski verilere dayalı önyargısını insan denetimiyle düzeltmeye çalışmaktadır.
Sonuç
Türk Ceza İnfaz Hukukunda koşullu salıverilme kararlarının odağında yer alan “iyi hâl” değerlendirmesi, mahkûmun topluma yeniden kazandırılmasına yönelik infaz rejiminin en kritik aşamalarından biridir. Mevcut sistem, çok sayıda uzmanı içeren çok katmanlı bir değerlendirme mekanizmasına dayanmakla birlikte, artan iş yükü, subjektif yorum farkları ve veri yoğunluğunun yönetilememesi gibi yapısal sorunlar içermektedir. Bu çalışma, söz konusu değerlendirme sürecine yapay zeka destekli hibrit bir modelin entegre edilmesinin, kararların tutarlılığını, şeffaflığını ve rasyonelliğini artırabileceğini ortaya koymaktadır.
Yapay zeka, tek başına karar veren bir merci değil; Komisyonun takdir yetkisini destekleyen, veri temelli ve objektif bir analiz aracı olarak konumlandırılmalıdır. Modelin sunduğu risk skorları, öngörücü analizler ve bireyselleştirilmiş izleme önerileri hem infaz süreçlerinin hızlanmasına hem de benzer durumdaki hükümlülere karşı eşitlik ilkesinin güçlenmesine katkı sağlayacaktır. Bununla birlikte algoritmik önyargı, veri kalitesi, açıklanabilirlik eksikliği ve insan davranışının dinamik niteliğinin tam olarak yakalanamaması gibi riskler, hibrit yapının insan denetimi ile dengelenmesinin zorunlu olduğunu göstermektedir.
Bu çerçevede yapay zeka entegrasyonu, infaz hukukunun temel prensipleriyle uyumlu bir biçimde, yalnızca karar destek amacıyla kullanılmalı; nihai kararın gerekçeli, denetlenebilir ve insan iradesine dayalı niteliği mutlaka korunmalıdır. Böyle bir hibrit model, hem ceza infaz kurumlarında iyi hâlin tespitine ilişkin objektifliği artıracak hem de topluma yeniden kazandırma amacına daha bilimsel, izlenebilir ve çağdaş bir yöntemle hizmet edecektir.
Zeynep Ebrar KAYA’nın Dünya’nın İlk Robot Avukatı isimli yazısını okumak için bağlantıya tıklayınız.
Hukuk ve Bilişim Dergisi’nin 13. Sayı’sındaki “Metaverse’te Kişisel Verilerin Korunması” isimli yazıyı bağlantıdan okuyabilirsiniz.
Yazar: Av. Zeynep Ebrar KAYA
Kaynaklar
[1] ÖZBEK, Veli Özer, İnfaz Hukuku 12. Baskı, Seçkin Yayınevi, s. 45.
[2] AYM 21.12.1965 tarih 1963/86 E. 1965/93 K. Sayılı kararı.
[3] 5275 Sayılı Kanun m.107.
[4] ÖZBEK, Veli Özer, İnfaz Hukuku 12. Baskı, Seçkin Yayınevi, s. 363.
[5] https://www.cam.ac.uk/research/features/helping-police-make-custody-decisions-using-artificial-intelligence
[6] https://recordoflaw.in/compas-correctional-offender-management-profiling-for-alternative-sanctions-a-global-and-comparative-perspective/
