વધુ કોમેન્ટરી

આ વિભાગ બદલે કથા વાંચી શકાય એક સંદર્ભ તરીકે ઉપયોગ કરવા માટે રચાયેલ છે.

• પરિચય (વિભાગ 6.1)

સંશોધન નીતિશાસ્ત્ર પરંપરાગત પણ આવા વૈજ્ઞાનિક છેતરપિંડી અને ક્રેડિટ ફાળવણી કે વિષયો સમાવેશ થાય છે. આ મુદ્દાઓ વધુ વિગતવાર ચર્ચા કરવામાં આવે છે Engineering (2009) .

આ પ્રકરણ મજબૂત યુનાઈટેડ સ્ટેટ્સ ઑફ પરિસ્થિતિ દ્વારા આકાર આપવામાં આવે છે. અન્ય દેશોમાં નૈતિક સમીક્ષા કાર્યવાહી પર વધુ માટે, પ્રકરણ 6, 7, 8 જુઓ, અને 9 Desposato (2016b) . એક દલીલ બાયોમેડિકલ નૈતિક સિદ્ધાંતો કે આ પ્રકરણ પર પ્રભાવ પાડ્યો છે વધુ પડતી અમેરિકન છે માટે, જુઓ Holm (1995) . આ યુ માં સંસ્થાકીય સમીક્ષા બોર્ડ વધુ ઐતિહાસિક સમીક્ષા માટે, જુઓ Stark (2012) .

બેલમોન્ટ રિપોર્ટ અને અમેરિકામાં અનુગામી નિયમો સંશોધન અને અભ્યાસ વચ્ચે તફાવત કર્યા છે. આ તફાવત ત્યારબાદ ટીકા કરવામાં આવી છે (Beauchamp and Saghai 2012; boyd 2016; Metcalf and Crawford 2016; Meyer 2015) . કારણ કે મને લાગે છે કે નૈતિક સિદ્ધાંતો અને માળખા બંને સુયોજનો લાગુ પડે છે હું આ પ્રકરણમાં આ તફાવત બનાવવા નથી. ફેસબુક પર સંશોધન દૃશ્ય પર વધુ માટે, જુઓ Jackman and Kanerva (2016) . કંપનીઓ અને સ્વૈચ્છિક સંસ્થાઓ પર સંશોધન દેખરેખ માટે એક દરખાસ્ત માટે, જુઓ Polonetsky, Tene, and Jerome (2015) અને Tene and Polonetsky (2016) .

2014 માં Ebola ફાટી નીકળ્યા કેસ પર વધુ માટે, જુઓ McDonald (2016) , અને મોબાઇલ ફોન માહિતી ગોપનીયતા જોખમો વિશે વધુ માટે, જુઓ Mayer, Mutchler, and Mitchell (2016) . મોબાઇલ ફોન માહિતી મદદથી કટોકટી સંબંધિત સંશોધન એક ઉદાહરણ માટે, જુઓ Bengtsson et al. (2011) અને Lu, Bengtsson, and Holme (2012) .

• ત્રણ ઉદાહરણો (વિભાગ 6.2)

ઘણા લોકો લાગણીનો સંસર્ગ વિશે લખ્યું છે. જર્નલ સંશોધન એથિક્સ જાન્યુઆરી 2016 પ્રયોગ ચર્ચા તેમના સમગ્ર મુદ્દો સમર્પિત; જોવા Hunter and Evans (2016) એક ઝાંખી છે. : વિજ્ઞાન નેશનલ શિક્ષણવિંદો ઓફ કાર્યવાહીઓ પ્રયોગ વિશે બે ટુકડા પ્રકાશિત Kahn, Vayena, and Mastroianni (2014) અને Fiske and Hauser (2014) . પ્રયોગ વિશે અન્ય ટુકડાઓ સમાવેશ થાય છે: Puschmann and Bozdag (2014) ; Meyer (2014) ; Grimmelmann (2015) ; Meyer (2015) ; Selinger and Hartzog (2015) ; Kleinsman and Buckley (2015) ; Shaw (2015) ; Flick (2015) .

એન્કોર પર વધુ માટે, જુઓ Jones and Feamster (2015) .

• ડિજિટલ અલગ છે (વિભાગ 6.3)

