چه چیزی را بخوانید بعد

• مقدمه (بخش 6.1)

اخلاق تحقیق به طور سنتی شامل موضوعاتی نظیر تقلب علمی و تخصیص اعتبار است. اینها در جزئیات بر روی «علم و دانش» توسط Institute of Medicine and National Academy of Sciences and National Academy of Engineering (2009) .

این فصل به شدت تحت تاثیر شرایط موجود در ایالات متحده است. برای کسب اطلاعات بیشتر در مورد روش های بررسی اخلاقی در کشورهای دیگر، فصل های 6-9 Desposato (2016b) . برای این استدلال که اصول اخلاقی زیست پزشکی که بر این فصل تأثیر گذاشته اند بیش از حد آمریکایی هستند، به Holm (1995) . برای بررسی بیشتر تاریخی در مورد نظرسنجی های موسسه در ایالات متحده، به Stark (2012) . مجله PS: Political Science and Politics یک سمپوزیوم حرفه ای درباره رابطه بین دانشمندان علوم سیاسی و IRB ها برگزار کرد. Martinez-Ebers (2016) برای یک خلاصه ببینید.

گزارش Belmont و مقررات مربوط به آن در ایالات متحده تمایل دارند بین تحقیق و عمل تفاوت ایجاد کنند. من در این فصل چنین تمایزی ایجاد نکرده ام چون فکر می کنم اصول اخلاقی و چارچوب ها به هر دو تنظیمات اعمال می شود. برای کسب اطلاعات بیشتر در مورد این تمایز و مشکالت که آن را معرفی می کنید، Beauchamp and Saghai (2012) ، MN Meyer (2015) ، boyd (2016) و Metcalf and Crawford (2016) .

برای کسب اطلاعات بیشتر در مورد نظارت تحقیق در فیس بوک، نگاه کنید به Jackman and Kanerva (2016) . برای ایده هایی درباره نظارت تحقیقاتی در شرکت ها و سازمان های غیر دولتی، به Calo (2013) ، Polonetsky, Tene, and Jerome (2015) و Tene and Polonetsky (2016) .

در رابطه با استفاده از داده های تلفن همراه برای کمک به رسیدگی به شیوع ابولا 2014 در غرب آفریقا (Wesolowski et al. 2014; McDonald 2016) برای اطلاعات بیشتر در مورد خطرات حریم خصوصی اطلاعات تلفن همراه، Mayer, Mutchler, and Mitchell (2016) برای نمونه هایی از تحقیقات مرتبط با بحران قبلی با استفاده از داده های تلفن همراه، Bengtsson et al. (2011) و Lu, Bengtsson, and Holme (2012) ، و برای اطلاعات بیشتر در مورد اخلاق تحقیقات مرتبط با بحران، ( ??? ) .

• سه نمونه (بخش 6.2)

بسیاری از مردم درباره مسمومیت های احساسی نوشته اند. اختراعات اخلاقی تحقیق در ژانویه 2016 برای بحث در مورد آزمایش، تمام موضوعات خود را اختصاص دادند؛ Hunter and Evans (2016) برای یک مرور کلی ببینید. مجموعه مقالات علمی علوم علمی دو قسمت از این آزمایش را منتشر کرد: Kahn, Vayena, and Mastroianni (2014) و Fiske and Hauser (2014) . قطعات دیگر مورد آزمایش عبارتند از: Puschmann and Bozdag (2014) ، Meyer (2014) ، Grimmelmann (2015) ، MN Meyer (2015) ، ( ??? ) ، Kleinsman and Buckley (2015) ، Shaw (2015) ، و ( ??? )

• دیجیتال متفاوت است (بخش 6.3)

از نظر نظارت جمعی، نظرسنجی گسترده در Mayer-Schönberger (2009) و Marx (2016) . برای مثال بنیادی از هزینههای تغییر نظارت، Bankston and Soltani (2013) تخمین می زنند که ردیابی یک مظنون جنایی با استفاده از تلفن همراه حدود 50 برابر ارزان تر از استفاده از نظارت فیزیکی است. همچنین برای دیدن بحث در مورد نظارت در محل کار Ajunwa, Crawford, and Schultz (2016) مراجعه کنید. Bell and Gemmell (2009) دیدگاه خوش بینانهتری نسبت به خود نظارت دارند.

