6.6.2 સમજ અને મેનેજિંગ જાણકારીના જોખમ

માહિતી જોખમ સામાજિક સંશોધન સૌથી સામાન્ય જોખમ છે; તે નાટકીય રીતે વધારો થયો છે; અને તે સમજવા માટે ખૂબ સખત જોખમ છે.

સામાજિક ઉંમર ડિજિટલ સંશોધન માટે બીજા નૈતિક પડકાર જાણકારીના જોખમ, માહિતી જાહેર ના નુકસાન માટે સંભવિત છે (Council 2014) . વ્યક્તિગત માહિતી જાહેર ના માહિતીપ્રદ નુકસાન આર્થિક હોઈ શકે છે (દા.ત., નોકરી ગુમાવી), સામાજિક (દા.ત., અકળામણ), મનોવૈજ્ઞાનિક (દા.ત., ડિપ્રેશન) છે, અથવા તો ફોજદારી (દા.ત., ગેરકાયદે વર્તન માટે ધરપકડ). કમનસીબે, ડિજિટલ વય વધે માહિતી જોખમ નાટ્યાત્મક-ત્યાં આપણા વર્તન વિશે ખૂબ જ વધુ માહિતી છે. અને, જાણકારીના જોખમ સમજવા અને વ્યવસ્થા કરવા માટે ખૂબ જ મુશ્કેલ સાબિત થઇ છે કે જોખમો જેમ કે શારીરિક જોખમ તરીકે એનાલોગ ઉંમર સામાજિક સંશોધન ચિંતા હતી સરખામણીમાં. કેવી રીતે ડિજિટલ વય જાણકારીના જોખમ વધી જાય છે તે જોવા માટે, ઇલેક્ટ્રોનિક મેડિકલ રેકોર્ડ્સ કાગળ સંક્રમણ માને છે. રેકોર્ડ બંને પ્રકારના જોખમ બનાવો, પરંતુ ઇલેક્ટ્રોનિક રેકોર્ડ ઘણી મોટી જોખમ બનાવવા કારણ કે એક મોટા પાયા પર તેઓ એક અનધિકૃત પક્ષ માટે ફેલાય શકાય છે અથવા અન્ય રેકોર્ડ સાથે ભળી. ડિજિટલ વય માં સામાજિક સંશોધકો પહેલાથી જ કારણ કે તેઓ સંપૂર્ણપણે સમજી ન હતી જથ્થામાં અને તે મેનેજ કરવા માટે કેવી રીતે ભાગ, જાણકારીના જોખમ સાથે મુશ્કેલી માં ચાલે છે. તેથી, હું જાણકારીના જોખમ વિશે વિચારો મદદરૂપ માર્ગ પ્રદાન કરવા જાઉં છું, અને પછી હું તમને કેવી રીતે તમારા સંશોધન જાણકારીના જોખમ વ્યવસ્થા કરવા માટે અને અન્ય સંશોધકો માહિતી પ્રકાશિત કેટલાક સલાહ આપી જાઉં છું.

એક રસ્તો છે કે સામાજિક સંશોધકો જાણકારીના જોખમ ઘટાડે માહિતી "anonymization" છે. "Anonymization" જેમ કે નામ, સરનામું, અને માહિતી ટેલિફોન નંબર તરીકે સ્પષ્ટ વ્યક્તિગત આઇડેન્ટીફાયર દૂર કરવાની પ્રક્રિયા છે. જો કે, આ અભિગમ ઊંડે અને મૂળભૂત મર્યાદિત ઘણી ઓછી અસરકારક કરતાં ઘણા લોકો ખ્યાલ છે, અને તે હકીકત છે. આ કારણોસર, જ્યારે હું વર્ણન "anonymization," હું અવતરણ ચિહ્નો તમને યાદ છે કે આ પ્રક્રિયા અનામી દેખાવ નથી, પરંતુ સાચી ગુમનામી બનાવે છે ઉપયોગ કરીશું.

