تفسیر بیشتر

این بخش طراحی شده است به عنوان یک مرجع استفاده می شود، به جای به عنوان یک روایت خوانده شود.

• مقدمه (بخش 6.1)

اخلاق در پژوهش به طور سنتی نیز شامل موضوعاتی مانند تقلب علمی و تخصیص اعتبار. این موضوع با جزئیات بیشتر در مورد بحث Engineering (2009) .

در این فصل به شدت از وضعیت در ایالات متحده شکل گرفته است. برای اطلاعات بیشتر در روش بررسی اخلاقی در کشورهای دیگر، و فصل های 6، 7، 8، و 9 Desposato (2016b) . برای یک آرگومان که اصول اخلاقی پزشکی که این فصل را تحت تاثیر قرار دارند، به شدت آمریکایی است، و Holm (1995) . برای بررسی تاریخی بیشتر از نهادی انجمن بررسی در ایالات متحده، و Stark (2012) .

گزارش بلمونت و مقررات پس از آن در ایالات متحده یک تمایز بین پژوهش و عملکرد ساخته شده است. این تمایز متعاقبا انتقاد قرار گرفته است (Beauchamp and Saghai 2012; boyd 2016; Metcalf and Crawford 2016; Meyer 2015) . من این تمایز در این فصل را به دلیل من فکر می کنم به اصول اخلاقی و چارچوب به هر دو تنظیمات اعمال می شود. برای اطلاعات بیشتر در نظارت پژوهش در فیس بوک، و Jackman and Kanerva (2016) . برای یک پیشنهاد برای نظارت پژوهش در شرکت ها و سازمان های غیر دولتی، و Polonetsky, Tene, and Jerome (2015) و Tene and Polonetsky (2016) .

برای اطلاعات بیشتر در مورد شیوع ابولا در سال 2014، و McDonald (2016) ، و برای اطلاعات بیشتر در مورد خطرات حفظ حریم خصوصی داده ها تلفن همراه، و Mayer, Mutchler, and Mitchell (2016) . برای یک مثال از تحقیقات مرتبط با بحران با استفاده از داده تلفن همراه، و Bengtsson et al. (2011) و Lu, Bengtsson, and Holme (2012) .

• سه نمونه (بخش 6.2)

بسیاری از مردم در مورد سرایت عاطفی نوشته شده است. مجله اخلاق در پژوهش کل مسئله خود را در ژانویه 2016 بحث در مورد این آزمایش اختصاص داده شده، دیدن Hunter and Evans (2016) برای یک مرور کلی. : مجموعه مقالات دانشگاهیان ملی علوم دو قطعه مورد آزمایش منتشر شده Kahn, Vayena, and Mastroianni (2014) و Fiske and Hauser (2014) . قطعات دیگر مورد آزمایش عبارتند از: Puschmann and Bozdag (2014) ؛ Meyer (2014) ؛ Grimmelmann (2015) ؛ Meyer (2015) ؛ Selinger and Hartzog (2015) ؛ Kleinsman and Buckley (2015) ؛ Shaw (2015) ؛ Flick (2015) .

برای اطلاعات بیشتر در دوباره به نواز دعوت، و Jones and Feamster (2015) .

• دیجیتال متفاوت است (بخش 6.3)