માસ સર્વેલન્સ દ્રષ્ટિએ, વ્યાપક નિરીક્ષણો પૂરી પાડવામાં આવે છે Mayer-Schönberger (2009) અને Marx (2016) . સર્વેલન્સ બદલાતી ખર્ચ એક નક્કર ઉદાહરણ માટે, Bankston and Soltani (2013) અંદાજ છે કે ફોજદારી શંકા ટ્રેકિંગ સેલ ફોન ઉપયોગ વિશે 50 વખત શારીરિક સર્વેલન્સ મદદથી કરતાં સસ્તી છે. Bell and Gemmell (2009) સ્વ પર વધુ આશાવાદી પરિપ્રેક્ષ્ય પૂરી પાડે છે સર્વેલન્સ. અવલોકનક્ષમ વર્તણૂક જાહેર અથવા આંશિક રીતે જાહેર (દા.ત., સ્વાદ, સંબંધો, અને સમય) છે ટ્રેક કરવા માટે સક્ષમ હોવા ઉપરાંત, સંશોધકો વધુને વધુ વસ્તુઓ છે કે જે ઘણા સહભાગીઓએ ખાનગી ગણે છે અટકળ બાંધવી કરી શકો છો. ઉદાહરણ તરીકે, માયકલ Kosinski અને સહકર્મીઓ દર્શાવે છે કે તેઓ જેમ કે જાતીય નિર્ધારણ અને મોટે ભાગે સામાન્ય ડિજિટલ ટ્રેસ માહિતી વ્યસન પદાર્થો ઉપયોગ (ફેસબુક પસંદ) લોકો વિશે સંવેદનશીલ માહિતી અટકળ બાંધવી કરી શકે છે (Kosinski, Stillwell, and Graepel 2013) . આ જાદુઈ ધ્વનિ શકે છે, પરંતુ અભિગમ Kosinski અને સહકર્મીઓ ઉપયોગ જે ડિજિટલ નિશાનો, સર્વેક્ષણો સાથે જોડાયેલું છે, અને દેખરેખ ખરેખર કંઈક કે હું પહેલેથી જ તમારા વિશે કહ્યું છે શીખવાની છે. જણાવ્યું હતું કે પ્રકરણ 3 (પ્રશ્નો પૂછવા) હું તમને જણાવ્યું હતું કે જોશ Blumenstock અને સાથીદારો (2015) મોબાઇલ ફોન માહિતી સાથે જોડાઈ મોજણી માહિતી રવાંડા ગરીબી અંદાજ. આ ચોક્કસ જ અભિગમ અપનાવ્યો, જે અસરકારક રીતે, વિકાસશીલ દેશમાં ગરીબી માપવા માટે વાપરી શકાય છે પણ સંભવિત ગોપનીયતા ભંગ અનુમાન માટે ઉપયોગ કરી શકો છો.

અસંગત કાયદાઓ અને નિયમો સંશોધન કે સહભાગીઓ ની ઇચ્છા આદર નથી પરિણમી શકે છે, અને તે સંશોધકો દ્વારા "નિયમનકારી શોપિંગ" પરિણમી શકે છે (Grimmelmann 2015; Nickerson and Hyde 2016) . ખાસ કરીને, કેટલાક સંશોધકો છે, જેઓ IRB દૃશ્ય ટાળવા માંગો છો જે ભાગીદારો IRBs દ્વારા આવરી લેવામાં આવે છે (દા.ત., કંપનીઓ અથવા એનજીઓ પર લોકો) ભેગી કરે છે અને દ-ઓળખવા માહિતી. પછી, સંશોધકો ઓછામાં ઓછા વર્તમાન નિયમો કેટલાક અર્થઘટનો અનુસાર IRB દૃશ્ય વગર આ દ-ઓળખી માહિતી વિશ્લેષણ કરી શકે છે. IRB કરચોરી આ પ્રકારની સિદ્ધાંતો આધારિત અભિગમ સાથે અસંગત હોય તેવું લાગે છે.

અસંગત અને વિજાતીય વિચારો લોકો આરોગ્ય માહિતી છે તેના પર વધુ માટે, જુઓ Fiore-Gartland and Neff (2015) . સમસ્યા પર વધુ કે વૈવિધ્યનો સંશોધન એથિક્સ બનાવે છે માટે નિર્ણયો જોવા Meyer (2013) .

એનાલોગ ઉંમર અને ડિજિટલ ઉંમર સંશોધન વચ્ચે એક તફાવત એ છે કે ડિજિટલ વય માં સહભાગીઓ સાથે સંશોધન ક્રિયાપ્રતિક્રિયા વધુ દૂરના છે. આ ક્રિયાપ્રતિક્રિયાઓ ઘણીવાર એક કંપની તરીકે મધ્યસ્થી મારફતે થાય છે, અને ત્યાં ખાસ કરીને સંશોધકો અને સહભાગીઓ વચ્ચે વિશાળ શારીરિક અને સામાજિક અંતર છે. આ દૂરના ક્રિયાપ્રતિક્રિયા, જેમ કે ખાસ કરીને જે સહભાગીઓને વધારાની સુરક્ષા જરૂર બહાર સ્ક્રીનિંગના પ્રતિકૂળ ઘટનાઓ શોધવા, અને નુકસાન ઉપાય જો તે થાય કારણ કે કેટલીક વસ્તુઓ છે કે ડિજિટલ વય સંશોધન મુશ્કેલ એનાલોગ ઉંમર સંશોધન સરળ હોય છે, બનાવે છે. ઉદાહરણ તરીકે, ચાલો આ જ વિષય પર એક કાલ્પનિક લેબ પ્રયોગ સાથે લાગણીનો સંસર્ગ વિપરીત દો. લેબ પ્રયોગ માં, સંશોધકોએ જે કોઈને ભાવનાત્મક તણાવ સ્પષ્ટ સંકેતો દર્શાવે લેબ પર પહોંચે બહાર સ્ક્રીન શકે છે. વધુમાં, લેબ પ્રયોગ પ્રતિકૂળ ઘટના બનાવી હોય, તો સંશોધકો તેને જોઈ શકે છે, નુકસાન સિદ્ધાંતોનો સેવાઓ પૂરી પાડે છે, અને પછી ભવિષ્યમાં નુકસાન અટકાવવા માટે પ્રાયોગિક પ્રોટોકોલ માટે ગોઠવણો કરી. વાસ્તવિક લાગણીનો સંસર્ગ પ્રયોગ ક્રિયાપ્રતિક્રિયા દૂરના પ્રકૃતિ આ સરળ અને યોગ્ય પગલાંઓ દરેક અત્યંત મુશ્કેલ બનાવે છે. પણ, હું શંકા છે કે સંશોધકો અને સહભાગીઓ વચ્ચે અંતર તેમના સહભાગીઓ ચિંતા સંશોધકો ઓછા સંવેદનશીલ બનાવે છે.

