શું આગળ વાંચવા માટે

• પરિચય (વિભાગ 6.1)

સંશોધન નીતિશાસ્ત્ર પરંપરાગત રીતે વૈજ્ઞાનિક છેતરપીંડી અને ક્રેડિટની ફાળવણી જેવા વિષયોનો પણ સમાવેશ કરે છે. Institute of Medicine and National Academy of Sciences and National Academy of Engineering (2009) દ્વારા ઓન બીજિંગ એ સાયન્ટિસ્ટમાં વધુ વિગતવાર ચર્ચા કરવામાં આવી છે.

યુનાઇટેડ સ્ટેટ્સમાં આ પ્રકરણનો પ્રભાવ ભારે છે. અન્ય દેશોમાં નૈતિક રીવ્યુ કાર્યવાહી પર વધુ જાણવા માટે, Desposato (2016b) ના પ્રકરણો 6-9 જુઓ. દલીલ માટે કે આ પ્રકરણમાં પ્રભાવિત બાયોમેડિકલ નૈતિક સિદ્ધાંતો અતિશય અમેરિકન છે, Holm (1995) જુઓ. યુનાઇટેડ સ્ટેટ્સમાં ઇન્સ્ટિટ્યૂશનલ રિવ્યૂ બોર્ડ્સની વધુ ઐતિહાસિક સમીક્ષા માટે, Stark (2012) જુઓ. જર્નલ પીએસ: રાજકીય વિજ્ઞાન અને રાજકારણમાં રાજકીય વૈજ્ઞાનિકો અને આઇઆરબી વચ્ચે સંબંધ પર એક વ્યાવસાયિક પરિસંવાદ યોજાયો હતો; સારાંશ માટે Martinez-Ebers (2016) જુઓ

યુનાઇટેડ સ્ટેટ્સમાં બેલમોન્ટ રિપોર્ટ અને અનુગામી નિયમનો સંશોધન અને પ્રેક્ટિસ વચ્ચે ભેદભાવ ધરાવે છે. મેં આ પ્રકરણમાં આ ભેદ કર્યો નથી કારણ કે મને લાગે છે કે નૈતિક સિદ્ધાંતો અને માળખા બંને સેટિંગ્સ પર લાગુ થાય છે. આ તફાવત અને સમસ્યાઓનો વધુ પરિચય, Beauchamp and Saghai (2012) , MN Meyer (2015) , boyd (2016) , અને Metcalf and Crawford (2016) .

ફેસબુક પર સંશોધન દૃશ્ય પર વધુ માટે, Jackman and Kanerva (2016) . કંપનીઓ અને એનજીઓમાં સંશોધન દૃશ્ય અંગેના વિચારો માટે, Calo (2013) , Polonetsky, Tene, and Jerome (2015) , અને Tene and Polonetsky (2016) .

મોબાઇલ ફોન ડેટાના ઉપયોગને મદદ કરવા પશ્ચિમ આફ્રિકામાં 2014 Ebola ફાટી નીકળ્યા સંબોધવા સંબંધમાં (Wesolowski et al. 2014; McDonald 2016) , મોબાઇલ ફોન માહિતી ગોપનીયતા જોખમોને વિશે વધુ માટે, જુઓ Mayer, Mutchler, and Mitchell (2016) . મોબાઈલ ફોન ડેટાનો ઉપયોગ કરીને અગાઉના કટોકટી-સંબંધિત સંશોધનના ઉદાહરણો માટે, Bengtsson et al. (2011) જુઓ Bengtsson et al. (2011) અને Lu, Bengtsson, and Holme (2012) , અને કટોકટી સંબંધિત સંશોધનના નીતિશાસ્ત્ર વિશે વધુ જાણવા માટે, જુઓ ( ??? ) .

• ત્રણ ઉદાહરણો (વિભાગ 6.2)

ઘણા લોકોએ લાગણીમય સંસર્ગ વિશે લખ્યું છે. જર્નલ રિસર્ચ એથિક્સએ પ્રયોગની ચર્ચા કરવા માટે જાન્યુઆરી 2016 માં તેમના સમગ્ર મુદ્દાને સમર્પિત કર્યું; ઝાંખી માટે Hunter and Evans (2016) જુઓ. વિજ્ઞાનની રાષ્ટ્રીય શિક્ષણવિંદોની કાર્યવાહી પ્રયોગ વિશે બે ટુકડા પ્રકાશિત કરી છે: Kahn, Vayena, and Mastroianni (2014) અને Fiske and Hauser (2014) . પ્રયોગ વિશે અન્ય ટુકડાઓમાં સમાવેશ થાય છે: Puschmann and Bozdag (2014) , Meyer (2014) , Grimmelmann (2015) , MN Meyer (2015) , ( ??? ) , Kleinsman and Buckley (2015) , Shaw (2015) , અને ( ??? )

• ડિજિટલ અલગ છે (વિભાગ 6.3)

સામૂહિક દેખરેખની દ્રષ્ટિએ Mayer-Schönberger (2009) અને Marx (2016) માં વ્યાપક ઝાંખી આપવામાં આવી છે. સર્વેલન્સ, Bankston and Soltani (2013) ના બદલાતા ખર્ચના નક્કર ઉદાહરણ માટે, ફોજદારી શંકાસ્પદ વ્યક્તિને ભૌતિક દેખરેખ કરતાં 50 ગણા સસ્તી છે. કાર્યાલયમાં સર્વેલન્સની ચર્ચા માટે Ajunwa, Crawford, and Schultz (2016) પણ જુઓ. Bell and Gemmell (2009) સ્વ-દેખરેખ પર વધુ આશાવાદી પરિપ્રેક્ષ્ય પૂરો પાડે છે