از نظر نظارت جمعی، مروری گسترده در ارائه Mayer-Schönberger (2009) و Marx (2016) . برای یک مثال عینی از هزینه های در حال تغییر از نظارت، Bankston and Soltani (2013) تخمین می زند که ردیابی یک مظنون جنایی با استفاده از تلفن های همراه در حدود 50 برابر ارزان تر از استفاده از نظارت های فیزیکی است. Bell and Gemmell (2009) چشم انداز خوش بینانه تر در خود فراهم می کند نظارت. علاوه بر اینکه قادر به ردیابی رفتار قابل مشاهده است که عمومی و یا جزئی عمومی (به عنوان مثال، طعم، کروات، و زمان)، محققان به طور فزاینده می توانید چیزهایی را که بسیاری از شرکت کنندگان در نظر به خصوصی استنباط. به عنوان مثال، میکال Kosinski و همکاران نشان داد که آنها می توانند اطلاعات حساس در مورد مردم، مانند گرایش جنسی و استفاده از مواد اعتیاد آور از داده های به ظاهر عادی اثری دیجیتال (فیس بوک لایک) استنباط (Kosinski, Stillwell, and Graepel 2013) . این صدا ممکن است جادویی، اما رویکرد Kosinski و همکارانش با استفاده-که ترکیبی از آثار دیجیتال، نظرسنجی، و تحت نظارت یادگیری است که در واقع چیزی است که من در حال حاضر به شما گفته ام. به یاد بیاورید که در فصل 3 (پرسش سوالات) من به شما گفت که چگونه جاش Blumenstock و همکارانش (2015) داده های نظر سنجی در رابطه با داده تلفن همراه به منظور برآورد فقر در رواندا. این رویکرد همان، که می تواند مورد استفاده قرار گیرد به نحو احسن اندازه گیری فقر در یک کشور در حال توسعه، همچنین می تواند برای به طور بالقوه حریم خصوصی را نقض استنتاج استفاده می شود.

قوانین و هنجارهای ناسازگار می تواند به تحقیقات که خواسته های شرکت کنندگان احترام نمی منجر شود، و آن را می توانید به "خرید نظارتی" توسط محققان منجر (Grimmelmann 2015; Nickerson and Hyde 2016) . به طور خاص، برخی از محققان که مایل به جلوگیری از نظارت IRB که با افرادی که توسط IRBs تحت پوشش (به عنوان مثال، مردم در شرکت ها یا سازمان های غیر دولتی) جمع آوری و غیر قابل تشخیص داده است. سپس، پژوهشگران می توانید این اطلاعات زدایی شناسایی بدون نظارت IRB، حداقل با توجه به برخی تفاسیر از قوانین فعلی تجزیه و تحلیل. این نوع از فرار از پرداخت IRB به نظر می رسد در تضاد با یک رویکرد مبتنی بر اصول.

برای اطلاعات بیشتر بر روی ایده های متناقض و ناهمگون است که مردم در مورد داده های بهداشتی دارند، و Fiore-Gartland and Neff (2015) . برای اطلاعات بیشتر در مشکل این است که ناهمگونی هایی را برای اخلاق در پژوهش تصمیم گیری را ببینید Meyer (2013) .

یکی از تفاوت های بین سن های آنالوگ و تحقیقات عصر دیجیتال است که در عصر دیجیتال تعامل پژوهش با شرکت کنندگان دور تر است. این فعل و انفعالات اغلب از طریق یک واسطه مانند یک شرکت رخ می دهد، و به طور معمول یک فیزیکی و اجتماعی فاصله زیادی بین محققان و شرکت کنندگان وجود دارد. این تعامل از راه دور برخی از چیزهایی که بسیار آسان در تحقیقات عصر آنالوگ دشوار در تحقیقات عصر دیجیتال، مانند غربالگری خارج از شرکت کنندگان که نیاز به حفاظت اضافی، تشخیص عوارض جانبی، و remediating آسیب برساند اگر آن رخ می دهد باعث می شود. به عنوان مثال، اجازه دهید در مقابل سرایت عاطفی با یک تجربه آزمایشگاهی فرضی در همان موضوع. در آزمایش آزمایشگاه، محققان می توانند روی صفحه نمایش از هر کسی که در آزمایشگاه نشان نشانه های آشکار از ناراحتی عاطفی می رسد. علاوه بر این، اگر آزمایش آزمایشگاه ایجاد یک رویداد نامطلوب، محققان آن را ببینید، ارائه خدمات به زدودن آسیب، و سپس تنظیمات را به پروتکل آزمایشی برای جلوگیری از مضرات آینده است. طبیعت دور از تعامل در آزمایش سرایت عاطفی واقعی هر یک از این مراحل ساده و معقول بسیار دشوار می سازد. همچنین، من شک دارم که فاصله بین محققان و شرکت کنندگان باعث می شود محققان حساسیت کمتری نسبت به نگرانی های شرکت کنندگان خود را.