"Anonymization" ની નિષ્ફળતાના એક આબેહૂબ ઉદાહરણ મેસેચ્યુસેટ્સમાં 1990 ના દાયકાના અંત માંથી આવે છે (Sweeney 2002) . ગ્રુપ વીમા કમિશન (જીઆઇસી) એક સરકારી એજન્સી તમામ રાજ્ય કર્મચારીઓ માટે આરોગ્ય વીમો ખરીદી માટે જવાબદાર હતી. આ કામ દ્વારા, જીઆઇસી રાજ્ય કર્મચારીઓ હજારો વિશે વિગતવાર આરોગ્ય રેકોર્ડ એકત્ર કરી હતી. આરોગ્ય સુધારવા રીતે વિશે સંશોધન પ્રેરે પ્રયાસ માં, જીઆઇસી સંશોધકો આ રેકોર્ડ પ્રકાશિત કરવા માટે નિર્ણય કર્યો હતો. જો કે, તેઓ તેમની માહિતી તમામ શેર ન હતી; તેના બદલે, તેઓ જેમ કે નામ અને સરનામું તરીકે માહિતી દૂર કરીને "અનામી" તે. જો કે, તેઓ અન્ય જાણકારી માટે કે જે તેઓ માનવામાં જેમ વસ્તી વિષયક માહિતી (ઝીપ કોડ છે, જન્મ તારીખ, વંશીયતા, અને સેક્સ) અને તબીબી માહિતી (મુલાકાત માહિતી, નિદાન, પ્રક્રિયા) (આકૃતિ 6.4) તરીકે સંશોધકો માટે ઉપયોગી હોઈ શકે છે બાકી (Ohm 2010) . કમનસીબે, આ "anonymization" ડેટા રક્ષણ કરવા માટે પૂરતી ન હતી.

આકૃતિ 6.4, "anonymization" દેખીતી રીતે દૂર માહિતી ઓળખવા પ્રક્રિયા છે. ઉદાહરણ તરીકે, જ્યારે રાજ્ય કર્મચારીઓ મેડિકલ વીમા રેકોર્ડ મુક્ત મેસેચ્યુસેટ્સ ગ્રુપ વીમા કમિશન (જીઆઇસી) ફાઇલોમાંથી નામ અને સરનામું દૂર કર્યું. હું શબ્દ "anonymization" આસપાસ નો ઉપયોગ કારણ કે આ પ્રક્રિયા અનામી દેખાવ વાસ્તવિક અનામી પૂરી પાડે છે, પરંતુ નથી.

જીઆઈસી "anonymization" ખામીઓ સમજાવે છે, Latanya સ્વીની-પછી $ 20 એમઆઇટી પેઇડ કેમ્બ્રિજ, મેસાચ્યુએટ્સમાં ગવર્નર વિલિયમ વેલ્ડ ના વતન શહેરથી મતદાન રેકોર્ડ હસ્તગત ખાતે ગ્રેજ્યુએટ વિદ્યાર્થી. આ મતદાન રેકોર્ડ જેમ કે નામ, સરનામું, ઝીપ કોડ, જન્મ તારીખ, અને લિંગ માહિતી સમાવેશ થાય છે. હકીકત એ છે કે તબીબી માહિતી ફાઇલ અને મતદાર ફાઇલ શેર ક્ષેત્રો ઝિપ કોડ છે, જન્મ તારીખ, અને જાતિ અર્થ થાય છે કે સ્વીની તેમને લિંક કરી શકે છે. સ્વીની જાણતા હતા કે વેલ્ડ જન્મદિવસ 31 જુલાઈ, 1945 હતી, અને મતદાન રેકોર્ડ જન્મદિવસ સાથે કેમ્બ્રિજ માત્ર છ લોકો સમાવેશ થાય છે. વધુમાં, તે છ લોકો માત્ર ત્રણ પુરુષ હતા. અને, તે ત્રણ પુરુષો, માત્ર એક વેલ્ડ માતાનો ઝીપ કોડ શેર કર્યું છે. આમ, મતદાન માહિતી કે જન્મ તારીખ, જાતિ, અને ઝીપ કોડ વેલ્ડ ના મિશ્રણ સાથે તબીબી માહિતી કોઈને વિલિયમ વેલ્ડ હતી દર્શાવે છે. જરૂરીયાતમાં, માહિતી આ ત્રણ ટુકડાઓ માહિતી તેમને એક અનન્ય ફિંગરપ્રિન્ટ પૂરી પાડી હતી. આ હકીકત મદદથી, સ્વીની વેલ્ડ તબીબી રેકોર્ડ સ્થિત છે, અને તેને તેના પરાક્રમ જાણ કરવા સક્ષમ હતી, તે તેને તેના રેકોર્ડ એક નકલ મોકલવામાં (Ohm 2010) .