સાર્વજનિક અથવા અંશતઃ જાહેર (દા.ત., સ્વાદ, સંબંધો, અને સમય) અવલોકનક્ષમ વર્તન ટ્રૅક કરવા માટે સક્ષમ હોવા ઉપરાંત, સંશોધકો વધુને વધુ વસ્તુઓને અનુમાનિત કરી શકે છે કે જે ઘણા સહભાગીઓ ખાનગી તરીકે વિચારે છે દાખલા તરીકે, મીકલ કોસિન્સ્કી અને સહકાર્યકરો (2013) દર્શાવે છે કે તેઓ મોટેભાગે સામાન્ય ડિજિટલ ટ્રેસ ડેટા (ફેસબુક લાઇક) થી, જાતીય અભિમુખતા અને વ્યસન પદાર્થોના ઉપયોગ જેવા લોકો વિશે સંવેદનશીલ માહિતીને નિરૂપણ કરી શકે છે. આ જાદુઈને ધ્વનિ કરી શકે છે, પરંતુ કોસિન્સ્કી અને સહકર્મીઓનો ઉપયોગ - જે ડિજિટલ ટ્રેસ, સર્વેક્ષણો અને નિરીક્ષણ કરેલ શિક્ષણ - ખરેખર કંઈક છે જે મેં તમને પહેલાથી જ કહ્યું છે. યાદ રાખો કે પ્રકરણ 3 (પ્રશ્નો પૂછવા) મેં તમને કહ્યું કે કેવી રીતે જોશુઆ બ્લુમેનેસ્ટોક અને સહકાર્યકરો (2015) રવાન્ડામાં ગરીબીનો અંદાજ કાઢવા માટે મોબાઇલ ફોન ડેટા સાથે સંયુક્ત સર્વેક્ષણ ડેટા. વિકાસશીલ દેશોમાં ગરીબીને અસરકારક રીતે માપવા માટે ઉપયોગમાં લઇ શકાય તેવી આ ચોક્કસ અભિગમનો, તેનો ઉપયોગ સંભવિતપણે ગોપનીયતા-ઉલ્લંઘન માટેના સંદર્ભો માટે પણ થઈ શકે છે.

સ્વાસ્થ્ય ડેટાના સંભવિત અનિશ્ચિત ગૌણ ઉપયોગો પર વધુ જાણવા માટે, O'Doherty et al. (2016) જુઓ O'Doherty et al. (2016) અનિશ્ચિત ગૌણ ઉપયોગો માટે સંભવિત ઉપરાંત, જો અપૂર્ણ માસ્ટર ડેટાબેઝની બનાવટ સામાજિક અને રાજકીય જીવન પર ચિલિંગ અસર કરી શકે છે જો લોકો ચોક્કસ સામગ્રી વાંચવા અથવા ચોક્કસ વિષયો પર ચર્ચા કરવા માટે તૈયાર ન હોય; Schauer (1978) અને Penney (2016) .

ઓવરલેપિંગ નિયમો ધરાવતી પરિસ્થિતિઓમાં સંશોધક કેટલીકવાર "નિયમનકારી ખરીદી" (Grimmelmann 2015; Nickerson and Hyde 2016) માં જોડાય છે. ખાસ કરીને, કેટલાક સંશોધકો જે આઇઆરબીની દેખરેખ ટાળવા માગે છે તેઓ એવા સંશોધકો સાથે ભાગીદારી કરી શકે છે કે જેઓ IRBs (દા.ત. કંપનીઓ અથવા એનજીઓના લોકો) દ્વારા આવરી લેવામાં આવતા નથી, અને તે સહકર્મીઓ માહિતી ભેગી કરે છે અને તેને ઓળખી કાઢે છે. તે પછી, આઇઆરબી-આવરી લેનાર સંશોધક આઇઆરબીની દેખરેખ વિના આ બિન-ઓળખિત માહિતીનું વિશ્લેષણ કરી શકે છે કારણ કે સંશોધનને હવે "માનવ વિષયો સંશોધન" ગણવામાં આવતા નથી, ઓછામાં ઓછા વર્તમાન નિયમોના કેટલાક અર્થઘટન અનુસાર. આ પ્રકારનું આઇઆરબી ચોરી સંશોધન સિદ્ધાંતોના સિદ્ધાંતો આધારિત અભિગમ સાથે સુસંગત નથી.

2011 માં, સામાન્ય નિયમને અપડેટ કરવાનું શરૂ કર્યું, અને આ પ્રક્રિયા છેલ્લે 2017 ( ??? ) માં પૂર્ણ થઈ. કોમન રૂલને અપડેટ કરવાના આ પ્રયત્નો વિશે વધુ જાણવા માટે, Evans (2013) , National Research Council (2014) , Hudson and Collins (2015) અને Metcalf (2016) .