منابع دیگر از هنجارهای ناسازگار و قوانین. برخی از این تناقض از این واقعیت است که این پژوهش در سراسر جهان اتفاق می افتد می آید. به عنوان مثال، دوباره به نواز دعوت افراد درگیر از سراسر جهان، و در نتیجه آن ممکن است موضوع را به حفاظت از داده ها و قوانین حفظ حریم خصوصی از بسیاری از کشورهای مختلف. اگر هنجارهای حاکم درخواست های وب شخص ثالث (چه دوباره به نواز دعوت انجام شده بود) در آلمان متفاوت هستند، ایالات متحده آمریکا، کنیا، و چین؟ اگر هنجارهای حتی در یک کشور سازگار نیست؟ منبع دوم از تناقض می آید از همکاری بین محققان در دانشگاه ها و شرکت. به عنوان مثال، عاطفی سرایت همکاری بین یک دانشمند داده در فیس بوک و استاد و دانشجوی کارشناسی ارشد در دانشگاه کرنل بود. در فیس بوک در حال اجرا آزمایش بزرگ معمول است و در آن زمان، هیچ شخص ثالث بررسی اخلاقی نیاز ندارد. در دانشگاه کرنل هنجارها و قوانین کاملا متفاوت است؛ تقریبا تمام آزمایشات باید توسط کرنل IRB بررسی می شود. بنابراین، که مجموعه ای از قوانین باید حکومت عاطفی سرایت-در فیس بوک یا کرنل؟

برای اطلاعات بیشتر در تلاش برای تجدید نظر در قانون مشترک، و Evans (2013) ، Council (2014) ، Metcalf (2016) ، و Hudson and Collins (2015) .

• چهار اصل (بخش 6.4)

رویکرد مبتنی بر اصول کلاسیک به اخلاق پزشکی است Beauchamp and Childress (2012) . آنها اعتقاد دارند که چهار اصل عمده باید اخلاق پزشکی هدایت: احترام به استقلال، نرساندن ضرر، سود، و عدالت. اصل نرساندن ضرر یکی خواستار به پرهیز از ایجاد آسیب به افراد دیگر. این مفهوم عمیقا به ایده بقراط متصل "آیا هیچ آسیبی.» در اخلاق در پژوهش، این اصل است که اغلب با اصل سود ترکیب، اما ببینید Beauchamp and Childress (2012) (فصل 5) برای اطلاعات بیشتر در تمایز بین این دو . برای یک انتقاد که این اصول بیش از حد آمریکا، و Holm (1995) . برای اطلاعات بیشتر در تعادل زمانی که درگیری اصول، و Gillon (2015) .

چهار اصل در این فصل همچنین پیشنهاد شده است که برای هدایت نظارت اخلاق در پژوهش اتفاق می افتد در شرکت ها و سازمان های غیر دولتی (Polonetsky, Tene, and Jerome 2015) از طریق بدن به نام "مصرف کننده بررسی موضوع از راه دور" (CSRBs) (Calo 2013) .

• احترام به فرد (بخش 6.4.1)

علاوه بر احترام به استقلال، گزارش بلمونت نیز اذعان دارد که هر انسان قادر به درست تعیین سرنوشت است. به عنوان مثال، کودکان، افراد از بیماری رنج می برند، و یا از مردم زندگی در شرایط آزادی به شدت محدود ممکن است قادر به عمل به عنوان افراد به طور کامل مستقل، و این افراد هستند، بنابراین، موضوع را به حفاظت اضافی.