અસંગત ધોરણો અને નિયમો અન્ય સ્રોતો. આ અસંગતિ કેટલાક હકીકત એ છે કે આ સંશોધન સમગ્ર વિશ્વમાં થઈ રહ્યું છે માંથી આવે છે. ઉદાહરણ તરીકે, એન્કોર બધા વિશ્વના લોકો સામેલ છે, અને તેથી તે ડેટા રક્ષણ અને ઘણાં વિવિધ દેશોમાં ગોપનીયતા કાયદા વિષય હોઈ શકે છે. તો શું તૃતીય પક્ષ વેબ અરજીઓ (શું એન્કોર કરી હતી) થી જર્મની અલગ અલગ હોય છે, યુનાઈટેડ સ્ટેટ્સ, કેન્યા, અને ચાઇના શાસન ધોરણો? તો શું ધોરણો એક દેશની અંદર પણ સુસંગત નથી? અસંગતિ એક બીજા સ્ત્રોત યુનિવર્સિટીઓ અને કંપનીઓ ખાતે સંશોધકો વચ્ચે સહયોગ માંથી આવે છે; ઉદાહરણ તરીકે, ભાવનાત્મક સંસર્ગ ફેસબુક પર માહિતી વિજ્ઞાની અને કોર્નેલ ખાતે પ્રોફેસર અને સ્નાતક વિદ્યાર્થી વચ્ચે સહયોગ હતી. ફેસબુક પર મોટા પ્રયોગો ચાલી નિયમિત હોય છે, અને તે સમયે, કોઈપણ તૃતીય પક્ષ નૈતિક સમીક્ષા જરૂરી ન હતી. કોર્નેલ ધોરણો અને નિયમો એકદમ અલગ છે; લગભગ તમામ પ્રયોગો કોર્નેલ IRB દ્વારા સમીક્ષા થવી જોઈએ. તેથી, નિયમો સેટ લાગણીનો સંસર્ગ ફેસબુક અથવા કોર્નેલ માતાનો શાસન જોઈએ?

સામાન્ય નિયમ સુધારો કરવા માટે પ્રયાસો પર વધુ માટે, જુઓ Evans (2013) , Council (2014) , Metcalf (2016) , અને Hudson and Collins (2015) .

• ચાર સિદ્ધાંતો (વિભાગ 6.4)

બાયોમેડિકલ નીતિશાસ્ત્ર ક્લાસિક સિદ્ધાંતો આધારિત અભિગમ છે Beauchamp and Childress (2012) . તેઓ પ્રસ્તાવ કે ચાર મુખ્ય સિદ્ધાંતો બાયોમેડિકલ નીતિશાસ્ત્ર માર્ગદર્શન જોઈએ: સ્વાયત્તતા Nonmaleficence, અહેસાન, અને ન્યાય માટે આદર. nonmaleficence સિદ્ધાંત અન્ય લોકો પહોંચાડ્યા દૂર રહેવું એક વિનંતી કરે છે. આ ખ્યાલ ઊંડે હિપોક્રેટિક વિચાર સાથે જોડાયેલ છે "કોઈ નુકસાન કરે છે." સંશોધન એથિક્સ માં, આ સિદ્ધાંત વારંવાર અહેસાન ના સિદ્ધાંત સાથે જોડાયેલો હોય છે, પરંતુ જુઓ Beauchamp and Childress (2012) (પ્રકરણ 5) બે વચ્ચે તફાવત પર વધુ માટે . ટીકા આ સિદ્ધાંતો પડતાં અમેરિકન છે માટે, જુઓ Holm (1995) . સંતુલન પર વધુ માટે જ્યારે સિદ્ધાંતો સંઘર્ષ, જુઓ Gillon (2015) .

આ પ્રકરણમાં ચાર સિદ્ધાંતો પણ કંપનીઓ અને સ્વૈચ્છિક સંસ્થાઓ પર થઈ રહ્યું સંશોધન માટે નૈતિક દૃશ્ય માર્ગદર્શન દરખાસ્ત કરવામાં આવી છે (Polonetsky, Tene, and Jerome 2015) સંસ્થાઓ "ગ્રાહક વિષય સમીક્ષા બોર્ડ" (CSRBs) કહેવાય દ્વારા (Calo 2013) .

• વ્યક્તિઓ માટે આદર (વિભાગ 6.4.1)

સ્વાયત્તતા વિષે ઉપરાંત, બેલમોન્ટ રિપોર્ટ પણ સ્વીકારે છે કે દરેક માનવ સાચા સ્વ-નિર્ધારના સક્ષમ છે. ઉદાહરણ તરીકે, બાળકો, લોકો માંદગી પીડાતા અથવા ગંભીર પ્રતિબંધિત સ્ટેચ્યુ ઓફ પરિસ્થિતિઓમાં રહેતા લોકો સંપૂર્ણપણે સ્વાયત્ત વ્યક્તિઓ કામ કરવા માટે સમર્થ નહિં હોઈ શકે છે, અને આ લોકો છે, તેથી, વધારાની સુરક્ષા માટે વિષય.