محققان علاوه بر اینکه قادر به پیگیری رفتارهای قابل مشاهده هستند که عموم یا بخشی عمومی هستند (به عنوان مثال، سلیقه ها، روابط، و زمان)، محققان به طور فزاینده ای می توانند چیزهایی را که بسیاری از شرکت کنندگان به نظر خصوصی می رسانند، بیفزایند. برای مثال Michal Kosinski و همکارانش (2013) نشان دادند که می توانند اطلاعات حساس در مورد افراد مانند گرایش جنسی و استفاده از مواد اعتیاد آور را از داده های ظاهرا معمولی ردیابی (فیس بوک) دریافت کنند. این ممکن است به نظر جادویی باشد، اما رویکرد کوزینسکی و همکارانش - که ردیابی های دیجیتالی، نظرسنجی ها و یادگیری نظارت را ترکیب می کند - در واقع چیزی است که من قبلا به شما گفته بودم. به یاد بیاورید که در فصل 3 (پرسش ها). من به شما گفتم که چگونه جوشوا بلومنستاک و همکارانش (2015) داده های نظرسنجی را با داده های تلفن همراه برای تخمین فقر در رواندا ترکیب کردند. این روش دقیق همان است که می تواند برای سنجش فقر مطلوب در یک کشور در حال توسعه مورد استفاده قرار گیرد همچنین می تواند برای نتیجه گیری های نقض حریم خصوصی نیز استفاده شود.

برای اطلاعات بیشتر در مورد استفاده غیرمترقبه ثانویه از اطلاعات بهداشتی، به O'Doherty et al. (2016) . علاوه بر پتانسیل برای استفاده های غیرمستقیم ثانویه، ایجاد حتی یک پایگاه اطلاعاتی ناقص می تواند تاثیر منفی بر زندگی اجتماعی و سیاسی داشته باشد اگر مردم تمایل به خواندن مطالب خاص و یا بحث در مورد موضوعات خاص را نداشته باشند؛ Schauer (1978) و Penney (2016) .

در شرایطی با قوانین همپوشانی، محقق گاهی اوقات در "خرید نظارتی" شرکت می کند (Grimmelmann 2015; Nickerson and Hyde 2016) . به طور خاص، برخی از محققانی که مایل به اجتناب از نظارت IRB هستند، می توانند مشارکت با محققانی را که تحت پوشش IRBs (به عنوان مثال افرادی که در شرکت ها یا سازمان های غیر دولتی) پوشش می دهند، تشکیل دهند و این همکاران اطلاعات را جمع آوری و شناسایی کنند. سپس، محقق تحت پوشش IRB می تواند این داده های شناسایی شده بدون نظارت IRB را تجزیه و تحلیل کند، زیرا تحقیقات دیگر "تحقیقات افراد انسانی" نیستند، حداقل طبق تفسیری از قوانین کنونی. این نوع فرار از IRB، احتمالا با یک رویکرد مبتنی بر اصول برای اخلاق تحقیق مطابقت ندارد.

در سال 2011 تلاش برای به روزرسانی قانون مشترک آغاز شد و این روند در نهایت در سال 2017 به پایان رسید ( ??? ) . برای کسب اطلاعات بیشتر در مورد این تلاش ها برای به روزرسانی قوانین عادی، Evans (2013) ، National Research Council (2014) ، Hudson and Collins (2015) و Metcalf (2016) .

• چهار اصل (بخش 6.4)

رویکرد مبتنی بر اصول کلاسیک برای اخلاق زیست پزشکی، از Beauchamp and Childress (2012) . آنها پیشنهاد می کنند که چهار اصل اصلی باید اخلاق زیست پزشکی را هدایت کنند: احترام به خودمختاری، غیرمذهبی، خیرخواهی و عدالت. اصل عدم پذیرش، یکی از این موارد را منع می کند تا از ایجاد آسیب به دیگران جلوگیری کند. این مفهوم عمیقا به ایده "انسانی" هپکوپارته مرتبط است. در اخلاق تحقیق، این اصل اغلب در اصل با اصل مزایای هماهنگ است، اما فصل 5 @ beauchamp_principles_2012 را بیشتر بخاطر تمایز بین این دو نگاه کنید. برای انتقاد از این که این اصول بیش از حد آمریکایی هستند، نگاه کنید به Holm (1995) . برای کسب اطلاعات بیشتر در مورد تعادل زمانی که مناقشه در اصل، نگاه کنید به Gillon (2015) .