આકૃતિ 6.5 ફરી idenification "અનામી" માહિતી. Latanya સ્વીની ક્રમમાં ગવર્નર વિલિયમ વેલ્ડ ના તબીબી રેકોર્ડ શોધવા માટે મતદાન રેકોર્ડ સાથે "અનામ" આરોગ્ય રેકોર્ડ સંયુક્ત (Sweeney 2002) .

સ્વીની કામ દ-anonymization હુમલા મૂળભૂત માળખું સમજાવે હેતુથી કમ્પ્યુટર સુરક્ષા સમુદાય એક શબ્દ અપનાવી છે. આ હુમલા માં, બે માહિતી સમૂહો, ન તો જે પોતે દ્વારા સંવેદનશીલ માહિતી છતી કરે છે, કડી થયેલ હોય છે, અને આ જોડાણ મારફતે, સંવેદનશીલ માહિતી ખુલ્લા છે. કેટલીક રીતે આ પ્રક્રિયા છે કે જે રીતે સોડા અને સરકો, બે પદાર્થો કે પોતાને દ્વારા સુરક્ષિત છે પકવવા, બીભત્સ પરિણામ પેદા કરવા માટે ભેગા થઈ શકે છે જેવી જ છે.

સ્વીની કામ, અને અન્ય સંબંધિત કામ પ્રતિભાવમાં, સંશોધકો હવે સામાન્ય વધુ માહિતી બધા કહેવાતા "વ્યક્તિગત ઓળખ માહિતી" (PII) દૂર (Narayanan and Shmatikov 2010) ઘણા સંશોધકો હવે પ્રક્રિયા -during "anonymization." વધુમાં, ખ્યાલ છે કે ચોક્કસ માહિતી જેવી કે તબીબી રેકોર્ડ, નાણાકીય રેકોર્ડ, સર્વેક્ષણ ગેરકાયદે વિશે પ્રશ્નો જવાબ કદાચ પછી પણ રિલીઝ પણ સંવેદનશીલ વર્તન છે "anonymization." જો કે, વધુ તાજેતરના ઉદાહરણો છે કે જે હું નીચે વર્ણન કરીશું સૂચવે છે કે સામાજિક સંશોધકો કરવાની જરૂર છે પોતાના વિચારો બદલવાની. પ્રથમ પગલું છે, તે ધારે છે કે બધી માહિતી સંભવિત ઓળખી છે અને બધી માહિતી સંભવિત સંવેદનશીલ છે મુજબની છે. બીજા શબ્દોમાં કહીએ તો, તેના બદલે વિચારીને કે જાણકારીના જોખમ પ્રોજેક્ટ નાના ઉપગણ માટે લાગુ પડે છે, અમે ધારે જોઈએ કે તે લાગુ પડે છે-કેટલાક બધા પ્રોજેક્ટ ડિગ્રી છે.

આ ફરીથી અભિગમ બંને પાસાઓ Netflix પુરસ્કાર દ્વારા સમજાવી શકાય છે. પ્રકરણ 5 માં વર્ણવ્યા અનુસાર, Netflix 100 મિલિયન ફિલ્મ લગભગ 500,000 સભ્યો દ્વારા પૂરી પાડવામાં આવેલ રેટિંગ્સ પ્રકાશિત થાય છે, અને એક ઓપન કોલ જ્યાં વિશ્વના તમામ લોકો રજૂ ગાણિતીક નિયમો છે કે Netflix ફિલ્મો ભલામણ કરવાની ક્ષમતા સુધારવા શકે હતી. માહિતી મુક્ત પહેલાં, Netflix જેવા નામો તરીકે કોઇ દેખીતી રીતે વ્યક્તિગતરૂપે ઓળખવા માહિતી દૂર. Netflix પણ એક વધારાનું પગલું ગયા અને રેકોર્ડ કેટલાક થોડો અવરોધોને (દા.ત., 3 તારા 4 તારા કેટલાક રેટિંગ્સ બદલવા) રજૂ કરી હતી. Netflix ટૂંક સમયમાં જ શોધ્યું છે, જો કે તેમના પ્રયત્નો છતાં, માહિતી કોઈ હતા અનામી થાય છે.