ડિજિટલ વય માં વ્યક્તિઓ માટે આદર સિદ્ધાંતને લાગુ પાડવાનો પડકારરૂપ હોઈ શકે છે. ઉદાહરણ તરીકે, ડિજિટલ વય સંશોધન, તે મુશ્કેલ સ્વ નિર્ધારના હતપ્રભ ક્ષમતા સાથે લોકો માટે વધારાની સુરક્ષા પૂરી પાડવા માટે, કારણ કે સંશોધકોએ ઘણી વખત તેમના સહભાગીઓ વિશે બહુ ઓછી ખબર હોઇ શકે છે. વધુમાં, ડિજિટલ વય સામાજિક સંશોધન જાણકાર સંમતિ એક વિશાળ પડકાર છે. કેટલાક કિસ્સાઓમાં, સાચી જાણકાર સંમતિ પારદર્શકતા વિરોધાભાસ પીડાય છે (Nissenbaum 2011) , જ્યાં માહિતી અને સમજણ સંઘર્ષ છે. આશરે, જો સંશોધકો માહિતી સંગ્રહ, માહિતી વિશ્લેષણ, અને માહિતી સુરક્ષા પ્રયાસોનો સ્વભાવ વિશે સંપૂર્ણ માહિતી પૂરી પાડે છે, તે મુશ્કેલ ઘણા સહભાગીઓએ આકલન કરવા માટે પ્રયત્ન કરશે. પરંતુ, જો સંશોધકો સમજી માહિતી પૂરી પાડે છે, તે મહત્વનું ટેકનિકલ માહિતી અભાવ હોઈ શકે છે. એનાલોગ વય પ્રભુત્વ બેલમોન્ટ રિપોર્ટ એક ગણવામાં સેટિંગ તબીબી સંશોધનમાં કલ્પના કરી શકે છે એક ડૉક્ટર દરેક સહભાગી સાથે વ્યક્તિગત રીતે વાત પારદર્શકતા વિરોધાભાસ ઉકેલવા મદદ કરે છે. ઓનલાઇન હજારો અથવા લાખો લોકોને સાંકળતા એક અભ્યાસમાં, જેમ કે એક ચહેરો-થી-ચહેરો અભિગમ અશક્ય છે. ડિજિટલ વય માં સંમતિ સાથે બીજી સમસ્યા એ છે કે આવા મોટા ડેટા રીપોઝીટરીઓ વિશ્લેષણ તરીકે કેટલાક અભ્યાસો માં, તે બધા સહભાગીઓ જાણકાર સંમતિ મેળવવા માટે અવ્યવહારુ હશે છે. હું કલમ 6.6.1 વધુ વિગતવાર જાણકાર સંમતિ વિશે આ અને અન્ય પ્રશ્નો ચર્ચા કરો. આ મુશ્કેલીઓ છતાં, આપણે યાદ રાખવું જોઈએ કે જાણકાર સંમતિ ન જરૂરી ન વ્યક્તિઓ માટે આદર માટે પૂરતી છે.

જાણકાર સંમતિ પહેલાં તબીબી સંશોધન પર વધુ માટે, જુઓ Miller (2014) . જાણકાર સંમતિ એક પુસ્તક લંબાઈ સારવાર માટે, જુઓ Manson and O'Neill (2007) . આ પણ જુઓ નીચે જાણકાર સંમતિ વિશે સૂચન વાંચન.

• અહેસાન (વિભાગ 6.4.2)

સંદર્ભ નુકસાન નુકસાન કે સંશોધન ચોક્કસ લોકો નથી પરંતુ સામાજિક સેટિંગ્સ કારણ બની શકે છે. આ વિચાર થોડો અલગ છે, પરંતુ હું બે ઉદાહરણો સાથે સમજાવે પડશે: એક એનાલોગ અને ડિજિટલ.

સંદર્ભ નુકસાન એક ઉત્તમ ઉદાહરણ વિચિતા જ્યુરી અભ્યાસ [માંથી આવે છે Vaughan (1967) ; Katz, Capron, and Glass (1972) ; અધ્યાય 2] -. પણ ક્યારેક શિકાગો જ્યુરી પ્રોજેક્ટ કહેવાય (Cornwell 2010) . યુનિવર્સિટી ઓફ શિકાગો થી આ અભ્યાસમાં સંશોધકોએ કાનૂની સિસ્ટમ સામાજિક પાસાઓ ગુપ્ત વિચિતા, કાન્સાસ છ જૂરી ત્યા રેકોર્ડ વિશે મોટા અભ્યાસ ભાગ તરીકે. ન્યાયમૂર્તિઓ અને કિસ્સાઓમાં વકીલો રેકોર્ડિંગ મંજૂરી આપી હતી, અને આ પ્રક્રિયા કડક દેખરેખ હતી. જો કે, જૂરીનો અજાણ છે કે રેકોર્ડિંગ બનતું હતા. એકવાર અભ્યાસ શોધ કરવામાં આવી હતી, ત્યાં જાહેર અત્યાચાર હતી. ન્યાય વિભાગ અભ્યાસ એ તપાસ શરૂ કરી અને સંશોધકો કોંગ્રેસ સામે પુરાવો આપવો તરીકે ઓળખાતા હતા. આખરે, કોંગ્રેસ એક નવો કાયદો તે ગેરકાયદેસર ગુપ્ત જૂરી વિમર્શ રેકોર્ડ બનાવે છે કે જે પસાર કર્યો હતો.

