काय पुढील वाचण्यासाठी

• परिचय (विभाग 6.1)

संशोधन नैतिकतेमध्ये पारंपारिकरित्या वैज्ञानिक फसवणूक आणि क्रेडिट वाटप यांसारख्या विषयांचा समावेश केला गेला आहे. Institute of Medicine and National Academy of Sciences and National Academy of Engineering (2009) यांनी ऑन असिनर एका वैज्ञानिकवर अधिक तपशीलवार चर्चा केली आहे.

युनायटेड स्टेट्समधील परिस्थितीमुळे हा धडा जोरदारपणे प्रभावित झाला आहे. इतर देशांतील नैतिक आढावा प्रक्रियेवर अधिक माहितीसाठी, Desposato (2016b) अध्याय 6-9 पहा. या प्रकरणावर प्रभाव टाकला गेलेला जैववैद्यकीय नैतिक तत्त्व अधिक अवास्तव अमेरिकन आहेत, असा युक्तिवाद करण्यासाठी Holm (1995) . युनायटेड स्टेट्समधील संस्थात्मक आढावा बोर्डच्या पुढील ऐतिहासिक पुनरावलोकनासाठी, Stark (2012) . जर्नलमध्ये पीएस: पॉलिटिकल सायन्स अँड पॉलिटिक्स यांनी राजकीय शास्त्रज्ञ आणि आयआरबी यांच्यातील संबंधांवर एक व्यावसायिक चर्चा केली; थोडक्यात Martinez-Ebers (2016) पहा.

बेल्मोन अहवाल आणि संयुक्त राष्ट्रांतील पुढील नियमांमुळे संशोधन आणि सराव यामध्ये फरक पडतो. मी या प्रकरणात अशा प्रकारचा फरक केलेला नाही कारण मला वाटते की नैतिक तत्त्वे आणि चौकटी दोन्ही सेटिंग्जवर लागू होतात. या फरक आणि Beauchamp and Saghai (2012) समस्यांबद्दल अधिक माहितीसाठी, Beauchamp and Saghai (2012) , MN Meyer (2015) , boyd (2016) , आणि Metcalf and Crawford (2016) .

Facebook वर संशोधन उपेक्षा अधिकसाठी, Jackman and Kanerva (2016) . कंपन्या आणि स्वयंसेवी संस्थांमधील संशोधन Polonetsky, Tene, and Jerome (2015) Calo (2013) , Polonetsky, Tene, and Jerome (2015) आणि Tene and Polonetsky (2016) .

पश्चिम आफ्रिकेतील 2014 Ebola उद्रेक सोडविण्यास मदत करण्यासाठी मोबाइल फोन डेटा वापर संबंधात (Wesolowski et al. 2014; McDonald 2016) , मोबाइल फोन डेटा गोपनीयता जोखमी याबद्दल अधिक माहितीसाठी, पहा Mayer, Mutchler, and Mitchell (2016) . मोबाइल फोन डेटाचा वापर करून पूर्वीच्या संकटाशी संबंधित संशोधनांच्या उदाहरणांसाठी Bengtsson et al. (2011) पाहा Bengtsson et al. (2011) आणि Lu, Bengtsson, and Holme (2012) , आणि संकटविषयक संशोधनासंबंधातील नीतीबद्दल अधिक जाणून घेण्यासाठी ( ??? ) पहा.

• तीन उदाहरण (विभाग 6.2)

बर्याच लोकांनी भावनिक संभोग बद्दल लिहिले आहे. जर्नल रिसर्च एथिक्सने संपूर्ण विषयावर जानेवारी 2016 मध्ये प्रयोग चर्चा केली; अवलोकनसाठी Hunter and Evans (2016) पहा. नॅशनल Kahn, Vayena, and Mastroianni (2014) ऑफ सायन्सच्या कार्यवाहीने प्रयोगांविषयी दोन तुकडे प्रकाशित केल्या - Kahn, Vayena, and Mastroianni (2014) आणि Fiske and Hauser (2014) . प्रयोगातील इतर गोष्टींमध्ये खालील समाविष्ट आहेत: Puschmann and Bozdag (2014) , Meyer (2014) , Grimmelmann (2015) , MN Meyer (2015) , ( ??? ) , Kleinsman and Buckley (2015) , Shaw (2015) , आणि ( ??? )

• डिजिटल वेगळे आहे (विभाग 6.3)

वस्तुमान पाळत ठेवणेच्या दृष्टीने, Mayer-Schönberger (2009) आणि Marx (2016) मध्ये विस्तृत विहंगावलोकन प्रदान केले आहे. पाळत ठेवणेच्या बदलत्या खर्चाचे एक ठोस उदाहरण Bankston and Soltani (2013) अंदाज आहे की, मोबाइल फोनचा वापर करून गुन्हेगारी संशयास्पद मागोवा ठेवणे हे भौतिक पर्यवेक्षण वापरण्यापेक्षा 50 पट स्वस्त आहे. कामावर पाळत ठेवण्यावर चर्चा करण्यासाठी Ajunwa, Crawford, and Schultz (2016) देखील पहा. Bell and Gemmell (2009) वर अधिक आशावादी दृष्टीकोन प्रदान करतात.