માહિતી પછી માત્ર બે અઠવાડિયા પ્રકાશિત કરવામાં આવી હતી Narayanan and Shmatikov (2008) દર્શાવ્યું હતું કે તે ચોક્કસ લોકોને ફિલ્મ પસંદગીઓ વિશે જાણવા માટે શક્ય છે. તેમના ફરીથી ઓળખ હુમલો કરવા માટે યુક્તિ સ્વીની માતાનો સમાન હતી: સાથે મર્જ બે માહિતી સ્ત્રોતો, એક સંભવિત સંવેદનશીલ માહિતી અને કોઈ દેખીતી રીતે ઓળખવા માહિતી અને એક છે કે જે લોકો ઓળખ સમાવે છે. આ માહિતી સ્ત્રોત દરેક વ્યક્તિગત સુરક્ષિત હોઇ શકે છે, પરંતુ જ્યારે તેઓ જોડવામાં આવે છે મર્જ dataset જાણકારીના જોખમ બનાવી શકો છો. Netflix માહિતી કિસ્સામાં, અહીં તે કેવી રીતે બની શકે છે તેમ છે. કલ્પના કે હું ક્રિયા અને મારા સહકાર્યકરો સાથે કોમેડી ફિલ્મો વિશે મારા વિચારો શેર કરવા માટે પસંદ, પરંતુ હું ધાર્મિક અને રાજકીય ફિલ્મો વિશે મારા મંતવ્ય શેર કરવાનું પસંદ કરતા નથી છે. મારા સહ કામદારો માહિતી કે હું Netflix માહિતી મારી રેકોર્ડ શોધવા માટે તેમની સાથે શેર કરી ઉપયોગ કરી શકે છે; જાણકારી માટે કે જે હું શેર માત્ર વિલિયમ વેલ્ડ જન્મ તારીખ, ઝિપ કોડ છે, અને સેક્સ જેવા અનન્ય ફિંગરપ્રિન્ટ હોઈ શકે છે. પછી, જો તેઓ ડેટા મારા અનન્ય ફિંગરપ્રિન્ટ શોધવા માટે, તેઓ મારા રેટિંગ્સ ચલચિત્રો જ્યાં હું શેર કરવા માટે પસંદ ન કરો સહિત તમામ ફિલ્મો વિશે જાણવા શકે છે. એક વ્યક્તિ પર ધ્યાન કેન્દ્રિત કર્યું લક્ષિત હુમલો આ પ્રકારની ઉપરાંત, Narayanan and Shmatikov (2008) પણ દર્શાવે છે કે તે વ્યક્તિગત અને ફિલ્મ રેટિંગ માહિતી સાથે Netflix માહિતી મર્જ દ્વારા લોકો એક વ્યાપક હુમલો બનાવવું ઘણા સંડોવતા કરવા માટે શક્ય છે કે અમુક લોકો ઇન્ટરનેટ મૂવી ડેટાબેઝ (આઇએમડીબી) પર પોસ્ટ પસંદ કર્યા છે. કોઈપણ માહિતી ચોક્કસ વ્યક્તિ પણ તેમના ફિલ્મ ના સેટ માટે અનન્ય ફિંગરપ્રિન્ટ છે કે તેમને ઓળખવા માટે રેટિંગ્સ કરી શકે છે વાપરી શકાય છે.

તેમ છતાં Netflix માહિતી ક્યાં નિશાન અથવા વ્યાપક હુમલો ફરી ઓળખી શકાય છે, તે હજુ પણ નીચા જોખમ હોઈ દેખાય શકે છે. તમામ કર્યા પછી, ફિલ્મ રેટિંગ્સ ખૂબ સંવેદનશીલ લાગતું નથી. કે સામાન્ય રીતે સાચું હોઇ શકે છે, dataset માં 500,000 લોકો કેટલાક માટે, ફિલ્મ રેટિંગ્સ તદ્દન સંવેદનશીલ હોઇ શકે છે. હકીકતમાં, દ-anonymization જવાબમાં પુરાયેલા લેસ્બિયન સ્ત્રી Netflix સામે દાવો વર્ગ ક્રિયા જોડાયા હતા. અહીં તે કેવી રીતે સમસ્યા તેમના મુકદ્દમો વ્યક્ત કરવામાં આવી હતી (Singel 2009) :