استفاده از اصل احترام به فرد در عصر دیجیتال می تواند به چالش کشیدن. به عنوان مثال، در تحقیقات عصر دیجیتال، می توان آن را دشوار است به ارائه حمایت اضافی برای مردم با قابلیت کاهش خودمختاری چون محققان اغلب شناخت بسیار کمی در مورد شرکت کنندگان است. علاوه بر این، رضایت آگاهانه در پژوهش های اجتماعی عصر دیجیتال یک چالش بزرگ است. در برخی موارد، رضایت واقعا آگاه می توانید از تناقض شفافیت رنج می برند (Nissenbaum 2011) ، که در آن اطلاعات و درک در تضاد هستند. تقریبا، اگر محققان اطلاعات کامل در مورد ماهیت جمع آوری داده ها، تحلیل داده ها، و شیوه های امنیت داده ها فراهم می کند، آن دشوار خواهد بود برای بسیاری از شرکت کنندگان به درک. اما، اگر محققان اطلاعات قابل فهم ارائه، ممکن است اطلاعات مهم فنی را ندارند. در پژوهش های پزشکی در آنالوگ سن تنظیمات تسلط توسط بلمونت گزارش یک در نظر گرفته می تواند تصور کنید یک دکتر صحبت به صورت جداگانه با هر شرکت برای کمک به حل پارادوکس شفافیت. در مطالعات مربوط به آنلاین هزاران یا میلیون ها نفر از مردم، چنین رویکرد چهره به چهره غیر ممکن است. مشکل دوم با رضایت در عصر دیجیتال است که در برخی مطالعات، مانند تجزیه و تحلیل از مخازن داده های عظیم، آن را غیر عملی خواهد بود برای به دست آوردن رضایت آگاهانه از تمامی شرکت کنندگان است. من این سوال و سوالات دیگر در مورد رضایت آگاهانه در بخش 6.6.1 بحث در جزئیات بیشتر است. با وجود این مشکلات، با این حال، ما باید به یاد داشته باشید که رضایت آگاهانه نه لازم و نه برای احترام به فرد کافی است.

برای اطلاعات بیشتر در تحقیقات پزشکی قبل از رضایت آگاهانه، و Miller (2014) . برای درمان کتاب طول رضایت آگاهانه، و Manson and O'Neill (2007) . همچنین قرائت پیشنهاد در مورد رضایت آگاهانه زیر را ببینید.

• سود (بخش 6.4.2)

مضرات به زمینه آسیب هایی که تحقیق می تواند به افراد خاص اما به تنظیمات اجتماعی ایجاد شده است. این مفهوم انتزاعی کمی است، اما من آن را با دو مثال: یک آنالوگ و دیجیتال.

یک مثال کلاسیک از مضرات به زمینه از مطالعه ویچیتا داوران [می آید Vaughan (1967) ؛ Katz, Capron, and Glass (1972) ؛ CH 2] - همچنین گاهی اوقات داوران پروژه شیکاگو به نام (Cornwell 2010) . در این مطالعه محققان از دانشگاه شیکاگو، به عنوان بخشی از یک مطالعه بزرگتر در مورد جنبه های اجتماعی از نظام حقوقی، مخفیانه شش هیئت منصفه در ویچیتا، کانزاس ثبت شده است. قضات و وکلا در موارد ضبط شده را تایید کرده بود، و نظارت دقیق از روند وجود دارد. با این حال، اعضای هیأت منصفه غافل که ضبط رخ شدند. هنگامی که مطالعه کشف شد، خشم عمومی وجود دارد. وزارت دادگستری شروع به بررسی این مطالعه، محققان و به شهادت در مقابل کنگره نامیده می شدند. در نهایت، کنگره قانون جدید که باعث می شود آن را غیر قانونی تا مخفیانه ضبط شور و مشورت هیئت منصفه به تصویب رسید.