सार्वजनिक किंवा अंशतः सार्वजनिक असलेल्या (उदाहरणार्थ, चव, संबंध आणि वेळ) निरीक्षणक्षम वर्तनाचा मागोवा घेण्याव्यतिरिक्त संशोधक अशा गोष्टींचा अंदाज लावू शकतात जे अनेक सहभागी खाजगी मानतात उदाहरणार्थ, मीखल कोसिनस्की आणि सहकाऱ्यांनी (2013) दर्शविले की ते सामान्यपणे सामान्य डिजिटल ट्रेस डेटा (फेसबुक लाईफ) पासून, लैंगिक अभिमुखता आणि व्यसनी पदार्थांचा वापर करण्यासारख्या लोकांबद्दल संवेदनशील माहितीची अनुमान काढू शकतात. हे जादुई ध्वनी शकते, परंतु कोसिनस्की आणि सहकाऱ्यांनी वापरलेले दृष्टिकोन - जे डिजिटल ट्रेस, सर्वेक्षणे आणि पर्यवेक्षण शिकविणारे एकत्रित होते ते मी आधीपासूनच आपल्याला सांगितले आहे असे काहीतरी आहे स्मरण करा की अध्याय 3 मध्ये (प्रश्न विचारणे). मी तुम्हाला सांगितले की रवांडातील गरिबीचा अंदाज लावण्यासाठी मोबाइल फोन डेटासह जपानी ब्लामॅनस्टॉक आणि सहकर्मी (2015) एकत्रित सर्वेक्षण डेटा. हा तसाच दृष्टिकोन, ज्याचा उपयोग एखाद्या विकसनशील देशात गरीबीच्या कार्यक्षमतेने मोजण्यासाठी केला जाऊ शकतो, तो संभाव्य गोपनीयता-उल्लंघनांमधील वापरासाठी देखील वापरला जाऊ शकतो.

आरोग्यविषयक डेटाच्या संभाव्य अनपेक्षित दुय्यम वापरासाठी अधिक माहितीसाठी, O'Doherty et al. (2016) . अनपेक्षित माध्यमिक वापरासाठी संभाव्यतेपेक्षा, काही अपूर्ण मास्टर डेटाबेसची निर्मिती सामाजिक आणि राजकीय जीवनावर थंड होऊ शकते जर लोक विशिष्ट सामग्री वाचण्यास किंवा विशिष्ट विषयांवर चर्चा करण्यास तयार न झाल्यास; Schauer (1978) आणि Penney (2016) .

ओव्हलिपिंग नियम असलेल्या परिस्थितीमध्ये, काहीवेळा "रेग्युलेटरी शॉपिंग" (Grimmelmann 2015; Nickerson and Hyde 2016) व्यस्त असतात. विशेषतः, काही संशोधक जे आयआरबी दुर्लक्ष टाळण्यास उत्सुक आहेत जे आयआरबी (जसे की, कंपन्या किंवा एनजीओ) द्वारे संरक्षित नसलेल्या संशोधकांबरोबर भागीदारी करू शकतात, आणि त्या सहकाऱ्यांनी डेटा एकत्रित करणे आणि त्यांची ओळख पटवणे आवश्यक आहे. नंतर, IRB- झाकलेल्या संशोधक IRB उपेक्षाशिवाय हे डी-ओळखले डेटाचे विश्लेषण करू शकतात कारण संशोधन यापुढे "मानवी विषय संशोधन" मानले जात नाही, किमान वर्तमान नियमांच्या काही अर्थांनुसार. या प्रकारचे आयआरबी चोरी हे नैतिक मूल्यांचे संशोधन करण्यासाठी तत्त्व-आधारीत पध्दतीशी सुसंगत नाही.

2011 मध्ये, सामान्य नियम अद्ययावत करणे सुरू झाले आणि ही प्रक्रिया अखेर 2017 ( ??? ) मध्ये पूर्ण झाली. सामान्य नियम अद्ययावत करण्यासाठी या प्रयत्नांना अधिक माहितीसाठी, Evans (2013) , National Research Council (2014) , Hudson and Collins (2015) , आणि Metcalf (2016) .