چهار اصل در این فصل نیز برای نظارت بر نظارت اخلاقی برای تحقیقاتی که در شرکت ها و سازمان های غیر دولتی (Polonetsky, Tene, and Jerome 2015) از طریق سازمان هایی به نام "انجمن های نظرسنجی" (CSRBs) (Calo 2013) .

• احترام به افراد (بخش 6.4.1)

علاوه بر احترام به خودمختاری، گزارش بلمون نیز تصدیق می کند که هر انسان قادر به تعیین حق تعیین سرنوشت نیست. به عنوان مثال، کودکان، افراد مبتلا به بیماری یا افرادی که در شرایط بسیار محدودی از آزادی زندگی می کنند ممکن است قادر به عمل به عنوان افراد به طور کامل خودمختار، و بنابراین این افراد در معرض حفاظت اضافی.

اعمال اصل احترام به افراد در عصر دیجیتال می تواند چالش برانگیز باشد. برای مثال، در تحقیقات پیری دیجیتال، ممکن است دشوار باشد برای حفاظت اضافی برای افرادی که دارای توانایی کمتری از خودمختاری هستند، زیرا محققان اغلب کمی درباره شرکت کنندگانشان می دانند. علاوه بر این، رضایت آگاهانه در تحقیقات اجتماعی دیجیتال، یک چالش بزرگ است. در برخی موارد، رضایت آگاهانه می تواند از پارادوکس شفاف (Nissenbaum 2011) رنج ببرد، جایی که اطلاعات و درک آن در تعارض است. به طور تقریبی، اگر محققان اطلاعات کامل در مورد ماهیت جمع آوری داده ها، تجزیه و تحلیل داده ها و شیوه های امنیتی داده ها را ارائه دهند، برای بسیاری از شرکت کنندگان مشکل خواهد بود. اما اگر محققان اطلاعات قابل فهم را ارائه می دهند، ممکن است جزئیات فنی نداشته باشد. در تحقیقات پزشکی در عصر آنالوگ - محدوده غالب در گزارش Belmont-می توان یک دکتر را به طور جداگانه با هر مشارکت کننده تصور کرد که به حل و فصل پارادوکس شفاف کمک کند. در مطالعات آنلاین که شامل هزاران یا میلیون نفر است، چنین رویکرد رو به رو غیرممکن است. مشکل دوم با رضایت در عصر دیجیتال این است که در برخی از مطالعات، مانند تجزیه و تحلیل مخازن داده های عظیم، برای کسب رضایت آگاهانه از همه شرکت کنندگان غیرممکن است. من در مورد این و دیگر سوالات در مورد رضایت آگاهانه در جزئیات بیشتر در بخش 6.6.1 بحث می کنم. با این وجود، با وجود این مشکلات، باید به یاد داشته باشیم که رضایت آگاهانه برای احترام به افراد لازم نیست و کافی نیست.

برای کسب اطلاعات بیشتر در مورد تحقیقات پزشکی قبل از رضایت آگاهانه، Miller (2014) . برای یک دوره طولانی درمان رضایت آگاهانه، مراجعه کنید به Manson and O'Neill (2007) . همچنین قرائات پیشنهادی مربوط به رضایت آگاهانه زیر را ببینید.

• خیرخواهی (بخش 6.4.2)

اشکالاتی که در زمینه دارند، آسیب است که تحقیق می تواند به افراد خاصی بلکه به تنظیمات اجتماعی منجر شود. این مفهوم کمی انتزاعی است، اما من با یک مثال کلاسیک نشان می دهم: مطالعات هیئت داوری ویشیتا (Vaughan 1967; Katz, Capron, and Glass 1972, chap. 2) نیز بعضی اوقات پروژه هیئت داوری شیکاگو (Cornwell 2010) . در این مطالعه محققان دانشگاه شیکاگو، به عنوان بخشی از مطالعه بیشتر در مورد جنبه های اجتماعی سیستم حقوقی، به طور مخفیانه 6 جلسه هیئت منصفه را در ویشیتا، کانزاس ثبت کردند. قضات و وکلا در پرونده ها ضبط را تأیید کرده و نظارت دقیقی از روند انجام شده است. با این حال، اعضای هیئت منصفه متوجه نشدند که ضبط شده است. هنگامی که این مطالعه کشف شد، خشم عمومی وجود داشت. وزارت دادگستری تحقیقی را شروع کرد و محققان در جلسه کنگره شهادت دادند. در نهایت، کنگره قانون جدیدی را تصویب کرد که به طور مخفیانه در مورد هیئت منصفه ثبت نام می کند.