• ચાર સિદ્ધાંતો (વિભાગ 6.4)

બાયોમેડિકલ નૈતિકતા માટે ક્લાસિક સિદ્ધાંતો આધારિત અભિગમ Beauchamp and Childress (2012) . તેઓ દરખાસ્ત કરે છે કે ચાર મુખ્ય સિદ્ધાંતોમાં બાયોમેડિકલ નીતિશાસ્ત્રનું માર્ગદર્શન હોવું જોઇએ: સ્વાયત્તતા, બિન-ધાર્મિકતા, લાભ અને ન્યાય બિનઅધિકૃતતાના સિદ્ધાંતમાં એકને અન્ય લોકો માટે નુકસાન પહોંચાડવાથી દૂર રહેવાની વિનંતી કરે છે. આ ખ્યાલ હિપ્પોક્રેટિક વિચારને "હાનિ પહોંચાડવાનું" સાથે ઊંડે જોડાયેલું છે. સંશોધન નૈતિકતામાં, આ સિદ્ધાંતને ઘણીવાર લાભોના સિદ્ધાંત સાથે જોડવામાં આવે છે, પરંતુ બે વચ્ચેના ભેદ પર વધુ માટે @ બીઉચેમ્પ_પ્રાઈપલ્સ_2012 નું પ્રકરણ 5 જુઓ. ટીકા માટે કે આ સિદ્ધાંતો અતિશય અમેરિકન છે, Holm (1995) જુઓ. સિધ્ધાંતોના સંઘર્ષના સંતુલન પર વધુ જાણવા માટે, Gillon (2015) જુઓ.

આ પ્રકરણના ચાર સિદ્ધાંતોને "કન્ઝ્યુમર વિષય રિવ્યૂ બોર્ડ્સ" (સીએસઆરબી) (Calo 2013) કેલૉ (Calo 2013) નામના સંસ્થાઓ દ્વારા કંપનીઓ અને એનજીઓ (Polonetsky, Tene, and Jerome 2015) કરવામાં આવતી સંશોધન માટે નૈતિક દૃશ્યની દિશામાં દરખાસ્ત કરવામાં આવી છે.

• વ્યક્તિઓ માટે આદર (કલમ 6.4.1)

સ્વાયત્તતાનો આદર કરવા ઉપરાંત, બેલમોન્ટ રિપોર્ટ એ પણ સ્વીકાર્યું છે કે દરેક માનવ પ્રત્યક્ષ આત્મ નિર્ધારણ માટે સક્ષમ નથી. ઉદાહરણ તરીકે, બાળકો, બીમારીથી પીડાતા લોકો, અથવા ગંભીર પ્રતિબંધિત સ્વાતંત્ર્યની પરિસ્થિતિઓમાં રહેતા લોકો સંપૂર્ણ સ્વાયત્ત વ્યક્તિ તરીકે કાર્ય કરી શકતા નથી, અને આ લોકો તેથી વધુ સુરક્ષાને પાત્ર છે.

ડિજિટલ વયમાં વ્યક્તિઓ માટેના માનનો સિદ્ધાંત લાગુ કરવો પડકારરૂપ બની શકે છે. ઉદાહરણ તરીકે, ડિજિટલ-વય સંશોધનમાં, આત્મનિર્ધારણની ક્ષમતાની ક્ષમતા ધરાવતા લોકો માટે વધારાની સુરક્ષા આપવી મુશ્કેલ બની શકે છે કારણ કે સંશોધકો ઘણીવાર તેમના સહભાગીઓ વિશે ખૂબ જ ઓછી જાણતા હોય છે. વધુમાં, ડિજિટલ-વય સામાજિક સંશોધનમાં જાણકાર સંમતિ એક વિશાળ પડકાર છે. કેટલાક કિસ્સાઓમાં, સાચી જાણકાર સંમતિ પારદર્શિતા વિરોધાભાસ (Nissenbaum 2011) થી પીડાઈ શકે છે, જ્યાં માહિતી અને સમજણ સંઘર્ષમાં છે આશરે, જો સંશોધકો ડેટા સંગ્રહણ, ડેટા વિશ્લેષણ અને ડેટા સિક્યોરિટી પ્રેક્ટિસના પ્રકાર વિશે સંપૂર્ણ માહિતી પૂરી પાડે છે, તો ઘણા સહભાગીઓ સમજી શકશે. પરંતુ સંશોધકો સમજી માહિતી પૂરી પાડે છે, જો, તે મહત્વપૂર્ણ તકનીકી વિગતો અભાવ હોઈ શકે છે. એનાલોગ યુગમાં તબીબી સંશોધનમાં - બેલમોન્ટ રિપોર્ટ દ્વારા માનવામાં આવેલ પ્રભુત્વ સેટિંગ - એક કલ્પના કરી શકે છે કે એક પારદર્શકતા વિરોધાભાસને ઉકેલવા માટે દરેક સહભાગી સાથે વ્યક્તિગત રીતે ડૉકટરે વાત કરી. હજારો અથવા લાખો લોકોના ઓનલાઈન અભ્યાસમાં, આવા ચહેરા-તરફના અભિગમ અશક્ય છે ડિજિટલ યુગમાં સંમતિ સાથે બીજી સમસ્યા એ છે કે કેટલાક અભ્યાસોમાં, જેમ કે મોટા પ્રમાણમાં ડેટા રિપોઝીટરીઝના વિશ્લેષણ, તે તમામ સહભાગીઓ પાસેથી જાણકાર સંમતિ પ્રાપ્ત કરવા માટે અવ્યવહારિક રહેશે. હું વિભાગ 6.6.1 માં વધુ વિગતવાર માહિતી વિશે આ અને અન્ય પ્રશ્નોની ચર્ચા કરું છું. આ મુશ્કેલીઓ છતાં, તેમ છતાં, આપણે યાદ રાખવું જોઈએ કે જાણકાર સંમતિ વ્યક્તિઓ માટે માન આપવાની જરૂર નથી કે પૂરતી નથી.