• चार तत्त्वे (विभाग 6.4)

बायोमेडिकल आचारसंहितावर आधारित क्लासिक तत्त्व-आधारित पध्दत म्हणजे Beauchamp and Childress (2012) . ते असे प्रस्तावित करतात की चार मुख्य तत्त्वे जैववैद्यकशास्त्रातील नैतिकतेचे मार्गदर्शन करतातः स्वायत्तता, गैरमाफी, फायदे आणि न्याय यांचा आदर करणे नॉनमालीफिसन्सचे तत्व इतरांना हानी पोचवण्यापासून दूर राहण्याचा आग्रह करते. ही संकल्पना "हानी पोहोचवू नका" च्या हिप्पोकॉटीक संकल्पनेशी गंभीर रीतीने जोडली गेली आहे. संशोधनातील नैतिक मूल्यांमधील हे तत्त्व अनेकदा फायद्याचे तत्त्वानुसार एकत्रित केले आहे परंतु हे दोघे यांच्यामधील भेदांबद्दल अधिक जाणून घेण्यासाठी @ बीउचम्प_प्रिथेल्स_2012 चा अध्याय 5 पहा. या तत्त्वे अती अमेरिकन आहेत या टीकेबद्दल, Holm (1995) . सिद्धांत विरोधाभासाचे संतुलन साधण्यावर अधिक माहितीसाठी, Gillon (2015) .

या प्रकरणातील चार तत्त्वे देखील "कंझ्युमर विषय रिव्यू बोर्ड" (सीएसआरबी) (Calo 2013) नावाची संस्था असलेल्या कंपन्या आणि एनजीओ (Polonetsky, Tene, and Jerome 2015) येथे केल्या जाणार्या संशोधनासाठी नैतिक देखरेखीचे मार्गदर्शक ठरवण्यात आली आहेत.

• व्यक्तींचा आदर (विभाग 6.4.1)

स्वायत्ततेचा आदर करण्याबरोबरच बेलमॉन अहवालात हे देखील मान्य केले आहे की प्रत्येक मनुष्य खऱ्या आत्मनिर्धारित करण्यास सक्षम नाही. उदाहरणार्थ, मुले, आजारपणाने पीडित लोक किंवा कठोरपणे निर्बंधित स्वातंत्र्य असलेल्या परिस्थितीत राहणारे लोक पूर्णपणे स्वायत्त व्यक्ती म्हणून काम करू शकणार नाहीत, आणि या लोकांना अतिरिक्त संरक्षण दिले जाऊ शकते.

डिजिटल युगात व्यक्तींसाठी आदर दाखवणे हे आव्हानात्मक असू शकते. उदाहरणार्थ, डिजिटल-वयाच्या संशोधनामध्ये, स्व-निर्धारणाची क्षमता कमी असलेल्या लोकांसाठी अतिरिक्त संरक्षण देणे कठीण होऊ शकते कारण संशोधकांना त्यांच्या सहभागींबद्दल फारच थोडी माहिती असते. पुढे, डिजिटल-वयातील सामाजिक संशोधनातील माहितीपूर्ण संमती हे एक मोठे आव्हान आहे. काही प्रकरणांमध्ये, खरोखर माहितीपूर्ण संमती पारदर्शकता विरोधाभास (Nissenbaum 2011) पासून प्रभावित होऊ शकते, जिथे माहिती आणि आकलन संघर्ष आहे साधारणतः, जर संशोधक डेटा संकलन, डेटा विश्लेषण आणि डेटा सुरक्षा पद्धतींच्या स्वरूपाविषयी पूर्ण माहिती प्रदान करतात तर बरेच सहभागींना आकलन करणे कठीण होईल. परंतु जर संशोधक आकलनीय माहिती प्रदान करतात, तर त्यात महत्वाची तांत्रिक तपशील नसतील. एलाॉग युगात वैद्यकीय संशोधनात - बेल्मोन रिपोर्टद्वारे मानले जाणारे वर्चस्व सेटिंग - एखाद्या व्यक्तीला वैयक्तिकरित्या पारदर्शकता विरोधाभास निराकरण करण्यात मदत करण्यासाठी प्रत्येकाशी वैयक्तिकरित्या बोलणे अपेक्षित आहे. हजारो किंवा लाखो लोकांचा समावेश असलेल्या ऑनलाइन अभ्यासात, अशाच समस्येचा सामना करणे अशक्य आहे डिजिटल युगात संमतीने दुसरी समस्या असे आहे की काही अभ्यासांमध्ये जसे की मोठ्या प्रमाणावर डेटा भांडारांचे विश्लेषण केले जाते, सर्व सहभागींच्याकडून सुचित संमती प्राप्त करणे अव्यवहारक ठरेल. मी याबद्दल आणि इतर प्रश्नांविषयी अधिक तपशीलाने सेक्शन 6.6.1 मध्ये चर्चा करतो. या अडचणी असूनही, आपण हे लक्षात ठेवले पाहिजे की, व्यक्तीबद्दल आदर राखण्यासाठी आवश्यक असल्याची अनुमती नाही.