نگرانی منتقدان مطالعات هیئت منصفه ویچیتا خطر آسیب به شرکت کنندگان نبود؛ بلکه این خطر آسیب رساندن به زمینه مشارکت هیأت منصفه بود. به این معناست که مردم فکر کردند که اگر اعضای هیئت منصفه اعتقاد نداشتند که بحث در فضای امن و محافظت شده را داشته باشند، بحث و جدل هیئت منصفه در آینده نیز سختتر خواهد بود. علاوه بر مشورت هیأت منصفه، دیگر زمینه های اجتماعی خاصی وجود دارد که جامعه با حفاظت اضافی مانند روابط وکیل و مشتری و مراقبت روانی (MacCarthy 2015) فراهم می کند.

ریسک آسیب رساندن به زمینه و اختلال در سیستم های اجتماعی نیز در برخی از آزمایشات زمینه در علوم سیاسی بوجود می آید (Desposato 2016b) . برای مثال یک محاسبه هزینه-سودمند حساس به متن بیشتر برای آزمایش میدان در علوم سیاسی، نگاه کنید به Zimmerman (2016) .

• عدالت (بخش 6.4.3)

جبران خسارت برای شرکت کنندگان در تعدادی از تنظیمات مربوط به تحقیقات پیری دیجیتال مورد بحث قرار گرفته است. Lanier (2014) پیشنهاد می کند شرکت کنندگان را برای ردیابی های دیجیتالی که تولید می کنند، ارائه دهند. Bederson and Quinn (2011) درباره پرداخت در بازار کار آنلاین صحبت می کنند. در نهایت، Desposato (2016a) پیشنهاد می کند شرکت کنندگان در آزمایش های میدانی شرکت کنند. او اشاره می کند که حتی اگر شرکت کنندگان نمی توانند مستقیما پرداخت شوند، ممکن است کمک مالی به گروهی که از طرف آنها کار می کنند، انجام شود. به عنوان مثال، در Encore، محققان می توانستند یک گروه برای حمایت از دسترسی به اینترنت اهدا کنند.

• احترام به قانون و منافع عمومی (بخش 6.4.4)

توافق نامه های خدمات باید کمتر از قراردادهایی میان طرفین برابر و از قوانینی که توسط دولت های مشروع ایجاد می شود، کمتر باشد. وضعیت هایی که محققان در گذشته از توافقنامه های شرایط خدمات نقض کرده اند، عموما درگیر استفاده از پرسش های خودکار برای بررسی رفتار شرکت ها هستند (مانند آزمایشات میدانی برای اندازه گیری تبعیض). برای بحث بیشتر، به Vaccaro et al. (2015) ، Bruckman (2016a) و Bruckman (2016b) . برای نمونه ای از تحقیقات تجربی که در مورد شرایط سرویس مورد بحث است، Soeller et al. (2016) . برای کسب اطلاعات بیشتر در زمینه مشکالت قانونی ممکن است محققان در صورت نقض شرایط خدمات، Sandvig and Karahalios (2016) ببینند.

• دو چارچوب اخلاقی (بخش 6.5)

بدیهی است که مقدار فراوانی درمورد دنباله دار و ریاضیات نوشته شده است. برای نمونه از چگونگی استفاده از این چارچوب اخلاقی و دیگران برای تحقیق درباره سن دیجیتال، به Zevenbergen et al. (2015) . برای مثال از چگونگی کاربرد آنها در آزمایشات میدانی در اقتصاد توسعه، به Baele (2013) .

• رضایت اطلاع (بخش 6.6.1)

برای اطلاعات بیشتر در مورد مطالعات حسابرسی از تبعیض، نگاه کنید به Pager (2007) و Riach and Rich (2004) . نه تنها این مطالعات رضایت آگاهانه ندارند، بلکه شامل فریب و بدون اطلاع رسانی می شوند.

هر دو Desposato (2016a) و Humphreys (2015) مشاوره در مورد آزمایش های میدانی بدون رضایت ارائه می دهند.