"[એમ] ovie અને રેટિંગ માહિતી વધુ અત્યંત વ્યક્તિગત અને સંવેદનશીલ સ્વભાવ [એ જ પ્રમાણે] ના જાણકારી સમાવે છે. સભ્યની ફિલ્મ માહિતી Netflix સભ્ય વ્યક્તિગત રસ અને / અથવા કામુકતા, માનસિક બીમારી, મદ્યપાન રિકવરી અને કિન્નાખોરી વ્યભિચાર થી, શારીરિક શોષણ, ઘરેલુ હિંસા, વ્યભિચાર, અને બળાત્કાર સહિતના વિવિધ અત્યંત અંગત મુદ્દાઓ સાથે સંઘર્ષ હોય છે. "

Netflix પ્રાઇઝ માહિતી ડિ-anonymization સમજાવે બંને છે કે જે બધી માહિતી સંભવિત ઓળખી છે અને બધી માહિતી સંભવિત સંવેદનશીલ છે. આ બિંદુએ, તમને લાગે છે કે આ માત્ર માહિતી કે જે લોકો વિશે હોઈ purports લાગુ પડે છે. આશ્ચર્યજનક રીતે, તે કિસ્સામાં નથી. માહિતી લો વિનંતી એક ફ્રીડમ જવાબમાં, ન્યુ યોર્ક સિટી સરકાર 2013 માં ન્યૂ યોર્કમાં દરેક ટેક્સી સવારી રેકોર્ડ પ્રકાશિત થાય છે, દુકાન સહિત અને પ્રકરણ 2 થી વખત, સ્થાનો, અને ભાડું માત્રામાં (રિકોલ બોલ મૂકવા કે Farber (2015) શ્રમ અર્થશાસ્ત્ર મહત્વપૂર્ણ સિદ્ધાંતો) ચકાસવા માટે આ માહિતી ઉપયોગ થાય છે. તેમ છતાં ટેક્સી પ્રવાસો વિશે આ માહિતી સૌમ્ય લાગે છે કારણ કે તે લોકો વિશે માહિતી હોય એવું લાગતું નથી, એન્થોની Tockar સમજાયું કે આ ટેક્સી dataset ખરેખર લોકો વિશે સંભવિત સંવેદનશીલ માહિતી ઘણાં શામેલ છે. દાખલા તરીકે, તેમણે તમામ પ્રવાસો પર જોવામાં હુસ્ટલર ક્લબ મોટી સ્ટ્રીપ નવી ક્લબ મધરાત અને 6am અને પછી યોર્ક વચ્ચે તેમના ડ્રોપ બોલ સ્થાનો શરૂ મળી. આ શોધ જાહેર ઇન સાર એક કેટલાક લોકો હુસ્ટલર ક્લબ વારંવાર સરનામાં યાદી (Tockar 2014) . તે કલ્પના શહેરની સરકાર આ મન હતું કે જ્યારે તે માહિતી પ્રકાશિત મુશ્કેલ છે. હકીકતમાં, આ જ તરકીબ લોકો શહેરમાં એક મેડિકલ ક્લિનિક, સરકારી મકાન, અથવા એક ધાર્મિક સંસ્થા કોઈપણ સ્થળ મુલાકાત ઘર સરનામાં શોધવા માટે વાપરી શકાય છે.