نگرانی از منتقدان مطالعه ویچیتا داوران شد به شرکت کنندگان آسیب نمی رساند. نه، آن را آسیب به بافت شور و مشورت هیئت منصفه بود. این است که، مردم معتقد بودند که اگر اعضای هیئت منصفه اعتقاد نداشت که آنها داشتن بحث و گفتگوی در یک فضای امن و محافظت شده اند، این امر می تواند سخت تر برای هیئت منصفه برای ادامه در آینده است. علاوه بر شور و مشورت هیئت منصفه، دیگر زمینه های اجتماعی خاص این جامعه با حفاظت اضافی مانند روابط وکیل مشتری و مراقبت های روانی فراهم می کند وجود دارد (MacCarthy 2015) .

خطر آسیب به بافت و ایجاد وقفه در سیستم های اجتماعی نیز می آید در برخی از آزمایشات مزرعه ای در علوم سیاسی (Desposato 2016b) . برای یک مثال از یک محاسبه هزینه فایده حساس به متن برای یک آزمایش میدانی در علوم سیاسی، و Zimmerman (2016) .

• عدالت (بخش 6.4.3)

جبران خسارت برای شرکت کنندگان شده است در تعدادی از تنظیمات مربوط به تحقیق عصر دیجیتال است. Lanier (2014) پیشنهاد پرداخت شرکت کنندگان برای آثار دیجیتال آنها را تولید کند. Bederson and Quinn (2011) مورد بحث پرداخت در بازار کار آنلاین. در نهایت، Desposato (2016a) پیشنهاد پرداخت شرکت کنندگان در آزمایشات مزرعه. او اشاره میکند که حتی اگر شرکت کنندگان نمی توانید به طور مستقیم پرداخت می شود، کمک مالی می تواند به یک گروه کاری از طرف آنها ساخته شده است. برای مثال، در دوباره به نواز دعوت محققان می تواند یک کمک مالی به یک گروه کاری برای حمایت از دسترسی به اینترنت ساخته شده است.

• احترام به قانون و منافع عمومی (بخش 6.4.4)

شرایط سرویس موافقت نامه باید وزن کمتر از قرارداد مذاکره میان احزاب و قوانین ایجاد شده توسط دولت مشروع برابر داشته باشند. شرایطی که در آن محققان شرایط سرویس توافق در گذشته نقض کرده اند به طور کلی با استفاده از نمایش داده شد خودکار به ممیزی رفتار شرکت (بسیار شبیه به مزرعه برای اندازه گیری تبعیض) باشد. برای بحث های اضافی را ببینید Vaccaro et al. (2015) ، Bruckman (2016a) ، Bruckman (2016b) . برای یک مثال از تحقیقات تجربی که مورد بحث شرایط استفاده از خدمات، و Soeller et al. (2016) . برای اطلاعات بیشتر در مشکلات قانونی ممکن محققان در صورت آنها را نقض شرایط استفاده از خدمات را ببینید Sandvig and Karahalios (2016) .

• دو چارچوب اخلاقی (بخش 6.5)

بدیهی است، مقدار زیادی در مورد نتیجه گرایی و وظیفه شناسی نوشته شده است. برای یک مثال از چگونگی این چارچوب اخلاقی، و دیگران، می تواند مورد استفاده در مورد تحقیق عصر دیجیتال دلیل، و Zevenbergen et al. (2015) . برای یک مثال از چگونگی این چارچوب اخلاقی را می توان به آزمایشات مزرعه مورد استفاده در توسعه اقتصاد، و Baele (2013) .

• رضایت آگاهانه (بخش 6.6.1)

برای اطلاعات بیشتر در مطالعات ممیزی تبعیض، و Pager (2007) و Riach and Rich (2004) . نه تنها این مطالعات رضایت آگاهانه نیست، آنها نیز فریب بدون گزارشگیری باشد.