माहितीपूर्ण संमतीपूर्वी वैद्यकीय संशोधनासाठी अधिक माहितीसाठी Miller (2014) . माहितीपूर्ण संमतीच्या पुस्तक-लांबीच्या उपचारासाठी, Manson and O'Neill (2007) . खालील माहितीपूर्ण संमतीविषयी सुचविलेले वाचन देखील पहा.

• फायदे (कलम 6.4.2)

संदर्भास त्रास देणे हे हानी असते की संशोधन विशिष्ट लोकांना नव्हे तर सामाजिक सेटिंग्जवर होऊ शकते. ही संकल्पना थोडी गोषवारा आहे, परंतु मी एक उत्कृष्ट उदाहरणः विचिटा ज्युरी स्टडी (Vaughan 1967; Katz, Capron, and Glass 1972, chap. 2) यांच्यासह स्पष्टपणे स्पष्ट केले आहे - तसेच काहीवेळा शिकागो ज्यूरी प्रोजेक्ट (Cornwell 2010) . या अभ्यासात, शिकागो विद्यापीठातील संशोधकांनी, कायदेशीर प्रणालीच्या सामाजिक पैलूंवर मोठ्या प्रमाणावर अभ्यास केल्याचा, गुप्तपणे व्हिसिता, कान्सासमध्ये सहा ज्यूरी चर्चा आयोजित केली. या प्रकरणात न्यायाधीश व वकील यांनी रेकॉर्डिंगला मान्यता दिली होती आणि या प्रक्रियेचे कठोर पालन होते. तथापि, न्यायाधीशांनी याची अनपेक्षित माहिती दिली की रेकॉर्डिंगचे अस्तित्व होते. एकदा अभ्यास शोधला गेला की, सार्वजनिक अत्याचार झाले. न्याय विभागाने अभ्यासाची तपासणी सुरू केली आणि संशोधकांना कॉंग्रेसच्या समोर साक्ष देण्यास सांगितले गेले. अखेरीस, कॉंग्रेसने एक नवे कायदे केले जे बेकायदेशीरपणे गुन्हेगारीने नोंदलेले जुरी मत मांडले.

विचिटा जूरी अभ्यासातील समीक्षकांच्या चिंतेमुळे सहभागींना हानी पोहोचण्याचा धोका नाही; उलटपक्षी, ज्यूरी मतप्रणालीच्या संदर्भात तो हानिकारक आहे. म्हणजेच, ज्यूरी सदस्य विश्वास ठेवू शकत नाहीत की जर ते सुरक्षित आणि संरक्षित जागेत चर्चा करीत असतील तर भविष्यामध्ये ज्यूरी मोहिमेसाठी पुढे जाणे कठीण होईल. जूरी मसलत व्यतिरिक्त, इतर विशिष्ट सामाजिक संदर्भ आहेत जे समाज अतिरिक्त संरक्षण प्रदान करते, जसे वकील-ग्राहक संबंध आणि मनोवैज्ञानिक काळजी (MacCarthy 2015) .

संदर्भासंदर्भातील धोका आणि सामाजिक व्यवस्थेचा अडथळा देखील राजकारणातील काही प्रयोगांमध्ये निर्माण होतो (Desposato 2016b) . राजकारणात एक प्रयोग प्रयोगासाठी संदर्भ-संवेदी मूल्य-लाभ गणना करण्याच्या उदाहरणासाठी, Zimmerman (2016) .

• न्याय (विभाग 6.4.3)

डिजिटल वय संशोधन संबंधित बर्याच सेटिंग्जमध्ये सहभागींसाठी नुकसान भरपाईची चर्चा झाली आहे. Lanier (2014) ते व्युत्पन्न डिजिटल ट्रेस साठी सहभागी भरणे प्रस्ताव. Bederson and Quinn (2011) ऑनलाइन Bederson and Quinn (2011) मार्केटमधील पेमेंटची चर्चा. अखेरीस, Desposato (2016a) यांनी प्रयोगशाळेत सहभागी Desposato (2016a) प्रस्ताव दिला आहे. त्यांनी असे प्रतिपादन केले की सहभागींना थेट पैसे दिले जाऊ शकत नसले तरीही, त्यांच्या वतीने कार्य करणार्या गटास दान केले जाऊ शकते. उदाहरणार्थ, एनकोरमध्ये, संशोधक इंटरनेटवर पोहोचण्यास मदत करण्यासाठी कार्य करणार्या गटास दान देऊ शकले असते.