વિચિતા જ્યુરી અભ્યાસ સહભાગીઓ માટે નુકસાન ન હતી ટીકાકારો ચિંતા; તેના બદલે, તે જૂરી વિમર્શ સંદર્ભ નુકસાન હતી. એટલે કે, લોકો માને છે કે જો આ જૂરી સભ્યો માનતા ન હતા કે તેઓ એક સલામત અને સુરક્ષિત જગ્યા ચર્ચાઓ કર્યા હતા, તે જૂરી ત્યા ભવિષ્યમાં આગળ વધવા માટે સખત હશે. જૂરી વિમર્શ કરવા માટે વધુમાં, ત્યાં અન્ય ચોક્કસ સામાજિક સંદર્ભમાં કે સમાજના આવા એટર્ની ક્લાઈન્ટ સંબંધો અને માનસિક કાળજી વધારાની સુરક્ષા સાથે પૂરી પાડે છે છે (MacCarthy 2015) .

સંદર્ભ અને સામાજિક સિસ્ટમો વિક્ષેપ નુકસાન જોખમ પણ પોલિટિકલ સાયન્સમાં કેટલાક ક્ષેત્ર પ્રયોગો આવે (Desposato 2016b) . રાજકીય વિજ્ઞાન એક ક્ષેત્ર પ્રયોગ માટે વધુ સંદર્ભ-સંવેદી ખર્ચ લાભ ગણતરી એક ઉદાહરણ માટે, જુઓ Zimmerman (2016) .

• જસ્ટિસ (વિભાગ 6.4.3)

સહભાગીઓ માટે વળતર ડિજિટલ વય સંશોધન સંબંધિત સેટિંગ્સ સંખ્યાબંધ ચર્ચા કરવામાં આવી છે. Lanier (2014) ડિજિટલ નિશાનો તેઓ પેદા માટે સહભાગીઓ ભરવા માટે પ્રસ્તાવ મૂક્યો. Bederson and Quinn (2011) ઓનલાઇન શ્રમ બજારમાં ચૂકવણી ચર્ચા કરે છે. છેલ્લે, Desposato (2016a) ક્ષેત્ર પ્રયોગો માં સહભાગીઓની ભરવા દરખાસ્ત કરે છે. તેમણે નિર્દેશ કરે છે કે તો પણ સહભાગીઓ સીધા જ ચૂકવવામાં કરી શકાતી નથી, દાન તેમના વતી કામ જૂથ કરી શકાય છે. ઉદાહરણ તરીકે, એન્કોર સંશોધકો ઈન્ટરનેટ વપરાશ આધાર આપવા માટે કામ જૂથ માટે દાન કરવામાં આવી શકે છે.

• કાયદો અને જાહેર વ્યાજ માટે આદર (વિભાગ 6.4.4)

શરતો ની સેવા કરાર સમાન પક્ષો અને કાયદેસર સરકાર દ્વારા બનાવવામાં કાયદા વચ્ચેની વાટાઘાટ કરાર કરતાં ઓછા વજન હોવી જોઇએ. આવી પરિસ્થિતિઓમાં જ્યાં સંશોધકો ભૂતકાળમાં શરતો ની સેવા કરાર ભંગ કર્યો છે સામાન્ય રીતે ઓટોમેટ પ્રશ્નો મદદથી કંપનીઓ વર્તન ઓડિટ (ખૂબ ક્ષેત્ર પ્રયોગો જેવા ભેદભાવ માપવા) સમાવેશ થાય છે. વધારાના ચર્ચા માટે જુઓ Vaccaro et al. (2015) , Bruckman (2016a) , Bruckman (2016b) . પ્રયોગમૂલક સંશોધન એક ઉદાહરણ કે સેવાની શરતો ચર્ચા માટે, જુઓ Soeller et al. (2016) . શક્ય કાનૂની સમસ્યાઓ સંશોધકો ચહેરા પર વધુ માટે જો તેઓ ઉલ્લંઘન સેવાની શરતો જુઓ Sandvig and Karahalios (2016) .

• બે નૈતિક માળખા (વિભાગ 6.5)

દેખીતી રીતે, પ્રચંડ માત્રામાં consequentialism અને સદાચારશાસ્ત્ર વિશે લખવામાં આવ્યા છે. કેવી રીતે આ નૈતિક માળખા, અને અન્ય એક ઉદાહરણ તરીકે, ડિજિટલ વય સંશોધન વિશે કારણ જુઓ કરવા માટે વાપરી શકાય Zevenbergen et al. (2015) . કેવી રીતે આ નૈતિક માળખા ક્ષેત્ર પ્રયોગો માટે લાગુ પાડી શકાય છે માં અર્થશાસ્ત્ર વિકાસ એક ઉદાહરણ માટે, જુઓ Baele (2013) .