هر دو Desposato (2016a) و Humphreys (2015) ارائه مشاوره در مورد آزمایشات مزرعه بدون رضایت.

Sommers and Miller (2013) در حمایت از شرکت کنندگان پس از فریب گزارشگیری نظرهای بسیاری از استدلال و استدلال می کند که محققان باید چشم پوشی "گزارشگیری تحت مجموعه ای بسیار باریک از شرایط، یعنی، در تحقیقات میدانی که در آن گزارشگیری شمار موانع قابل توجهی عملی است، اما محققان باید هیچ مورد گزارشگیری اگر آنها می تواند تردیدی. محققان نباید اجازه داده شود به چشم پوشی گزارشگیری به منظور حفظ یک استخر از شرکت کنندگان ساده و بی تکلف، خود را از خشم از شرکت کنندگان سپر، و یا حفاظت از شرکت کنندگان از آسیب برساند. "دیگران استدلال می کنند که اگر گزارشگیری باعث آسیب بیشتری نسبت به خوب آن باید اجتناب شود. گزارشگیری یک مورد که در آن برخی از محققان اولویت احترام به فرد بیش از سود است، و برخی از محققان کار مخالف است. یک راه حل ممکن خواهد بود برای پیدا کردن راه به گزارشگیری یک تجربه یادگیری برای شرکت کنندگان است. این است که، به جای فکر کردن به گزارشگیری به عنوان چیزی که می تواند باعث آسیب، شاید گزارشگیری همچنین می توانید چیزی که به سود شرکت کنندگان باشد. برای یک مثال از این نوع گزارشگیری آموزش، و Jagatic et al. (2007) در گزارشگیری دانش آموزان پس از تجربه فیشینگ اجتماعی است. روانشناسان تکنیک برای گزارشگیری را توسعه داده اند (DS Holmes 1976a; DS Holmes 1976b; Mills 1976; Baumrind 1985; Oczak and Niedźwieńska 2007) و برخی از این ممکن است مفید برای پژوهش های عصر دیجیتال استفاده می شود. Humphreys (2015) ارائه می دهد افکار جالب در مورد رضایت معوق، که نزدیک به استراتژی گزارشگیری است که من توصیف مربوط می شود.

ایده درخواست یک نمونه از شرکت کنندگان برای رضایت آنها رابطه با آنچه که Humphreys (2015) خواستار رضایت استنباط.

یک ایده بیشتر است که مربوط به رضایت آگاهانه مطرح شده است این است که ساخت یک پانل از مردم که موافق به در آزمایش به صورت آنلاین (Crawford 2014) . برخی استدلال کرده اند که این پنل می تواند یک نمونه غیر تصادفی از مردم است. اما، فصل 3 (پرسش سوالات) نشان می دهد که این مشکلات به طور بالقوه آدرس با استفاده از پس از طبقه بندی و تطبیق نمونه. همچنین، رضایت به در پانل شود می تواند انواع آزمایش را پوشش میدهد. به عبارت دیگر، شرکت کنندگان ممکن است نیاز به رضایت به هر آزمایش به صورت جداگانه، یک مفهوم به نام رضایت گسترده (Sheehan 2011) .

• درک و مدیریت ریسک اطلاعات (بخش 6.6.2)

دور از منحصر به فرد، جایزه Netflix بکشد نشان اموال فنی مهم از مجموعه داده که حاوی اطلاعات دقیق در مورد مردم، و در نتیجه درس های مهمی در مورد امکان "ناشناس" از مجموعه داده های اجتماعی مدرن است. فایل های با بسیاری از قطعات از اطلاعات در مورد هر فرد به احتمال زیاد به پراکنده، به این معنا به طور رسمی در تعریف Narayanan and Shmatikov (2008) . این است که، برای هر رکورد هیچ پرونده که همان وجود دارد، و در واقع هیچ پرونده که بسیار شبیه وجود دارد: هر فرد دور از نزدیکترین همسایه خود را در مجموعه داده است. می توان تصور کرد که داده های Netflix بکشد ممکن است پراکنده چرا که با حدود 20،000 فیلم در مقیاس 5 ستاره، وجود دارد در مورد \ (6 ^ {20،000} \) مقادیر ممکن زیرا علاوه بر یک تا 5 ستاره که هر فرد می تواند داشته باشد (6 ، ممکن است شخصی این فیلم در تمام امتیاز نیست). این تعداد بسیار بزرگ است، آن را سخت به حتی درک است.