કોઈ અનન્ય અર્થ દ્વારા આ બે કેસ Netflix પ્રાઇઝ અને ન્યુ યોર્ક સિટી ટેક્સી માહિતી દર્શાવે છે કે પ્રમાણમાં કુશળ લોકો યોગ્ય રીતે માહિતી છે કે તેઓ પ્રકાશિત જાણકારીના જોખમ અંદાજ નિષ્ફળ, અને આ કિસ્સાઓમાં છે (Barbaro and Zeller Jr 2006; Zimmer 2010; Narayanan, Huey, and Felten 2016) . વધુમાં, આ કિસ્સાઓમાં ઘણા સમસ્યાવાળા ડેટા હજી પણ મુક્તપણે ઉપલબ્ધ છે, ક્યારેય માહિતી પ્રકાશિત પૂર્વવત્ મુશ્કેલી સૂચવે છે. એકંદરે આ ઉદાહરણો તેમજ એક મહત્વપૂર્ણ તારણ પર ગોપનીયતા પગલે વિશે કોમ્પ્યુટર વિજ્ઞાન સંશોધન. સંશોધકોએ ધારે જોઈએ કે તમામ માહિતી સંભવિત ઓળખી છે અને બધી માહિતી સંભવિત સંવેદનશીલ હોય છે.

કમનસીબે, ત્યાં હકીકત એ છે કે બધી માહિતી સંભવિત ઓળખી છે અને બધી માહિતી સંભવિત સંવેદનશીલ છે આ બોલ પર કોઈ સરળ ઉકેલ છે. જો કે, એક માર્ગ માહિતી જોખમ ઘટાડવા માટે જ્યારે તમે માહિતી સાથે કામ કરી રહ્યા છે બનાવવા અને માહિતી રક્ષણ યોજના અનુસરો છે. આ યોજના તક છે કે જે તમારા ડેટા લીક થશે અને જો એક છિદ્ર કોઈક થાય નુકસાન ઘટશે ઘટે કરશે. માહિતી પ્રોટેક્શન પ્લાન્સ સ્પષ્ટીકરણો, જેમ કે એનક્રિપ્શન ફોર્મ વાપરવા માટે, સમય જતાં બદલાઈ જશે, પરંતુ યુકે ડેટા સર્વિસીસ ભૂમિકાઓ 5 વર્ગો કે તેઓ 5 safes કૉલ એક માહિતી રક્ષણ યોજના તત્વો આયોજન: સલામત પ્રોજેક્ટ, સલામત લોકો , સલામત સેટિંગ્સ, સલામત માહિતી, અને સલામત આઉટપુટ (કોષ્ટક 6.2) (Desai, Ritchie, and Welpton 2016) . પાંચ safes કંઈ વ્યક્તિગત સંપૂર્ણ રક્ષણ પૂરું પાડે છે. પરંતુ, સાથે સાથે તેઓ પરિબળો છે કે જાણકારીના જોખમ ઘટાડી શકે છે એક શક્તિશાળી સમૂહ રચે છે.

જ્યારે તમે તેનો ઉપયોગ કરવામાં આવે તમારો ડેટા રક્ષણ ઉપરાંત, સંશોધન પ્રક્રિયા જ્યાં જાણકારીના જોખમ ખાસ કરીને મુખ્ય છે એક પગલું અન્ય સંશોધકો સાથે માહિતી શેર કરે છે. વૈજ્ઞાનિકો વચ્ચે ડેટા શેરિંગ વૈજ્ઞાનિક પ્રયાસ એક કોર કિંમત છે, અને તે મોટા પ્રમાણમાં સુવિધાઓ જ્ઞાન ધ એડવાન્સમેન્ટ ઓફ. અહીં તે કેવી રીતે કોમન્સ યુકે હાઉસ માહિતી શેરિંગ મહત્વ વર્ણવેલ છે:

"માહિતી ઍક્સેસ મૂળભૂત જો સંશોધકો, પ્રજનન ચકાસો અને પરિણામો કે સાહિત્ય માં અહેવાલ છે પર બિલ્ડ કરવા માટે હોય છે. ધારણા હોવા જ જોઈએ કે, જ્યાં સુધી ત્યાં એક મજબૂત કારણ અન્યથા, માહિતી સંપૂર્ણપણે પ્રગટ કરવો જોઈએ અને જાહેર રીતે ઉપલબ્ધ બને. આ સિદ્ધાંત છે, જ્યાં શક્ય, બધા જાહેર ભંડોળથી ચાલતી સંશોધન સાથે સંકળાયેલ માહિતી વ્યાપક અને મુક્તપણે ઉપલબ્ધ થવી જોઈએ સાથે વાક્ય માં. " (Molloy 2011)