• कायदा आणि सार्वजनिक व्याजांचा आदर (भाग 6.4.4)

कायदेशीर सरकारांद्वारे बनविलेल्या कायद्यांच्या तुलनेत समान पक्षांमधील वाटाघाटी व करारांपेक्षा सेवा-परवाना करारांमध्ये कमी वजन असणे आवश्यक आहे. संशोधकांनी आधीच्या काळात अटी-शद-सेवा करारांचे उल्लंघन केले आहे अशा परिस्थितीत सामान्यत: कंपन्यांच्या व्यवहाराचे ऑडिट करण्यासाठी ऑटोमॅटिक क्वेरींचा वापर केला जातो (फिलांट प्रयोगांप्रमाणेच भेदभाव मोजण्यासाठी). अतिरिक्त चर्चांसाठी, Vaccaro et al. (2015) पहा Vaccaro et al. (2015) , Bruckman (2016a) , आणि Bruckman (2016b) . सेवेच्या अटींची चर्चा करणा-या अनुभवजन्य संशोधनाचे उदाहरण पाहा, Soeller et al. (2016) . Sandvig and Karahalios (2016) नियमांचे उल्लंघन केल्यास संभाव्य कायदेशीर समस्यांबद्दल अधिक Sandvig and Karahalios (2016) .

• दोन नैतिक फ्रेमवर्क (विभाग 6.5)

जाहीरपणे, परिणामशास्त्रीय आणि डीऑन्टॉल्जीबद्दल एक प्रचंड रक्कम लिहीली गेली आहे. डिजिटल वयातील संशोधनाबद्दलचे तर्क करण्यासाठी हे नैतिक फ्रेमवर्क आणि इतरांचा वापर कसा करता येईल त्याचे एक उदाहरण उदाहरणार्थ, Zevenbergen et al. (2015) . विकासाचे अर्थशास्त्र कसे वापरावे यासाठी त्यांचा उपयोग केला जाऊ शकतो याचे एक उदाहरण, Baele (2013) .

• माहितीपूर्ण संमती (विभाग 6.6.1)

भेदभाव लेखापरीक्षण अभ्यास अधिक जाणून घेण्यासाठी, Pager (2007) आणि Riach and Rich (2004) . या अभ्यासामध्ये केवळ संमती असल्याबद्दलच नाही, तर त्यांना फसवणूकही न लावता देखील फसवणूक समाविष्ट आहे.

Desposato (2016a) आणि Humphreys (2015) दोन्ही संमतीशिवाय फील्ड प्रयोगांबद्दल सल्ला देतात.

Sommers and Miller (2013) फसवणूक नंतर भागधारक debriefing नाही नावे अनेक वितर्क पुनरावलोकन, आणि संशोधक debriefing त्याग पाहिजे की भांडणे

"परिस्थितीचा एक अतिशय तुटलेला संच अंतर्गत, म्हणजे, क्षेत्र संशोधन मध्ये ज्यामध्ये डीब्रिफिंगला व्यावहारिक अडथळ्यांना सामोरे जावे लागते परंतु संशोधकांना ते शक्य नसल्यास डीब्रीफिंगबद्दल कुणाचीच कबुली दिली जाणार नाही. निष्क्रीय सहभागी पूल संरक्षित करण्यासाठी डिफ्रफिंग टाळण्यासाठी संशोधकांना परवानगी देता कामा नये, सहभागी सहकार्यापासून स्वतःला वाचवा किंवा सहभागींना हानीपासून संरक्षण द्या. "

इतर असा युक्तिवाद करतात की काही कारणांमुळे जर डिब्रिटिंगमुळे चांगल्या गोष्टींपेक्षा अधिक नुकसान होते, तर ते टाळले पाहिजे (Finn and Jakobsson 2007) . डीब्रिफिंग हे असे एक केस आहे ज्यात काही संशोधक व्यक्तींसाठी फायदेशीर ठरतात, तर काही संशोधक उलट करतात. एक संभाव्य समाधान सहभागींना शिकणे अनुभव डीब्रीफिंग कसे करायचे याचे मार्ग शोधणे हे आहे. म्हणूनच डेब्रिफिकिंगचा विचार करणे म्हणजे हानी होऊ शकते असे काहीतरी होऊ शकते, कदाचित डेब्रिफिकिंग देखील असे होऊ शकते जे सहभागींना लाभ देते. शैक्षणिक debriefing या प्रकारचे एक उदाहरण, Jagatic et al. (2007) पहा Jagatic et al. (2007) . मानसशास्त्रज्ञांनी डीब्रीफिंग (DS Holmes 1976a, 1976b; Mills 1976; Baumrind 1985; Oczak and Niedźwieńska 2007) साठी तंत्र विकसित केले आहे, आणि यापैकी काही उपयुक्तपणे डिजिटल-एज रिसर्चमध्ये लागू होऊ शकतात. Humphreys (2015) स्थगित संमतीबद्दल स्वारस्यपूर्ण विचार देते, जे मी वर्णन केलेल्या debriefing धोरणाशी अगदी जवळून संबंधित आहे