જાણકાર સંમતિ પહેલાં તબીબી સંશોધન પર વધુ જાણવા માટે, Miller (2014) જુઓ. જાણકાર સંમતિની પુસ્તક-લંબાઈની સારવાર માટે, Manson and O'Neill (2007) . નીચે સુચિત સંમતિ વિશે સૂચવેલ વાંચન પણ જુઓ.

• લાભ (કલમ 6.4.2)

સંદર્ભને નુકસાન પહોંચાડવી એ નુકસાન છે કે સંશોધન ચોક્કસ લોકો માટે નહીં પણ સામાજિક સેટિંગ્સ માટે કરી શકે છે. આ ખ્યાલ થોડી અમૂર્ત છે, પરંતુ હું ક્લાસિક ઉદાહરણ સાથે વર્ણવું છું: વિચિતા જ્યુરી સ્ટડી (Vaughan 1967; Katz, Capron, and Glass 1972, chap. 2) -પણ ક્યારેક શિકાગો જ્યુરી પ્રોજેક્ટ (Cornwell 2010) તરીકે પણ ઓળખાય છે. આ અભ્યાસમાં, યુનિવર્સિટી ઓફ શિકાગોના સંશોધકોએ, કાયદાકીય વ્યવસ્થાના સામાજિક પાસાઓના મોટા અભ્યાસના ભાગ રૂપે, ગુપ્ત રીતે વિચિતા, કેન્સાસમાં છ જ્યુરી ચર્ચાઓ રેકોર્ડ કરી હતી. આ કેસોમાં ન્યાયમૂર્તિઓ અને વકીલોએ રેકોર્ડિંગને મંજૂર કરી હતી, અને પ્રક્રિયાની સખત દેખરેખ રાખી હતી. જો કે, જૂરીર્સ અજાણ હતા કે રેકોર્ડિંગ્સ બન્યાં હતાં. એકવાર અભ્યાસ મળી આવ્યો, ત્યાં જાહેર અત્યાચાર થયો. ન્યાય વિભાગએ અભ્યાસની તપાસ શરૂ કરી, અને સંશોધકોને કોંગ્રેસ સામે સાક્ષી આપવા માટે બોલાવવામાં આવ્યા. આખરે, કૉંગ્રેસે એક નવો કાયદો પસાર કર્યો છે જે તેને ગેરકાયદે ગુપ્ત રીતે જૂરી વિવાદમાં રેકોર્ડ કરે છે.

વિચિતા જ્યુરી સ્ટડીના વિવેચકોની ચિંતા સહભાગીઓને નુકસાન પહોંચાડવાનું જોખમ નથી; તેના બદલે, તે જૂરી વિચારણાના સંદર્ભમાં નુકસાન પહોંચાડવાનું જોખમ હતું. એટલે કે, લોકો એવું વિચારે છે કે જો જૂરીના સભ્યો એવું માનતા ન હતા કે તેઓ સલામત અને સુરક્ષિત જગ્યામાં ચર્ચા કરી રહ્યા છે, તો ભવિષ્યમાં જ્યુરીની ચર્ચા માટે આગળ વધવું મુશ્કેલ બનશે. જ્યુરી ચર્ચા-વિચારણા ઉપરાંત, અન્ય વિશિષ્ટ સામાજિક સંદર્ભો છે જે સમાજ વધારાની સુરક્ષા પૂરી પાડે છે, જેમ કે એટર્ની-ક્લાયન્ટ સંબંધો અને મનોવૈજ્ઞાનિક સંભાળ (MacCarthy 2015) .

સંદર્ભને નુકસાન પહોંચાડવાનું જોખમ અને સામાજિક પ્રણાલીઓના ભંગાણ પણ રાજકીય વિજ્ઞાનના અમુક ક્ષેત્રો પ્રયોગોમાં ઉદભવે છે (Desposato 2016b) . રાજકીય વિજ્ઞાનમાં ક્ષેત્ર પ્રયોગ માટે વધુ સંદર્ભ-સંવેદનશીલ ખર્ચ-લાભ ગણતરીના ઉદાહરણ માટે, Zimmerman (2016) જુઓ.

• ન્યાય (કલમ 6.4.3)

ડિજિટલ-વય સંશોધનથી સંબંધિત સેટિંગ્સમાં સહભાગીઓ માટે વળતરની ચર્ચા કરવામાં આવી છે. Lanier (2014) પ્રતિનિધિઓને તેઓ પેદા જે ડિજિટલ નિશાન માટે ચૂકવણી દરખાસ્ત. Bederson and Quinn (2011) ઓનલાઈન મજૂર બજારોમાં ચૂકવણીની ચર્ચા કરે છે. છેલ્લે, Desposato (2016a) પ્રયોગના પ્રયોગોના સહભાગીઓને ચુકવણી કરવાની દરખાસ્ત કરે છે. તે નિર્દેશ કરે છે કે જો સહભાગીઓ સીધા જ ચૂકવણી કરી શકતા નથી, તો દાન તેમના વતી કામ કરતા જૂથને કરી શકાય છે. ઉદાહરણ તરીકે, એન્કોરમાં, સંશોધકો ઈન્ટરનેટની પહોંચને ટેકો આપવા માટે કામ કરતા ગ્રૂપને દાન કરી શક્યા હોત.