તેમ છતાં, અન્ય સંશોધક સાથે તમારી માહિતી શેર કરીને, તમે જાણકારીના જોખમ તમારા સહભાગીઓ વધારો કરી શકે છે. આમ, તે લાગે છે કે સંશોધકો છે, જેઓ તેમના શેર કરવા માંગો છો ડેટા અથવા તેમના શેર કરવા માટે જરૂરી છે માહિતી છે મૂળભૂત તણાવ સામનો. એક તરફ તેઓ અન્ય વૈજ્ઞાનિકો સાથે તેમની માહિતી શેર કરવા માટે એક નૈતિક જવાબદારી હોય છે, ખાસ કરીને જો મૂળ સંશોધન જાહેર ભંડોળથી ચાલતી આવે છે. હજુ સુધી, તે જ સમયે, સંશોધકો ઘટાડવા માટે એક નૈતિક જવાબદારી, શક્ય તેટલી હોય છે, તેમના સહભાગીઓ માટે માહિતી જોખમ.

સદનસીબે, આ મૂંઝવણ તે દેખાય છે તેટલી ગંભીર નથી. તે કોઈ ડેટા શેરિંગ એક અખંડ સાથે શેર પ્રકાશન અને ભૂલી જાઓ, જ્યાં માહિતી "અનામી" અને ઍક્સેસ કરવા માટે કોઈને માટે પોસ્ટ છે માહિતી (આકૃિત 6.6) વિચાર કરવા માટે મહત્વપૂર્ણ છે. આ આત્યંતિક સ્થિતિ બંને જોખમ અને લાભ છે. તે આપમેળે તમારા ડેટા શેર કરવા માટે સૌથી વધુ નૈતિક વસ્તુ નથી, છે; આવી અભિગમ સમાજ માટે ઘણા સંભવિત લાભો દૂર કરે છે. પરત સ્વાદ, સંબંધો, અને સમય, એક ઉદાહરણ પ્રકરણમાં અગાઉ ચર્ચા, માહિતી પ્રકાશન સામે દલીલો કરે છે કે જ શક્ય નુકસાન પર ધ્યાન કેન્દ્રિત છે અને તે શક્ય લાભ અવગણો પડતાં એક બાજુ છે; હું નીચે વધુ વિગતવાર આ એકતરફી, સભ્યોએ રક્ષણાત્મક અભિગમ સાથે સમસ્યાઓ વર્ણવે છે જ્યારે હું અનિશ્ચિતતા (વિભાગ 6.6.4) ના ચહેરા નિર્ણયો વિશે સલાહ આપશે.

આકૃિત 6.6: માહિતી પ્રકાશિત વ્યૂહરચના એક અખંડ સાથે પડી શકે છે. જ્યાં તમે પ્રયત્ન કરીશું સાથે આ અખંડ તમારી માહિતી ચોક્કસ વિગતો પર આધાર રાખે છે. આ કિસ્સામાં, તૃતીય પક્ષ સમીક્ષા તમે તમારા કિસ્સામાં જોખમ યોગ્ય સંતુલન અને લાભ નક્કી કરવામાં મદદ કરી શકે છે.

વધુમાં, આ બે કેસોમાં વચ્ચે શું હું આ દિવાલોથી બગીચામાં અભિગમ જ્યાં ડેટા જે લોકો ચોક્કસ માપદંડ અને જે ચોક્કસ નિયમો દ્વારા પાલન કરવા બંધાયેલા સંમત સાથે શેર કરવામાં આવે છે કહેવાય પડશે (દા.ત., એક IRB ના દૃશ્ય અને માહિતી પ્રોટેક્શન પ્લાન્સ) . આ દિવાલોથી બગીચામાં અભિગમ પ્રકાશન લાભો ઘણા પૂરી પાડે છે અને ઓછા જોખમ સાથે ભૂલી જાવ. અલબત્ત, એક દિવાલોથી બગીચો અભિગમ ઘણા પ્રશ્નો જેઓ વપરાશ હોવો જોઈએ, શું શરતો હેઠળ, લાંબા કેવી રીતે, જે જાળવવા અને દિવાલોથી બગીચો પોલીસ ચૂકવણી કરવી જોઇએ વગેરે પરંતુ આ દુસ્તર નથી બનાવે છે. હકીકતમાં, ત્યાં પહેલેથી જ સ્થળ છે કે સંશોધકો, જેમ કે ડેટા મિશિગન યુનિવર્સિટી ખાતે રાજકીય અને સામાજિક સંશોધન માટે ઇન્ટર-યુનિવર્સિટી કોન્સોર્ટિયમ આર્કાઇવ તરીકે હમણાં ઉપયોગ કરી શકો છો માં કોટ બગીચા કામ કરે છે.