Sparsity دو مفاهیم اصلی. اول، به این معنی که تلاش برای "گمنام" مجموعه داده بر اساس اختلال تصادفی احتمال شکست خواهد خورد. است که، حتی اگر Netflix بکشد به طور تصادفی تنظیم برخی از اعتبار (که آنها را انجام داد)، این کافی نخواهد بود، چرا که رکورد مزاحمت هنوز نزدیک ترین رکورد ممکن است به اطلاعات است که حمله کرده است. دوم، sparsity بدان معنی است که د ناشناس ممکن است حتی اگر نفوذگر دانش ناقص و یا بی طرف. به عنوان مثال، در داده Netflix بکشد، اجازه دهید تصور کنید که مهاجم می داند رأی خود را به دو فیلم و تاریخ شما آن رتبه بندی +/- 3 روز ساخته شده است؛ درست است که اطلاعات به تنهایی کافی است منحصر به فرد شناسایی 68 درصد از مردم در داده Netflix بکشد. اگر مهاجمان می داند 8 فیلم های که شما +/- 14 روز، پس حتی اگر دو نفر از این رتبه بندی شناخته شده کاملا اشتباه هستند، 99٪ از سوابق را می توان منحصر به فرد در مجموعه داده مشخص امتیاز داده اند. به عبارت دیگر، sparsity یک مشکل اساسی برای تلاش به "گمنام" داده است، که مایه تأسف است زیرا مجموعه داده های اجتماعی مدرن ترین پراکنده می باشد.

ابرداده تلفن نیز ممکن است به نظر می رسد "ناشناس" و حساس است، اما این مورد نیست. ابرداده تلفن شناسایی و حساس است (Mayer, Mutchler, and Mitchell 2016; Landau 2016) .

در شکل 6.6، من ترسیم یک تجارت بین خطر ابتلا به شرکت کنندگان و منافع را به تحقیق از انتشار داده است. برای مقایسه بین روش های محدود دسترسی (به عنوان مثال، یک باغ دیواره) و روش های داده محدود (به عنوان مثال، برخی از ناشناس) را ببینید Reiter and Kinney (2011) . برای یک سیستم طبقه بندی ارائه شده از سطح خطر ابتلا به داده، و Sweeney, Crosas, and Bar-Sinai (2015) . در نهایت، برای بیشتر یک بحث کلی از به اشتراک گذاری داده، و Yakowitz (2011) .

برای تجزیه و تحلیل دقیق تر از این تجارت بین خطر و استفاده از داده ها، و Brickell and Shmatikov (2008) ، Ohm (2010) ، Wu (2013) ، Reiter (2012) ، و Goroff (2015) . برای دیدن این تجارت کردن به داده های واقعی استفاده از دوره های آنلاین انبوه باز (دوره های MOOC)، و Daries et al. (2014) و Angiuli, Blitzstein, and Waldo (2015) .

حریم خصوصی دیفرانسیل همچنین یک روش جایگزین که می تواند هم به نفع بالا به جامعه و کم خطر به شرکت کنندگان در ترکیب، و ارائه می دهد Dwork and Roth (2014) و Narayanan, Huey, and Felten (2016) .

برای اطلاعات بیشتر در مفهوم اطلاعات شناسایی شخصی (PII)، است که برای بسیاری از قوانین در مورد اخلاق در پژوهش، و Narayanan and Shmatikov (2010) و Schwartz and Solove (2011) . برای اطلاعات بیشتر در تمام داده بودن حساس، و Ohm (2015) .