• કાયદો અને જાહેર હિતનો આદર (કલમ 6.4.4)

કાયદેસરની સરકારો દ્વારા બનાવેલા કાયદા કરતાં તુલનાત્મક કરારના કરાર કરતાં બધાં ઓછા વજન અને ટૂંકા કરાર હોવા જોઈએ. સંશોધકોએ ભૂતકાળમાં શરતોના નિયમોનું ઉલ્લંઘન કર્યું છે તેવી પરિસ્થિતિઓ સામાન્ય રીતે કંપનીઓના વર્તનની તપાસ કરવા માટે સ્વયંસંચાલિત ક્વેરીઓનો ઉપયોગ કરીને સામાન્ય રીતે ફીલ્ડ પ્રયોગો (ભેદભાવને માપવા માટે) જેવાં છે. વધારાની ચર્ચાઓ માટે, જુઓ Vaccaro et al. (2015) , Bruckman (2016a) , અને Bruckman (2016b) . સેવાની શરતોની ચર્ચા કરતી પ્રયોગમૂલક સંશોધનના ઉદાહરણ માટે, Soeller et al. (2016) જુઓ Soeller et al. (2016) સંભવિત કાયદાકીય સમસ્યાઓ પર વધુ સંશોધનકર્તાઓનો સામનો કરવો પડે છે જો તેઓ સેવાની શરતોનું ઉલ્લંઘન કરે છે, તો Sandvig and Karahalios (2016) .

• બે નૈતિક માળખા (વિભાગ 6.5)

દેખીતી રીતે, પરિણામસ્વરૂપે અને ડીન્ટોલોજી વિશે એક પ્રચંડ રકમ લખવામાં આવી છે. કેવી રીતે આ નૈતિક માળખા, અને અન્ય, ડિજિટલ-વય સંશોધન માટે કારણ માટે વાપરી શકાય છે ઉદાહરણ તરીકે, Zevenbergen et al. (2015) જુઓ Zevenbergen et al. (2015) . વિકાસ અર્થશાસ્ત્રમાં ક્ષેત્ર પ્રયોગોને કેવી રીતે લાગુ પાડી શકાય તેનું ઉદાહરણ, Baele (2013) જુઓ.

• જાણકાર સંમતિ (વિભાગ 6.6.1)

ભેદભાવના ઑડિટ અભ્યાસો પર વધુ માટે, Pager (2007) અને Riach and Rich (2004) . માત્ર આ અભ્યાસોને સંમતિ ન હોવાનું જ નથી, તેઓમાં ડિબ્રેગિંગ વગર પણ છેતરપિંડીનો સમાવેશ થાય છે.

બંને Desposato (2016a) અને Humphreys (2015) સંમતિ વિના ક્ષેત્ર પ્રયોગ વિશે સલાહ આપે છે.

Sommers and Miller (2013) છેતરપિંડી કર્યા પછી ભાગ લેનારાઓના હલકાં નહીં કરવા તરફેણમાં ઘણા દલીલોની સમીક્ષા કરે છે અને દલીલ કરે છે કે સંશોધકોએ ડિબ્રીફિંગ

"સંજોગોના ખૂબ જ સાંકડી સમૂહ હેઠળ, એટલે કે, ક્ષેત્ર સંશોધનમાં જેમાં debriefing નોંધપાત્ર પ્રાયોગિક અવરોધો ધરાવે છે પરંતુ સંશોધકોને જો તેઓ કરી શકે છે તો તેઓ ડિબ્રેગિંગ વિશે કોઈ કઠણ હશે નહીં. નિષ્ણાંત સહભાગી પૂલને જાળવી રાખવા માટે, સહભાગી ગુસ્સોથી પોતાને ઢાલવા, અથવા સહભાગીઓને નુકસાનથી બચાવતા સંશોધકોએ ડિબ્રેગિંગને દૂર કરવાની પરવાનગી ન આપવી જોઇએ. "

અન્ય લોકો એવી દલીલ કરે છે કે કેટલીક પરિસ્થિતિઓમાં જો ડિબ્રેગિંગ સારા કરતાં વધુ નુકસાન પહોંચાડે છે, તો તેને ટાળી શકાય (Finn and Jakobsson 2007) . દેબ્રીફિંગ એ એવા કેસ છે જ્યાં કેટલાક સંશોધકો લાભ માટે વ્યક્તિઓ માટે માન આપે છે, જ્યારે કેટલાક સંશોધકો વિરુદ્ધ કરે છે એક સંભવિત ઉકેલ, સહભાગીઓ માટે ડ્રાફિફિંગ શીખવાનો અનુભવ બનાવવાના રસ્તા શોધવાનું રહેશે. એટલે કે ડિબ્રેગિંગને કંઈક નુકસાન પહોંચાડે તેવું વિચારવાને બદલે, કદાચ ડિબ્રેગિંગ કંઈક હોઈ શકે છે જે સહભાગીઓને લાભ કરે છે. આ પ્રકારની શૈક્ષણિક Jagatic et al. (2007) ઉદાહરણ માટે, જુઓ Jagatic et al. (2007) . મનોવૈજ્ઞાનિકોએ ડિબ્રેગિંગ (DS Holmes 1976a, 1976b; Mills 1976; Baumrind 1985; Oczak and Niedźwieńska 2007) માટે તકનીકો વિકસાવી છે, અને તેમાંના કેટલાક ડિજિટલ-વય સંશોધન માટે ઉપયોગી થઈ શકે છે. Humphreys (2015) સ્થગિત સંમતિ વિશે રસપ્રદ વિચારો આપે છે, જે હું વર્ણવવામાં આવેલી ડેબ્રિફિંગ વ્યૂહરચનાથી નજીકથી સંબંધિત છે.