त्यांच्या संमतीसाठी सहभागींचे एक नमुना विचारण्याची कल्पना Humphreys (2015) अनपेक्षित संमतीशी संबंधित आहे.

प्रस्तावित संमतीशी संबंधित आणखी एक कल्पना जी ऑनलाईन प्रयोगांमध्ये (Crawford 2014) मान्यता देतील अशा लोकांचा पॅनेल तयार करणे आहे. काहींनी असे मत दिले आहे की हे पॅनल लोकांच्या नॉन-कॅरेक्ट नमुना असेल. परंतु अध्याय 3 (प्रश्न विचारणे) दर्शवते की या समस्या संभाव्यतः पोस्ट स्तरीकरण वापरून वापरता येऊ शकतात. तसेच, पॅनेलवर होण्यास संमती दिल्यामुळे विविध प्रयोग समाविष्ट केले जाऊ शकतात. दुस-या शब्दात सांगायचे तर, सहभाग्यांनी प्रत्येकासाठी स्वतंत्रपणे संमती देण्याची आवश्यकता नाही, व्यापक संकल्पना (Sheehan 2011) . प्रत्येक अभ्यासासाठी एक वेळची संमती आणि संमती यांच्यातील फरकासंबंधात अधिक आणि संभाव्य संकरिततेसाठी, Hutton and Henderson (2015) .

• माहितीविषयक जोखीम समजून घेणे आणि त्यांचे व्यवस्थापन करणे (विभाग 6.6.2)

अद्वितीय पासून खूप, Netflix पारितोषिक डेटासेट एक महत्वाची तांत्रिक मालमत्ता दाखवते ज्या लोकांबद्दल विस्तृत माहिती आहे, आणि अशा प्रकारे आधुनिक सामाजिक डेटासेटचे "अनामिकरण" करण्याच्या संभाव्यतेबद्दल महत्त्वाचे धडे प्रदान करते. Narayanan and Shmatikov (2008) मध्ये औपचारिकरित्या परिभाषित अर्थाने प्रत्येक व्यक्तीबद्दल माहिती अनेक तुकडे असण्याची शक्यता विरल असण्याची शक्यता आहे. म्हणजेच प्रत्येक रेकॉर्डसाठी, कोणतेही रेकॉर्ड नाहीत जे समान आहेत, आणि प्रत्यक्षात तेथे कोणतेही रेकॉर्ड नाहीत जे खूप समान आहेत: प्रत्येक व्यक्ती डेटासेटमध्ये त्यांच्या जवळच्या शेजाऱ्यापासून दूर आहे. कोणीही कल्पना करू शकतो की Netflix डेटा विरळ आहे कारण पाच-तारा स्केलवर सुमारे 20,000 चित्रपटांसह, प्रत्येक व्यक्तीला शक्य असलेल्या संभाव्य मूल्यांबद्दल \(6^{20,000}\) आहेत (6 कारण, 1 च्या व्यतिरिक्त 5 तारे, कोणीतरी मूव्ही रेट केली नसतील). हा नंबर इतका मोठा आहे की तो अगदी आकलन करणे अवघड आहे.