در این بخش، من ارتباط از مجموعه داده های مختلف به عنوان چیزی که می تواند به خطر اطلاعاتی منجر به تصویر کشیده است. با این حال، آن را نیز می فرصت های جدید برای تحقیقات ایجاد، همانطور که در استدلال Currie (2013) .

برای اطلاعات بیشتر در پنج سفس، و Desai, Ritchie, and Welpton (2016) . برای یک مثال از چگونگی خروجی را می توان شناسایی، و Brownstein, Cassa, and Mandl (2006) ، نشان می دهد که چگونه نقشه شیوع بیماری را می توان شناسایی. Dwork et al. (2017) نیز حملات علیه داده های جمع، مانند آمار در مورد تعداد افراد مبتلا به یک بیماری خاص می داند.

• حریم خصوصی (بخش 6.6.3)

Warren and Brandeis (1890) مقاله حقوقی نقطه عطفی در مورد حفظ حریم خصوصی است، و مقاله بیشتر با این ایده که حریم خصوصی حق سمت چپ به تنهایی است در ارتباط است. اخیرا درمان طول کتاب حریم خصوصی است که من توصیه می کنم شامل Solove (2010) و Nissenbaum (2010) .

برای بررسی تحقیقات تجربی در مورد چگونه مردم در مورد حفظ حریم خصوصی فکر می کنم، و Acquisti, Brandimarte, and Loewenstein (2015) . مجله Science منتشر یک موضوع خاص با عنوان "پایان حریم خصوصی»، که به مسائل خصوصی و خطر ابتلا به اطلاعات از انواع دیدگاه های مختلف؛ برای خلاصه دیدن Enserink and Chin (2015) . Calo (2011) ارائه می دهد یک چارچوب برای فکر کردن در مورد آسیب های وارده از از نقض حریم خصوصی است. یک نمونه اولیه از نگرانی در مورد حفظ حریم خصوصی در ابتدای عصر دیجیتال است Packard (1964) .

• تصمیم گیری در شرایط عدم اطمینان (بخش 6.6.4)

یکی از چالش هنگامی که در تلاش برای اعمال استاندارد حداقل خطر است که آن را روشن است که زندگی روزانه است که برای تعیین معیار مورد استفاده قرار گیرد (Council 2014) . به عنوان مثال، افراد بی خانمان دارای سطوح بالاتری از احساس ناراحتی در زندگی روزمره خود. اما، که به این معنی نیست که آن را از لحاظ اخلاقی مجاز به افشای افراد بی خانمان به تحقیقات بیشتر در معرض خطر. به همین دلیل، به نظر می رسد این اتفاق نظر که حداقل خطر باید در برابر از استاندارد جامعه کلی، نه یک استاندارد مشخص جمعیت محک وجود دارد. در حالی که من به طور کلی با این ایده از یک استاندارد عمومی جمعیت توافق برسند، من فکر می کنم که برای سیستم عامل های آنلاین بزرگ مانند فیس بوک، یک استاندارد مشخص جمعیت معقول است. این است که، که با توجه به سرایت عاطفی، من فکر می کنم که آن را معقول و منطقی به معیار در برابر خطر روزمره در فیس بوک است. از استاندارد جامعه خاص در این مورد بسیار ساده تر است برای ارزیابی و بعید است که در تضاد با اصل عدالت، که به دنبال جلوگیری از بار از تحقیقات شکست ناعادلانه در گروه های محروم (به عنوان مثال، زندانیان و کودکان یتیم) است.

• راهنمایی های عملی (بخش 6.7)

محققان دیگری نیز برای مقالات بیشتر برای شامل ضمائم اخلاقی (Schultze and Mason 2012; Kosinski et al. 2015) . King and Sands (2015) نیز ارائه می دهد راهنمایی های عملی.