તેમની સંમતિ માટે સહભાગીઓના એક નમૂનાને પૂછવાનો વિચાર તે Humphreys (2015) સંકળાયેલો છે જે અનુમાનિત સંમતિ ધરાવે છે .

જાણકાર સંમતિથી સંબંધિત એક વધુ વિચાર જે સૂચિત કરવામાં આવ્યો છે તે લોકોના એક પેનલનું નિર્માણ કરવું છે જે ઓનલાઇન પ્રયોગો (Crawford 2014) માં સંમત થાય છે. કેટલાક લોકો દલીલ કરે છે કે આ પેનલ લોકોના બિન-રેન્ડમ નમૂના હશે. પરંતુ પ્રકરણ 3 (પ્રશ્નો પૂછવાથી) બતાવે છે કે આ સમસ્યાઓ પોસ્ટ-સ્તરીકરણ દ્વારા સંભવિત સંબોધ હોય છે. ઉપરાંત, પેનલ પર રહેવાની સંમતિ વિવિધ પ્રયોગો આવરી શકે છે. બીજા શબ્દોમાં કહીએ તો, સહભાગીઓને વ્યક્તિગત રીતે દરેક પ્રયોગ માટે સંમતિ આપવાની આવશ્યકતા હોતી નથી, વ્યાપક સંમતિ (Sheehan 2011) નામની ખ્યાલ. દરેક અભ્યાસ માટે એક સમયે સંમતિ અને સંમતિ વચ્ચેના તફાવતો અંગે વધુ જાણવા માટે, Hutton and Henderson (2015) .

• જાણકારીના જોખમને સમજવું અને તેનું સંચાલન કરવું (વિભાગ 6.6.2)

વિશિષ્ટથી દૂર છે, નેટફ્લિક્સ ઇનામ ડેટાસેટ્સની મહત્વપૂર્ણ તકનીકી મિલકતને સમજાવે છે જેમાં લોકો વિશેની વિગતવાર માહિતી શામેલ છે અને આમ આધુનિક સામાજિક ડેટાસેટ્સના "અનામીકરણ" ની શક્યતા વિશે મહત્વપૂર્ણ પાઠ પ્રદાન કરે છે. દરેક વ્યક્તિ વિશે જાણકારી ઘણા ટુકડાઓ સાથે ફાઇલ અર્થમાં ઔપચારિક વ્યાખ્યાયિત સ્પર્શ હોઈ શકે તેવી શક્યતા છે Narayanan and Shmatikov (2008) . એટલે કે, દરેક રેકોર્ડ માટે, ત્યાં કોઈ રેકોર્ડ નથી જે તે જ છે અને વાસ્તવમાં કોઈ રેકોર્ડ નથી જે ખૂબ જ સમાન હોય છે: દરેક વ્યક્તિ ડેટાસેટમાં તેમના નજીકના પડોશીથી દૂર છે. કોઈ કલ્પના કરી શકે છે કે Netflix માહિતી છૂટી હોઇ શકે છે કારણ કે ફાઇવ સ્ટાર્ટર સ્કેલ પર લગભગ 20,000 ચલચિત્રો સાથે, લગભગ \(6^{20,000}\) શક્ય કિંમતો છે જે દરેક વ્યક્તિ પાસે હોઈ શકે છે (6 કારણ કે, 1 થી વધુમાં 5 તારા, કોઈએ મૂવી રેટ કર્યું નથી હોત) આ સંખ્યા એટલી મોટી છે કે, તે સમજવું પણ મુશ્કેલ છે.