Sommers and Miller (2013) بسیاری از استدلال ها را به نفع شرکت کنندگان در نگارش پس از فریب بررسی نمی کنند و استدلال می کنند که محققان باید بیانیه ای را رد کنند

"تحت شرایطی بسیار محدودی، یعنی در تحقیقات میدانی که در آن گزارش گیری موانع عملی قابل توجهی را نشان می دهد، اما محققان در صورت بروز چنین مشکلی در مورد ارزیابی بی رویه می توانند به آن پاسخ دهند. محققان نباید مجاز به رد شدن از برگزاری جلسات در جلسات با هم باشند تا بتوانند یک استاد شرکت کننده ی ساده را حفظ کنند، خود را از خشم شرکت کننده محافظت کنند یا از شرکت کنندگان از آسیب محافظت کنند. "

دیگران استدلال می کنند که در برخی موقعیت ها اگر اطلاع رسانی موجب آسیب بیشتر از خیر شود، باید از آن اجتناب کرد (Finn and Jakobsson 2007) . بحث بر سر این است که بعضی از محققین اولویت احترام به افراد را نسبت به مزایا را تعیین می کنند، در حالی که برخی از محققان مخالف آن هستند. یک راه حل ممکن است پیدا کردن راه هایی برای تشریح یک تجربه یادگیری برای شرکت کنندگان باشد. به این معناست که به جای فکر کردن به اطلاعاتی که می تواند موجب آسیب شود، شاید بحث و گفتگو نیز چیزی باشد که به نفع شرکت کنندگان باشد. برای نمونه ای از این نوع دیداری آموزشی، Jagatic et al. (2007) . روانشناسان تکنیک های (DS Holmes 1976a, 1976b; Mills 1976; Baumrind 1985; Oczak and Niedźwieńska 2007) در اختیار شما قرار داده اند (DS Holmes 1976a, 1976b; Mills 1976; Baumrind 1985; Oczak and Niedźwieńska 2007) ؛ برخی از این موارد ممکن است مفید باشد برای تحقیقات پیرامون سن. Humphreys (2015) افکار جالبی راجع به رضایت به تعویق ارائه می دهد که دقیقا مربوط به استراتژی تشریح که من شرح دادم.

ایده درخواست یک نمونه از شرکت کنندگان برای رضایت خود مربوط به چیزی است که Humphreys (2015) رضایت مند شده است .

ایده بعدی مربوط به رضایت آگاهانه پیشنهاد شده این است که گروهی از افرادی را که در آزمایشهای آنلاین شرکت می کنند، بسازند (Crawford 2014) . برخی معتقدند که این پانل نمونه ای غیر تصادفی از افراد خواهد بود. اما فصل 3 (سوالاتی که مطرح می شود) نشان می دهد که با استفاده از طبقه بندي بعدي، این مشکلات به طور بالقوه قابل آدرس می باشند. همچنین، رضایت در پانل می تواند انواع آزمایشات را پوشش دهد. به عبارت دیگر، شرکت کنندگان ممکن است مجبور به رد هر آزمایش به تنهایی نباشند، یک مفهوم به نام رضایت گسترده (Sheehan 2011) . برای دیدن بیشتر در مورد تفاوت بین موافقت یک بار و رضایت برای هر مطالعه، و همچنین یک ترکیب ممکن است، Hutton and Henderson (2015) .

• درک و مدیریت خطر اطلاعاتی (بخش 6.6.2)

جایزه Netflix از مالکیت فیزیکی مهم مجموعه داده ها که حاوی اطلاعات دقیق در مورد افراد است را نشان می دهد و از این رو درس های مهمی در مورد امکان «شناسایی» مجموعه داده های اجتماعی جدید ارائه می دهد. فایل های با تکه های بسیاری از اطلاعات در مورد هر فرد به احتمال زیاد به پراکنده، به این معنا به طور رسمی در تعریف Narayanan and Shmatikov (2008) . یعنی، برای هر رکورد، هیچ رکوردی وجود ندارد که یکسان باشد و در واقع هیچ رکوردی وجود ندارد که بسیار شبیه باشد: هر فرد از نزدیک ترین همسایه خود در مجموعه داده دور است. می توان تصور کرد که داده Netflix ممکن است کمیاب باشد، زیرا با حدود 20،000 فیلم در مقیاس پنج ستاره، حدود \(6^{20,000}\) مقادیر ممکن است که هر فرد می تواند داشته باشد (6 زیرا، علاوه بر 1 تا 5 ستاره، کسی ممکن است این فیلم را رتبه بندی نکرده باشد). این عدد خیلی زیاد است، حتی دشوار است.