• જાણકાર સંમતિ (વિભાગ 6.6.1)

ભેદભાવ ઓડિટ અભ્યાસ પર વધુ માટે, જુઓ Pager (2007) અને Riach and Rich (2004) . માત્ર નથી આ અભ્યાસ જાણકાર સંમતિ નથી, તેઓ પણ છેતરપિંડી debriefing વગર સમાવેશ થાય છે.

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

Sommers and Miller (2013) છેતરપિંડી પછી સહભાગીઓ debriefing નથી તરફેણમાં બધી દલીલો સમીક્ષાઓ અને એવી દલીલ કરે છે કે સંશોધકો જતું જોઈએ "સંજોગો, એટલે કે એક અત્યંત સાંકડી સેટ હેઠળ debriefing ક્ષેત્ર સંશોધન જેમાં debriefing નોંધપાત્ર વ્યવહારુ અવરોધો પરંતુ સંશોધકો હશે ઉભો, કોઈ જો તેઓ કરી શકે છે debriefing વિશે qualms. સંશોધકોએ ક્રમમાં નિષ્કપટ સહભાગી પૂલ સાચવવા પોતાને સહભાગી ગુસ્સો ઢાલ, અથવા નુકસાન માંથી સહભાગીઓ રક્ષણ કરવા માટે debriefing જતું કરવા માટે પરવાનગી ન જોઈએ. "બીજા કેટલાકની દલીલ છે debriefing સારી કરતાં તે ટાળવો જોઈએ વધારે નુકસાન કારણ બને છે જો. Debriefing એક કેસ જ્યાં કેટલાક સંશોધકો અહેસાન પર વ્યક્તિઓ માટે આદર પ્રાથમિકતા છે, અને કેટલાક સંશોધકો વિરોધી કરવું. એક શક્ય ઉકેલ સહભાગીઓ માટે એક અધ્યયન અનુભવ debriefing બનાવવા માટે માર્ગો શોધવા માટે હશે. તેના બદલે કંઈક કે જે નુકસાન કારણ બની શકે છે કારણ કે debriefing વિચારી, કદાચ debriefing પણ કંઈક કે જે સહભાગીઓ લાભ હોઈ શકે છે કરતાં, છે. શિક્ષણ debriefing આ પ્રકારની એક ઉદાહરણ માટે, જુઓ Jagatic et al. (2007) એક સામાજિક ફિશીંગ પ્રયોગ પછી વિદ્યાર્થીઓ debriefing પર. મનોવૈજ્ઞાનિકો debriefing માટે તકનીકો વિકસાવી છે (DS Holmes 1976a; DS Holmes 1976b; Mills 1976; Baumrind 1985; Oczak and Niedźwieńska 2007) અને આમાંના કેટલાક ઉપયોગીતાને ડિજિટલ વય સંશોધન લાગુ પડી શકે છે. Humphreys (2015) વિલંબિત સંમતિ વિશે રસપ્રદ વિચારો આપે છે, જે નજીકથી debriefing વ્યૂહરચના કે હું વર્ણવેલ સાથે સંબંધિત છે.

તેમના સંમતિ માટે સહભાગીઓ એક નમૂનો પૂછવા વિચાર શું સંબંધિત છે Humphreys (2015) અનુમાનિત સંમતિ કહે છે.

એક વધુ વિચાર કે જાણકાર સંમતિ સંબંધિત દરખાસ્ત કરવામાં આવી છે એ લોકો જે પ્રયોગો હોઈ સંમત એક પેનલ બનાવી છે (Crawford 2014) . કેટલાંક દલીલ કરે છે કે આ પેનલ લોકો બિન-રેન્ડમ નમૂના હશે. પરંતુ, પ્રકરણ 3 (પ્રશ્નો પૂછવા) બતાવે છે કે આ સમસ્યા પોસ્ટ સ્તરીકરણ અને નમૂના બંધબેસતી મદદથી સંભવિત એડ્રેસેબલ છે. પણ, સંમતિ પેનલ પર હોવા પ્રયોગો વિવિધ આવરી લે છે. બીજા શબ્દોમાં કહીએ તો, સહભાગીઓ વ્યક્તિગત રીતે દરેક પ્રયોગ કરવાની સંમતિ આપો કરવાની જરૂર નથી શકે છે, એક ખ્યાલ વ્યાપક સંમતિ કહેવાય (Sheehan 2011) .

• સમજ અને મેનેજિંગ જાણકારીના જોખમ (વિભાગ 6.6.2)

અનન્ય દૂર છે, Netflix પ્રાઇઝ ડેટાસેટ્સ છે કે જે લોકો વિશે વિગતવાર જાણકારી સમાવે છે એક મહત્વપૂર્ણ ટેકનિકલ મિલકત સમજાવે છે, અને આમ આધુનિક સામાજિક ડેટાસેટ્સ "anonymization" શક્યતા વિશે મહત્વપૂર્ણ પાઠ તક આપે છે. દરેક વ્યક્તિ વિશે જાણકારી ઘણા ટુકડાઓ સાથે ફાઈલો અર્થમાં ઔપચારિક વ્યાખ્યાયિત સ્પર્શ હોઈ શકે તેવી શક્યતા છે Narayanan and Shmatikov (2008) . એટલે કે, દરેક રેકોર્ડ માટે આ બોલ પર કોઈ રેકોર્ડ જ છે, અને હકીકતમાં કોઈ રેકોર્ડ કે જે ખૂબ જ સમાન હોય છે ત્યાં આવે છે: દરેક વ્યક્તિ સુધી dataset તેમના નજીકના પાડોશી દૂર છે. એક કલ્પના કરી શકો છો કે Netflix માહિતી સ્પર્શ, કારણ કે એક 5 સ્ટાર સ્કેલ પર લગભગ 20,000 ફિલ્મો સાથે, ત્યાં હોઈ શકે છે તે વિશે \ (6 ^ {20,000} \) શક્ય કિંમતો છે કારણ કે એક 5 તારા ઉપરાંત તે દરેક વ્યક્તિ 6 કરી શકે છે ( , કોઈ ફિલ્મ રેટ કર્યા નથી શકે છે). આ નંબર જેથી મોટી છે, તે પણ સમજાવવાનો મુશ્કેલ છે.