સ્પર્સીટીમાં બે મુખ્ય અસરો છે પ્રથમ, તેનો મતલબ એ કે રેન્ડમ પટ્ટાબાબને આધારે ડેટાસેટને "અનામી બનાવવા" કરવાનો પ્રયાસ નિષ્ફળ જશે. એટલે કે, જો Netflix રેન્ડમલી કેટલાંક રેટિંગ્સ (જે તેઓ કરે છે) ને સંતુલિત કરવા માટે હોય તો પણ આ પૂરતું નહીં હોય કારણ કે ગુસ્સે થયેલા રેકોર્ડ હજુ પણ હુમલાખોર પાસેની માહિતીનો સૌથી નજીકનો રેકોર્ડ છે. બીજું, સ્પારિસીનો અર્થ થાય છે કે હુમલાખોર અપૂર્ણ અથવા નિષ્પક્ષ જ્ઞાન હોવા છતાં ફરીથી ઓળખાણ શક્ય છે. ઉદાહરણ તરીકે, Netflix ડેટામાં, ચાલો કલ્પના કરીએ કે હુમલાખોર તમારી રેટિંગ્સને બે મૂવીઝ માટે જાણે છે અને તારીખો તમે તે રેટિંગ્સ \(\pm\) દિવસો \(\pm\) 3 દિવસ માટે કરી છે; ફક્ત Netflix ડેટામાં 68% લોકોને અનન્ય રીતે ઓળખવા માટે તે માહિતી એકલી છે. જો હુમલાખોર આઠ ફિલ્મોને જાણે છે કે તમે રેટ કર્યું છે \(\pm\) 14 દિવસ, પછી ભલે તે બે જાણીતા રેટિંગ્સ સંપૂર્ણપણે ખોટી હોય, 99% રેકોર્ડ્સ ડેટેટમાં વિશિષ્ટ રીતે ઓળખી શકાય. બીજા શબ્દોમાં કહીએ તો, "અનામી" માહિતીના પ્રયાસો માટે સ્પારિસી એ એક મૂળભૂત સમસ્યા છે, જે કમનસીબ છે કારણ કે મોટા ભાગના આધુનિક સામાજિક ડેટાસેટ્સ વિરલ છે. સ્પર્શ માહિતીના "અનામીકરણ" વિશે વધુ જાણવા માટે, Narayanan and Shmatikov (2008) .

ટેલિફોન મેટા-ડેટા પણ "અનામિક" તરીકે દેખાઈ શકે છે અને સંવેદનશીલ નથી, પરંતુ તે આ કેસ નથી. ટેલિફોન મેટા-ડેટા ઓળખી શકાય તેવા અને સંવેદનશીલ છે (Mayer, Mutchler, and Mitchell 2016; Landau 2016) .

6.6 ની આકૃતિમાં, મેં રિસ્કમાં ભાગ લેનારાઓને અને ડેટા રિલિઝમાંથી સમાજના લાભ માટે સ્કેચ કરેલું. પ્રતિબંધિત ઍક્સેસ અભિગમો (દા.ત. કોટ બગીચા) અને પ્રતિબંધિત ડેટા અભિગમ (દા.ત., "અનામીકરણ" ના કેટલાક સ્વરૂપો) વચ્ચેની સરખામણી માટે Reiter and Kinney (2011) . ડેટાના જોખમના સ્તરોની સૂચિત વર્ગીકરણ પદ્ધતિ માટે, Sweeney, Crosas, and Bar-Sinai (2015) . માહિતી વહેંચણીની વધુ સામાન્ય ચર્ચા માટે, Yakowitz (2011) જુઓ.

ડેટાના જોખમ અને ઉપયોગિતા વચ્ચેના આ વેપારના વધુ વિશ્લેષણ માટે, Brickell and Shmatikov (2008) , Ohm (2010) , Reiter (2012) , Wu (2013) અને Goroff (2015) . મોટાભાગના ખુલ્લા ઑનલાઇન અભ્યાસક્રમો (એમઓયુસી) માંથી વાસ્તવિક ડેટા પર લાગુ Daries et al. (2014) આ વેપાર- Daries et al. (2014) જોવા માટે, જુઓ Daries et al. (2014) અને Angiuli, Blitzstein, and Waldo (2015) .

વિભેદક ગોપનીયતા પણ એક વૈકલ્પિક અભિગમ અપનાવે છે જે સહભાગીઓને ઓછું જોખમ અને સમાજને વધુ લાભ માટે ભેગા કરી શકે છે; Dwork and Roth (2014) અને Narayanan, Huey, and Felten (2016) .

વ્યક્તિગત રીતે ઓળખાતી માહિતી (પીએઆઈઆઈ) ની ખ્યાલ વિશે વધુ જાણવા માટે, સંશોધન સિદ્ધાંતો વિશેના ઘણા નિયમોના કેન્દ્રમાં છે, Narayanan and Shmatikov (2010) અને Schwartz and Solove (2011) . સંભવિત સંવેદનશીલ હોવાના તમામ ડેટા પર વધુ જાણવા માટે, Ohm (2015) જુઓ.

આ વિભાગમાં, મેં વિવિધ ડેટાસેટ્સની લિંક્ડને કંઈક એવી માહિતી આપી છે કે જે માહિતીના જોખમને લઈ શકે છે. જો કે, તે સંશોધન માટે નવી તક પણ બનાવી શકે છે, જેમ કે Currie (2013) માં દલીલ કરી હતી.

પાંચ Desai, Ritchie, and Welpton (2016) પર વધુ માટે, Desai, Ritchie, and Welpton (2016) . આઉટપુટ કેવી રીતે ઓળખી શકાય તે માટેના ઉદાહરણ માટે, Brownstein, Cassa, and Mandl (2006) , જે દર્શાવે છે કે રોગ ફેલાવવાના નકશા કેવી રીતે ઓળખી શકાય છે. Dwork et al. (2017) પણ કુલ ડેટા સામે હુમલાઓ ધ્યાનમાં લે છે, જેમ કે કેટલા લોકોની ચોક્કસ રોગ છે તેના આંકડા.

ડેટા ઉપયોગ અને ડેટા રિલીઝ વિશેનાં પ્રશ્નો ડેટા માલિકો વિશેના પ્રશ્નો પણ ઊભા કરે છે. વધુ માટે, માહિતી માલિકી પર, Evans (2011) અને Pentland (2012) .