તેથી, જ્યાં તમારા અભ્યાસ પરથી માહિતી કોઈ શેરિંગ, દિવાલોથી ગાર્ડન અખંડ પર પ્રયત્ન કરીશું, અને પ્રકાશન અને ભૂલશો? તે તમારી માહિતીને વિગતો પર આધાર રાખે છે; સંશોધકો કાયદો અને જાહેર વ્યાજ માટે વ્યક્તિઓ, અહેસાન, ન્યાય માટે આદર, અને આદર સંતુલન હોવું જ જોઈએ. જ્યારે અન્ય નિર્ણયો માટે યોગ્ય સંતુલન આકારણી સંશોધકો સલાહ અને IRBs મંજૂરી લેવી, અને માહિતી પ્રકાશિત માત્ર છે કે જે પ્રક્રિયા બીજા ભાગ હોઈ શકે છે. બીજા શબ્દોમાં કહીએ તો, જોકે કેટલાક લોકો એક નિરાશાજનક નૈતિક ભીની માહિતી પ્રકાશન લાગે છે, અમે પહેલાથી જ સિસ્ટમો જગ્યાએ સંશોધકો નૈતિક દુવિધાઓ આ પ્રકારની સંતુલન મદદ કરવા માટે હોય છે.

માહિતી શેરિંગ વિશે વિચારો એક અંતિમ માર્ગ અનુરૂપતા છે. દર વર્ષે કાર મૃત્યુ હજારો માટે જવાબદાર છે, પરંતુ અમે ડ્રાઇવિંગ પ્રતિબંધ કરવાનો પ્રયાસ નથી. હકીકતમાં, જેમ કે કોલ ડ્રાઇવિંગ પ્રતિબંધ વાહિયાત છે, કારણ કે ડ્રાઇવિંગ ઘણી અદ્ભુત બાબતો સક્રિય કરે છે. તેના બદલે, સમાજ મૂકે જે વાહન કરી શકો છો પર પ્રતિબંધ (દા.ત., એક ચોક્કસ વય પ્રયત્ન કરવાની જરૂર છે, ચોક્કસ પરીક્ષણ પાસ હોવું જરૂરી છે) અને તેઓ કેવી રીતે વાહન કરી શકો છો (દા.ત., ઝડપ મર્યાદા હેઠળ). સોસાયટી પણ આ નિયમો (દા.ત., પોલીસ) દબાણ સાથે કામ કરી રહી લોકો છે, અને અમે લોકો તેમને ભંગ પડેલા છે સજા. સંતુલિત વિચાર આ જ પ્રકારની છે કે જે સમાજ ડ્રાઇવિંગ નિયમન લાગુ પડે છે પણ ડેટા શેરિંગ માટે લાગુ પાડી શકાય છે. તેના બદલે માટે અથવા માહિતી શેર સામે નિરંકુશ દલીલો કરતાં, મને લાગે છે કે સૌથી મોટી લાભ બહાર figuring અમે વધુ માહિતી વધુ સુરક્ષિત રીતે શેર કરી શકો છો કેવી રીતે આવે છે.

પૂર્ણ, જાણકારીના જોખમ નાટકીય રીતે વધારો થયો છે, અને તે આગાહી અને જથ્થામાં ખૂબ જ મુશ્કેલ છે. તેથી, તે ધારે છે કે બધી માહિતી સંભવિત રૂપે ઓળખી શકાય તેવી અને સંભવિત સંવેદનશીલ છે શ્રેષ્ઠ છે. જાણકારીના જોખમ ઘટાડવા માટે જ્યારે સંશોધન કરી, સંશોધકો બનાવવા અને માહિતી રક્ષણ યોજના અનુસરી શકે છે. વધુમાં, જાણકારીના જોખમ અન્ય વૈજ્ઞાનિકો સાથે માહિતી શેર સંશોધકો અટકાવતું નથી.