تردید دو دلیل اصلی دارد. اول، بدین معنی است که تلاش برای «ناشناس» مجموعه داده بر مبنای اختلال تصادفی احتمالا شکست خواهد خورد. به این ترتیب، حتی اگر Netflix به طور تصادفی بعضی از رأی ها را تعدیل کند، این کار کافی نخواهد بود، زیرا رکورد مزاحم هنوز نزدیکترین رکورد ممکن به اطلاعاتی است که مهاجم دارد. دوم، اسپارتیسم بدین معنی است که شناسایی دوباره ممکن است حتی اگر مهاجم دارای دانش ناقص یا بی طرفانه باشد. به عنوان مثال، در داده های Netflix، فرض کنید که مهاجم رتبه های شما را برای دو فیلم و تاریخهایی که رتبه بندی \(\pm\) 3 روز انجام داد، می داند. فقط این اطلاعات به تنهایی کافی است تا منحصر به فرد 68٪ از افراد موجود در Netflix را شناسایی کند. اگر مهاجم هشت فیلم داشته باشد که شما \(\pm\) 14 روز را رتبه بندی کرده اید، حتی اگر دو مورد از این رتبه های شناخته شده کاملا اشتباه باشد، 99٪ از پرونده ها می تواند در مجموعه داده ها منحصر به فرد باشد. به عبارت دیگر، sparsity یک مشکل اساسی برای تلاش برای "شناسایی" داده ها است، که مایه تاسف است، زیرا مجموعه داده های اجتماعی مدرن کم است. برای اطلاعات بیشتر در مورد "شناسایی" داده های ناقص، Narayanan and Shmatikov (2008) .

ممکن است متا داده های تلفن ممکن است ناشناس باشند و حساس نباشند، اما این مورد نیست. متا داده های تلفن قابل شناسایی و حساس هستند (Mayer, Mutchler, and Mitchell 2016; Landau 2016) .

در شکل 6.6، من درمورد ریسک شرکت کنندگان و منافع جامعه از انتشار داده ها، توافق کرده ام. Reiter and Kinney (2011) برای مقایسه بین رویکردهای دسترسی محدود (به عنوان مثال، باغ دیواره) و رویکردهای داده محدود (به عنوان مثال، برخی از انواع «ناشناس بودن» Reiter and Kinney (2011) . برای یک سیستم طبقه بندی پیشنهاد شده از سطوح ریسک داده ها، به Sweeney, Crosas, and Bar-Sinai (2015) . برای یک بحث کلی در مورد به اشتراک گذاری داده ها، به Yakowitz (2011) .

برای تجزیه و تحلیل دقیق تر این اختلاف بین خطر و کاربرد داده ها، Brickell and Shmatikov (2008) ، Ohm (2010) ، Reiter (2012) ، Wu (2013) و Goroff (2015) . Daries et al. (2014) ) را مشاهده کنید که این معامله با داده های واقعی از دوره های آنلاین گسترده ی باز (MOOCs) Daries et al. (2014) و Angiuli, Blitzstein, and Waldo (2015) .

حریم خصوصی دیفرانسیل نیز یک رویکرد جایگزین را ارائه می دهد که می تواند هر دو کم خطر را برای شرکت کنندگان و به نفع جامعه به ارمغان بیاورد. Dwork and Roth (2014) و Narayanan, Huey, and Felten (2016) .

برای اطلاعات بیشتر در مورد مفهوم شناسایی اطلاعات شخصی (PII)، که برای بسیاری از قوانین مربوط به اخلاق تحقیق Narayanan and Shmatikov (2010) ، می توانید Narayanan and Shmatikov (2010) و Schwartz and Solove (2011) . برای اطلاعات بیشتر در مورد تمام داده های بالقوه حساس، نگاه کنید به Ohm (2015) .

در این بخش، ارتباط مجموعه داده های مختلف را به عنوان چیزی که می تواند منجر به خطرات اطلاعاتی شود، به تصویر کشیده است. با این حال، این امر همچنین می تواند فرصت های جدید برای تحقیق را ایجاد کند، همانطور که در Currie (2013) .