Sparsity બે મુખ્ય સૂચિતાર્થ ધરાવે છે. પ્રથમ, તે રેન્ડમ બનેલો નિષ્ફળ કરશે પર આધારિત dataset "અનામી" કરવાનો પ્રયાસ થાય છે. એટલે કે, હોય તો પણ Netflix રેન્ડમ રેટિંગ્સ (જે તેઓ કર્યું) કેટલાક સંતુલિત કરવા માટે હતી, આ માટે પૂરતી નહી હોય છે કારણ કે વ્યગ્ર આ રેકોર્ડ હજુ પણ માહિતી હુમલાખોર છે કે નજીકના શક્ય રેકોર્ડ છે. બીજું, sparsity અર્થ એ થાય કે દ-anonymization શક્ય છે હુમલાખોર અપૂર્ણ અથવા નિષ્પક્ષ જ્ઞાન છે તો પણ. ઉદાહરણ તરીકે, Netflix માહિતી, કલ્પના હુમલાખોર બે ફિલ્મો અને તારીખો માટે તમે તે રેટિંગ્સ +/- 3 દિવસ કરવામાં તમારી રેટિંગ્સ જાણે દો; કે જે હમણાં જ માહિતી એકલા અનન્ય Netflix માહિતી લોકો 68% ઓળખવા માટે પૂરતી છે. હુમલાખોરો 8 ફિલ્મો કે તમે +/- 14 દિવસ, તો પછી આ લોકો જાણે રેટિંગ્સ બે સંપૂર્ણપણે ખોટું હોય તો પણ, રેકોર્ડ 99% અનન્ય dataset ઓળખી શકાય રેટ કર્યું છે જાણે. અન્ય શબ્દોમાં, sparsity "અનામી" માટે પ્રયાસો માહિતી, જે કમનસીબ છે કારણ કે મોટા ભાગના આધુનિક સામાજિક dataset સ્પર્શ હોય છે માટે મૂળભૂત સમસ્યા છે.

ટેલિફોન મેટાડેટા પણ "અજ્ઞાત" અને સંવેદનશીલ ન હોઈ દેખાય શકે છે, પરંતુ તે કિસ્સામાં નથી. ટેલિફોન મેટાડેટા ઓળખી અને સંવેદનશીલ હોય છે (Mayer, Mutchler, and Mitchell 2016; Landau 2016) .

આકૃિત 6.6 માં, હું માહિતી પ્રકાશિત સંશોધન માટે સહભાગીઓ અને લાભો માટે જોખમ વચ્ચે મડાગાંઠ બહાર શોધી રહ્યા છે. પ્રતિબંધિત વપરાશ અભિગમ (દા.ત., એક કોટ બગીચો) અને પ્રતિબંધિત માહિતી અભિગમ વચ્ચે સરખામણી કરવા (દા.ત., anonymization કેટલાક સ્વરૂપ) જુઓ Reiter and Kinney (2011) . માહિતી જોખમ સ્તર સૂચિત વર્ગીકરણ સિસ્ટમ માટે, જુઓ Sweeney, Crosas, and Bar-Sinai (2015) . છેલ્લે, માહિતી શેરિંગ એક વધુ સામાન્ય ચર્ચા માટે, જુઓ Yakowitz (2011) .

જોખમ અને માહિતી ઉપયોગીતા વચ્ચે આ મડાગાંઠ વધુ વિગતવાર વિશ્લેષણ માટે, જુઓ Brickell and Shmatikov (2008) , Ohm (2010) , Wu (2013) , Reiter (2012) , અને Goroff (2015) . આ મડાગાંઠ મોટા પાયે ઓપન ઓનલાઇન કોર્સીસ (MOOCs) ના વાસ્તવિક માહિતી પર લાગુ જોવા માટે, જુઓ Daries et al. (2014) અને Angiuli, Blitzstein, and Waldo (2015) .

વિભેદક ગોપનીયતા પણ વૈકલ્પિક અભિગમ કે સહભાગીઓ માટે સમાજ અને નીચા જોખમ બંને ઊંચા લાભ ભેગા કરી શકો છો, જુઓ તક આપે છે Dwork and Roth (2014) અને Narayanan, Huey, and Felten (2016) .

વ્યક્તિગત ઓળખ માહિતી ના ખ્યાલ (PII), જે સંશોધન નીતિશાસ્ત્ર વિશે નિયમો, જુઓ ઘણા કેન્દ્રીય પર વધુ માટે Narayanan and Shmatikov (2010) અને Schwartz and Solove (2011) . બધા માહિતી પર વધુ સંભવિત સંવેદનશીલ હોવા માટે, જુઓ Ohm (2015) .