• ગોપનીયતા (વિભાગ 6.6.3)

Warren and Brandeis (1890) ગોપનીયતા વિશે એક સીમાચિહ્ન કાનૂની લેખ છે અને તે વિચાર સાથે સંકળાયેલો છે કે ગોપનીયતા એકલા છોડી દેવાનો અધિકાર છે. ગોપનીયતાના પુસ્તક-લંબાઈની સારવાર કે જેમાં હું ભલામણ કરું છું તેમાં Solove (2010) અને Nissenbaum (2010) .

લોકો ગોપનીયતા વિશે કેવી રીતે વિચાર કરે છે તેના પર પ્રયોગમૂલક સંશોધનની સમીક્ષા માટે, Acquisti, Brandimarte, and Loewenstein (2015) . Phelan, Lampe, and Resnick (2016) દ્વિ-પ્રણાલી સિદ્ધાંતનો પ્રસ્તાવ કરે છે કે લોકો કેટલીકવાર સાહજિક બાબતો પર ધ્યાન કેન્દ્રિત કરે છે અને કેટલીકવાર પ્રચલિત ચિંતાઓ પર ધ્યાન કેન્દ્રિત કરે છે - તે સમજાવવા માટે કે લોકો કેવી રીતે ગોપનીયતા વિશે વિરોધાભાસી નિવેદનો કરી શકે છે. ટ્વિટર જેવી ઓનલાઇન સેટિંગ્સમાં ગોપનીયતાના વિચાર પર વધુ જાણવા માટે, Neuhaus and Webmoor (2012) .

જર્નલ સાયન્સે "ધ એન્ડ ઓફ ગોપનીયતા" શીર્ષક ધરાવતું એક વિશેષ વિભાગ પ્રકાશિત કર્યું છે, જેમાં વિવિધ દ્રષ્ટિકોણથી ગોપનીયતા અને માહિતીના જોખમને લગતા મુદ્દાઓને સંબોધવામાં આવે છે; સારાંશ માટે, Enserink and Chin (2015) . Calo (2011) ગોપનીયતા ઉલ્લંઘનોમાંથી આવે છે તે નુકસાન વિશે વિચારવાનો એક માળખું આપે છે. ડિજિટલ વયની શરૂઆતમાં ગોપનીયતા વિશે ચિંતાના પ્રારંભિક ઉદાહરણ Packard (1964) .

• અનિશ્ચિતતામાં નિર્ણયો લેવો (વિભાગ 6.6.4)

એક પડકાર જ્યારે ન્યૂનતમ જોખમ ધોરણ લાગુ પાડવાનો પ્રયત્ન કરે છે તે એ સ્પષ્ટ નથી કે કોની દૈનિક જીવનનો ઉપયોગ બેંચમાર્કિંગ (National Research Council 2014) . ઉદાહરણ તરીકે, બેઘર લોકો તેમના રોજિંદા જીવનમાં અસ્વસ્થતાના ઊંચા સ્તર ધરાવે છે. પરંતુ તેનો અર્થ એ નથી કે ઉચ્ચતર જોખમ સંશોધનમાં બેઘર લોકોને છતી કરવા માટે તે નૈતિક રીતે સ્વીકાર્ય છે. આ કારણોસર, એક વધતી સર્વસંમતિ હોય તેવું લાગે છે કે સામાન્ય-વસ્તીના ધોરણ વિરુદ્ધ ન્યૂનતમ જોખમને બેન્ચમાર્ક બનાવવું જોઈએ, ચોક્કસ વસ્તી પ્રમાણભૂત નહીં. હું સામાન્ય રીતે સામાન્ય વસ્તી પ્રમાણભૂત વિચાર સાથે સંમત છું, મને લાગે છે કે મોટા ઓનલાઇન પ્લેટફોર્મ જેમ કે ફેસબુક, ચોક્કસ વસ્તી પ્રમાણભૂત વાજબી છે. આમ, લાગણીસભર સંસર્ગને ધ્યાનમાં રાખીને, મને લાગે છે કે તે ફેસબુક પર રોજિંદા જોખમ સામે બેન્ચમાર્ક માટે વાજબી છે. આ કિસ્સામાં ચોક્કસ વસ્તીનું પ્રમાણ મૂલ્યાંકન કરવાનું સરળ છે અને ન્યાયના સિદ્ધાંત સાથે વિરોધાભાસ થવાની સંભાવના નથી, જે વંચિત જૂથો (દા.ત. કેદીઓ અને અનાથો) પર ગેરલાયક હોવાને કારણે સંશોધનના બોજોને રોકવા માંગે છે.

• પ્રાયોગિક ટિપ્સ (સેક્શન 6.7)

અન્ય વિદ્વાનોએ નૈતિક પરિશિષ્ટો (Schultze and Mason 2012; Kosinski et al. 2015; Partridge and Allman 2016) નો સમાવેશ કરવા માટે વધુ કાગળો માટે પણ કહેવામાં આવ્યું છે. King and Sands (2015) વ્યવહારિક સૂચનો પણ આપે છે. ઝૂક અને સહકર્મીઓ (2017) "જવાબદાર મોટા ડેટા સંશોધન માટે દસ સરળ નિયમો" આપે છે.