برای کسب اطلاعات بیشتر در مورد پنج صندوق، Desai, Ritchie, and Welpton (2016) . Brownstein, Cassa, and Mandl (2006) برای نمونه ای از نحوه شناسایی خروجی ها، که نشان می دهد چگونه نقشه های شیوع بیماری را می توان شناسایی کرد. Dwork et al. (2017) نیز حملات علیه داده های جمع آوری شده را در نظر می گیرند، مانند آمار در مورد اینکه چند نفر بیماری خاصی دارند.

سوالات در مورد استفاده از داده ها و انتشار داده ها همچنین سوالات مربوط به مالکیت داده را مطرح می کنند. برای اطلاعات بیشتر، در مالکیت داده ها، به Evans (2011) و Pentland (2012) .

• حریم خصوصی (بخش 6.6.3)

Warren and Brandeis (1890) یک مقاله حقوقی برجسته درباره حریم خصوصی است و بیشتر مربوط به این ایده است که حریم خصوصی یک حق است که به تنهایی باقی بماند. درمان های طولانی مدت حفظ حریم خصوصی که من توصیه می کنم عبارتند از Solove (2010) و Nissenbaum (2010) .

برای بررسی تحقیقات تجربی درباره اینکه چگونه مردم درباره حریم خصوصی فکر می کنند، Acquisti, Brandimarte, and Loewenstein (2015) . Phelan, Lampe, and Resnick (2016) یک نظریه دوگانه سیستم پیشنهاد می کنند که گاه گاهی مردم بر نگرانی های بصری تمرکز می کنند و گاه به نگرانی های مورد نظر متمرکز می شوند تا توضیح دهند که چگونه مردم می توانند بیانیه های متضاد را درباره حریم خصوصی بیان کنند. برای اطلاعات بیشتر درباره ایده حریم خصوصی در تنظیمات آنلاین مانند توییتر، Neuhaus and Webmoor (2012) .

مجله Science منتشر شده یک بخش ویژه با عنوان "پایان از حریم خصوصی"، که مسائل مربوط به حریم خصوصی و ریسک اطلاعات را از انواع دیدگاه های مختلف را بررسی می کند؛ برای خلاصه، به Enserink and Chin (2015) . Calo (2011) یک چارچوب برای تفکر در مورد آسیب های ناشی از نقض حریم خصوصی ارائه می دهد. یک مثال اولیه از نگرانی های مربوط به حریم خصوصی در آغاز دوران عصر دیجیتال، Packard (1964) .

• تصمیم گیری ناشی از عدم قطعیت (بخش 6.6.4)

یکی از چالش هایی که در تلاش برای اعمال حداقل استاندارد ریسک وجود دارد این است که مشخص نیست که زندگی روزمره برای سنجش معیار استفاده می شود (National Research Council 2014) . برای مثال، افراد بی خانمان در زندگی روزمره خود از ناراحتی بالایی برخوردارند. اما این بدان معنا نیست که از نظر اخلاقی، افراد بی خانمان را در معرض خطر بیشتری قرار می دهد. به همین دلیل، به نظر می رسد که یک توافق فزاینده ای وجود دارد که حداقل خطر در برابر یک استاندارد جمعیت عمومی ، نه یک استاندارد جمعیت خاص باشد. در حالی که من به طور کلی با ایده یک استاندارد عمومی جمعیت موافقم، من فکر می کنم که برای سیستم های آنلاین بزرگ مانند فیس بوک، یک استاندارد جمعیت خاص معقول است. بنابراین، با توجه به مسمومیت های عاطفی، من فکر می کنم که منطقی است که در برابر خطرات روزمره در فیس بوک معیار شود. یک استاندارد جمعیت خاص در این مورد بسیار ساده تر است و ممکن است با اصل عدالت مقابله کند، که هدف از آن جلوگیری از عدم انجام تحقیق در مورد گروه های نامتجانس (مانند زندانیان و کودکان یتیم) است.

• راهنمایی های عملی (بخش 6.7)

محققان دیگر همچنین برای افزودن مقالات بیشتر به پرونده های اخلاقی دعوت شده اند (Schultze and Mason 2012; Kosinski et al. 2015; Partridge and Allman 2016) . King and Sands (2015) نیز راهنمایی های عملی ارائه می دهد. Zook و همکارانش (2017) "ده قوانین ساده برای تحقیق داده های مسئول بزرگ داده" را ارائه می دهند.