जगभरात दोन मुख्य परिणाम आहेत. प्रथम, याचा अर्थ असा की यादृच्छिक गुन्ह्यांनुसार डेटासेट "अनामांकित" करण्याचा प्रयत्न कदाचित अयशस्वी होईल. अर्थात, जरी Netflix काही रेटिंग्स (जे त्यांनी केले) यादृच्छिकपणे समायोजित करायचे असला तरी, हे पुरेसे ठरणार नाही कारण विकृत भंगलेले रेकॉर्ड अद्याप सर्वात जवळील संभाव्य रेकॉर्ड आहे जे आक्रमणकर्त्याच्या जवळ आहे. सेकंद, स्पार्सिटीचा अर्थ असा आहे की आक्रमणकर्त्याकडे अपूर्ण किंवा निष्पक्ष ज्ञान असले तरी पुन: ओळख करणे शक्य आहे. उदाहरणार्थ, Netflix डेटामध्ये, आपण कल्पना करू की आक्रमणकर्त्यास आपले रेटिंग दोन मूव्हीसाठी आणि आपण त्या रेटिंग्ज केलेल्या तारखा \(\pm\) 3 दिवस; फक्त Netflix डेटामध्ये 68% लोक विशिष्टपणे ओळखण्यासाठी पुरेसे आहे. आक्रमणकर्ता आपण रेट केले आहे की आठ चित्रपट माहीत असल्यास \(\pm\) 14 दिवस, नंतर या ज्ञात रेटिंग दोन पूर्णपणे चुकीचे आहेत जरी, रेकॉर्ड 99% अद्वितीय डेटासेमध्ये ओळखली जाऊ शकते. दुस-या शब्दात सांगायचे तर, "निनावी" डेटाच्या प्रयत्नासाठी ही एक मूलभूत समस्या आहे, हे दुर्दैवी आहे कारण आधुनिक सोशल डेटास विरळ असतात. विरल डेटाच्या "अनामिकरण" बद्दल अधिक माहितीसाठी, Narayanan and Shmatikov (2008) .

टेलिफोन मेटा-डेटा देखील "निनावी" असल्याचे दिसत आहे आणि संवेदनशील नसले तरी ते तसे नसते. टेलिफोन मेटा-डाटा ओळखण्यायोग्य आणि संवेदनशील आहेत (Mayer, Mutchler, and Mitchell 2016; Landau 2016) .

आकृती 6.6 मध्ये, मी सहभागी होणा-या लोकांकडून जोखीम आणि डेटा रिलिझमपासूनच्या फायद्यांमधील व्यापार-बंद रेखाटतो. प्रतिबंधित प्रवेश पद्धतींमध्ये (उदा. एक भिंती असलेली बाग) आणि मर्यादित डेटा पोहोचण्याचे (उदा. "निनावीकरण" प्रकार) यादरम्यान तुलना करण्यासाठी Reiter and Kinney (2011) . डेटाच्या जोखीम पातळीच्या प्रस्तावित वर्गीकरण प्रणालीसाठी, Sweeney, Crosas, and Bar-Sinai (2015) . डेटा शेअरिंगबद्दल अधिक सामान्य चर्चा करण्यासाठी, Yakowitz (2011) .

डेटाच्या जोखीम आणि उपयोगिता दरम्यानच्या या व्यापाराचे अधिक तपशीलवार विश्लेषणासाठी Brickell and Shmatikov (2008) , Ohm (2010) , Reiter (2012) , Wu (2013) आणि Goroff (2015) . हे व्यापार-बंद मोठ्या प्रमाणात खुल्या ऑनलाइन अभ्यासक्रमातून (एमओओसी) वास्तविक डेटावर लागू Daries et al. (2014) पाहण्यासाठी, Daries et al. (2014) आणि Angiuli, Blitzstein, and Waldo (2015) .

विभेदक गोपनीयता देखील एक पर्यायी दृष्टिकोन देतात ज्यास कमीत कमी सहभागींना सहभागी होण्यास आणि समाजास अधिक फायदा मिळू शकतो; Dwork and Roth (2014) आणि Narayanan, Huey, and Felten (2016) .

वैयक्तिकरित्या ओळखल्या जाणार्या (पीआयआय) संकल्पनावर अधिक जाणून घेण्याकरिता जे Narayanan and Shmatikov (2010) आणि Schwartz and Solove (2011) . सर्व डेटावर संभाव्य संवेदनशील असण्यावर अधिक माहितीसाठी Ohm (2015) .

या विभागात, मी वेगवेगळ्या डेटासेटच्या दुव्याला माहितीत्मक जोखमीस सामोरे जाऊ शकते. तथापि, तो Currie (2013) मध्ये तर्क केल्यानुसार संशोधनासाठी नवीन संधी देखील तयार होऊ शकतात.

पाच Desai, Ritchie, and Welpton (2016) अधिक माहितीसाठी, Desai, Ritchie, and Welpton (2016) . आउटपुट कशा ओळखल्या जाऊ शकतात याचे एक उदाहरण उदाहरणार्थ, Brownstein, Cassa, and Mandl (2006) , जे रोगाचे प्रादुर्भाव कसे ओळखतात हे दर्शविते. Dwork et al. (2017) एकत्रित डेटावर हल्ले करण्याचा विचार करतात, जसे की कितपत व्यक्ती विशिष्ट रोग आहेत याची आकडेवारी.