આ વિભાગમાં, હું કંઈક કે જે જાણકારીના જોખમ તરફ દોરી શકે છે, જેમ કે અલગ ડેટાસેટ્સ જોડાણને ચિત્રણ કર્યું છે. જોકે, તે પણ નવી તકો સંશોધન માટે, કારણ દલીલ કરી બનાવી શકો છો Currie (2013) .

પાંચ safes પર વધુ માટે, જુઓ Desai, Ritchie, and Welpton (2016) . કેવી રીતે આઉટપુટ ઓળખવા કરી શકો છો એક ઉદાહરણ માટે, જુઓ Brownstein, Cassa, and Mandl (2006) , જે બતાવે છે કે કેવી રીતે રોગ ફેલાવાની નકશા ઓળખવા કરી શકો છો. Dwork et al. (2017) પણ આવા કેવી રીતે ઘણા વ્યક્તિઓ ચોક્કસ રોગ હોય આંકડા તરીકે એકંદર ડેટા સામે હુમલા, ગણવામાં આવે છે.

• ગોપનીયતા (વિભાગ 6.6.3)

Warren and Brandeis (1890) ગોપનીયતા વિશે એક સીમાચિહ્ન કાનૂની લેખ છે, અને લેખ સૌથી વિચાર કે ગોપનીયતા એકલા છોડી શકાય કરવા માટે એક યોગ્ય છે સાથે સંકળાયેલ છે. તાજેતરમાં ગોપનીયતા કે હું ભલામણ કરશે પુસ્તક લંબાઈ સારવાર સમાવેશ થાય છે Solove (2010) અને Nissenbaum (2010) .

લોકો ગોપનીયતા વિશે કેવી રીતે લાગે છે પર પ્રયોગમૂલક સંશોધન એક સમીક્ષા માટે, જુઓ Acquisti, Brandimarte, and Loewenstein (2015) . જર્નલ વિજ્ઞાન છે, જેમાં ગોપનીયતા અને વિવિધ દ્રષ્ટિકોણોથી વિવિધ માહિતી જોખમ મુદ્દાઓને સંબોધે શીર્ષક "ગોપનીયતા અંત" એક ખાસ મુદ્દો પ્રકાશિત; સાર માટે જુઓ Enserink and Chin (2015) . Calo (2011) નુકસાન કે ગોપનીયતા ઉલ્લંઘન આવે વિશે વિચારવા માટે માળખું આપે છે. ડિજિટલ ઉંમર ખૂબ જ શરૂઆત ગોપનીયતા વિશે ચિંતા પ્રારંભિક ઉદાહરણ છે Packard (1964) .

• અનિશ્ચિતતા હેઠળ નિર્ણયો (વિભાગ 6.6.4)

એક પડકાર જ્યારે ન્યુનતમ જોખમ પ્રમાણભૂત લાગુ કરવા માટે પ્રયાસ કરી રહ્યા છે કે તે સ્પષ્ટ જેની દૈનિક જીવન બેંચમાર્કિંગના માટે વાપરી શકાય છે નથી (Council 2014) . ઉદાહરણ તરીકે, બેઘર લોકો તેમના દૈનિક જીવનમાં અગવડતા ઊંચા સ્તરો હોય છે. પરંતુ, તે સૂચિત નથી કે તે નૈતિક ઊંચા જોખમ સંશોધન બેઘર લોકો છતી સ્વીકાર્ય છે. આ કારણોસર, ત્યાં વધતી જતી સર્વસંમતિ છે કે ન્યુનતમ જોખમ સામાન્ય વસ્તી પ્રમાણભૂત નથી, ચોક્કસ વસ્તી પ્રમાણભૂત સામે બેન્ચમાર્ક જોઇએ તેમ લાગે છે. જ્યારે હું સામાન્ય રીતે એક સામાન્ય વસ્તી પ્રમાણભૂત ના વિચાર સાથે સંમત છે, મને લાગે છે કે ફેસબુક, જેમ કે મોટા ઓનલાઇન પ્લેટફોર્મ માટે, ચોક્કસ વસ્તી પ્રમાણભૂત વાજબી છે. કે જ્યારે લાગણીનો સંસર્ગ વિચારણા, મને લાગે છે કે તે ફેસબુક પર રોજિંદા જોખમ સામે બેન્ચમાર્ક વાજબી છે. આ કિસ્સામાં એક ચોક્કસ વસ્તી પ્રમાણભૂત ખૂબ મૂલ્યાંકન કરવા માટે સરળ છે અને ન્યાય સિદ્ધાંત, સંશોધન, જે વંચિત જૂથો (દા.ત., કેદીઓ અને અનાથ) પર ગેરવાજબી નિષ્ફળ બોજો રોકવા માગે છે સાથે અથડામણ થવાની શક્યતા છે.

• વ્યવહારુ ટિપ્સ (વિભાગ 6.7)

અન્ય વિદ્વાનો પણ વધુ કાગળો માટે કહેવાય છે નૈતિક પરિશિષ્ટો સમાવેશ થાય છે (Schultze and Mason 2012; Kosinski et al. 2015) . King and Sands (2015) પણ વ્યવહારુ ટીપ્સ આપે છે.