डेटा वापर आणि डेटा रिलीझ बद्दलचे प्रश्न डेटा मालकीबद्दलचे प्रश्न देखील वाढवतात. अधिक माहितीसाठी, डेटा मालकीवर, Evans (2011) आणि Pentland (2012) .

• गोपनीयता (विभाग 6.6.3)

Warren and Brandeis (1890) हे गोपनीयताविषयक कायदेविषयक लेख आहेत आणि ते या सर्वांशी संबंधित आहेत की गुप्तता केवळ एकटे सोडण्याचा हक्क आहे माझ्या Nissenbaum (2010) गोपनीयतेचे पुस्तक-उपचार हे Solove (2010) आणि Nissenbaum (2010) .

लोक गोपनीयतेबद्दल कसे विचार करतात यावर प्रायोगिक संशोधनाचे पुनरावलोकन करण्यासाठी, Acquisti, Brandimarte, and Loewenstein (2015) . Phelan, Lampe, and Resnick (2016) दोन-सिस्टीम सिध्दांताचा प्रस्ताव मांडतात-लोक काहीवेळा अंतर्ज्ञानी चिंतेकडे लक्ष देतात आणि कधीकधी चिंताग्रस्त चिंतेकडे लक्ष देतात-हे स्पष्ट करण्यासाठी की लोक गोपनीयतेबद्दल उघडपणे विरोधाभासी विधान कसे बनवू शकतात. ट्विटर सारख्या ऑनलाइन सेटिंग्जमध्ये गोपनीयतेबद्दल अधिक जाणून घेण्यासाठी, Neuhaus and Webmoor (2012) .

जर्नल सायन्सने "द एंड ऑफ प्रायसिटी" नामक एक विशेष विभाग प्रकाशित केला आहे, जी विविध दृष्टिकोनातून गोपनीयता आणि माहितीच्या जोखीमांचे मुद्दे हाताळते; सारांश साठी, Enserink and Chin (2015) . Calo (2011) गोपनीयतेच्या उल्लंघनांपासून आलेल्या हानीबद्दल विचार करण्यासाठी एक चौकट देते. डिजिटल युगाच्या अगदी सुरुवातीस गोपनीयतेची चिंतेची एक Packard (1964) म्हणजे Packard (1964) .

• अनिश्चिततेमध्ये निर्णय घेणे (भाग 6.6.4)

किमान जोखमी मानक लागू करण्याचा प्रयत्न करताना एक आव्हान म्हणजे ज्याचे दैनिक जीवन बेंचमार्किंग (National Research Council 2014) साठी वापरले जाते हे स्पष्ट नाही. उदाहरणार्थ, बेघर लोक त्यांच्या दैनंदिन जीवनात अस्वस्थता उच्च पातळी आहे. परंतु याचा अर्थ असा नाही की बेघर लोकांना उच्च जोखमीचे संशोधन करण्यास हे नैतिकदृष्ट्या अनुज्ञेय आहे. या कारणास्तव, वाढत्या एकमत असल्यासारखे दिसते आहे की सामान्य लोकसंख्येच्या मानकांनुसार किमान जोखमीस बेंचमार्क केले जावे, विशिष्ट लोकसंख्येचे मानक नाही साधारणपणे सामान्य लोकसंख्येच्या मानकानुसार मी सहमती देतो, असे मला वाटते की मोठ्या ऑनलाइन प्लॅटफॉर्मसाठी जसे की फेसबुक, एक विशिष्ट लोकसंख्या मानक वाजवी आहे. त्यामुळे भावनात्मक संभोग विचार करतांना, मला वाटते की Facebook वर दररोजच्या जोखमी विरूद्ध बेंचमार्क उचित आहे. या प्रकरणात विशिष्ट लोकसंख्येचे मानक मूल्यमापन करणे अधिक सोपे आहे आणि न्यायमूर्तीच्या तत्वाशी संघर्ष करणे अशक्य आहे, जे वंचित गटांवर (उदा. कैदी आणि अनाथ) गैरवापर करणाऱ्या शोधांच्या ओझे टाळत आहेत.

• व्यावहारिक सूचना (विभाग 6.7)

इतर विद्वानांनी नैतिक परिशिष्ट (Schultze and Mason 2012; Kosinski et al. 2015; Partridge and Allman 2016) समाविष्ट करण्यासाठी अधिक कागदपत्रे (Schultze and Mason 2012; Kosinski et al. 2015; Partridge and Allman 2016) . King and Sands (2015) व्यावहारिक टिपा देखील प्रदान करते. झुके आणि सहकारी (2017) "जबाबदार मोठे डेटा संशोधन करिता दहा सोपे नियम" देतात.