6.6.2 समजून घेणे, व्यवस्थापन माहिती धोका

माहिती धोका सामाजिक संशोधन सर्वात सामान्य धोका आहे; तो नाटकीय वाढ झाली आहे; आणि ते समजून घेणे कठीण धोका आहे.

सामाजिक वय डिजिटल संशोधन दुसऱ्या नैतिक आव्हान माहिती धोका, माहिती उघड हानी साठी क्षमता आहे (Council 2014) . वैयक्तिक माहिती उघड माहिती हानी आर्थिक असू शकते (उदा, नोकरी तोट्याचा), सामाजिक (उदा, पेच), मानसिक (उदा, नैराश्य), किंवा अगदी गुन्हेगारी (उदा, बेकायदेशीर वर्तन अटक). दुर्दैवाने, डिजिटल वय माहिती धोका नाटकीय-आमच्या वर्तन फक्त खूप अधिक माहितीसाठी वाढते. आणि माहिती धोका अशा भौतिक जोखीम analog वय सामाजिक संशोधन चिंता होते जोखीम तुलनेत समजून आणि व्यवस्थापित करणे फार कठीण सिद्ध झाले आहे. कसे डिजिटल वय माहितीच्या धोका वाढतो पाहण्यासाठी, इलेक्ट्रॉनिक मेडिकल रेकॉर्ड पेपर संक्रमण विचार. रेकॉर्ड दोन्ही प्रकारचे धोका निर्माण, पण एक मोठ्या प्रमाणावर ते अनधिकृत पक्ष, प्रसारित किंवा इतर रेकॉर्ड जोडल्या जाऊ शकतात कारण इलेक्ट्रॉनिक रेकॉर्ड जास्त जोखीम तयार. डिजिटल युगात सामाजिक संशोधक आधीच ते पूर्णपणे कसे प्रमाण तो व्यवस्थापित करण्यासाठी समजत नाही, कारण माहिती धोका संकटात भाग, रन नाही. त्यामुळे, मी माहिती धोका विचार करण्यासाठी एक उपयुक्त मार्ग ऑफर जात आहे, आणि मग मी तुम्हाला आपल्या संशोधन मध्ये माहितीच्या जोखमीचे व्यवस्थापित करण्यासाठी आणि इतर संशोधक डाटा releasing काही सल्ला देऊ करणार आहे.

सामाजिक संशोधक माहितीच्या धोका कमी एक मार्ग डेटा "anonymization" आहे. "Anonymization" जसे नाव, पत्ता, आणि डेटा दूरध्वनी क्रमांक स्पष्ट वैयक्तिक अभिज्ञापक काढून प्रक्रिया आहे. तथापि, हा दृष्टिकोन गंभीरपणे आणि मूलतः मर्यादित अनेक लोक लक्षात पेक्षा खूपच कमी प्रभावी आहे, आणि तो खरं तर, आहे. त्या कारणास्तव, मी वर्णन तेव्हा "anonymization," मी अवतरण चिन्ह तुम्हांला आठवण करुन द्यावीशी ही प्रक्रिया नाव गुप्त ठेवण्याच्या देखावा पण खरे नाव गुप्त ठेवण्याच्या निर्माण वापरू शकाल.

"Anonymization" अपयश एक स्पष्ट उदाहरण मॅसॅच्युसेट्स उशीरा 1990 येते (Sweeney 2002) . गट विमा आयोगाने (जीआयसी) सर्व राज्य कर्मचारी आरोग्य विमा खरेदी जबाबदार एक सरकारी संस्था होती. हे काम माध्यमातून, जीआयसी राज्य कर्मचारी हजारो सविस्तर आरोग्य रेकॉर्ड गोळा. आरोग्य सुधारण्यासाठी मार्ग संशोधन उत्तेजन प्रयत्नात, जीआयसी संशोधक हे रेकॉर्ड सुटका करण्याचा निर्णय घेतला. तथापि, ते त्यांच्या सर्व डेटा सामायिक नाही; ऐवजी, ते अशा नाव आणि पत्ता माहिती काढून तो "अनामिक". तथापि, ते ते अशा लोकसंख्याशास्त्रीय माहिती (पिन कोड, जन्म तारीख, वांशिक, आणि लैंगिक) आणि वैद्यकीय माहिती (डेटा भेट, निदान, प्रक्रिया) (आकृती 6.4) म्हणून विचार केला की संशोधक यांच्यासाठी उपयोगी असू शकते इतर माहिती सोडले (Ohm 2010) . दुर्दैवाने, या "anonymization" डेटा संरक्षित करण्यासाठी पुरेसा नव्हता.

आकृती 6.4, "anonymization" हे उघडच काढून माहिती असते प्रक्रिया आहे. उदाहरणार्थ, राज्य कर्मचारी वैद्यकीय विमा रेकॉर्ड releasing तेव्हा मॅसॅच्युसेट्स गट विमा आयोगाने (जीआयसी) फाइल नाव आणि पत्ता काढला. मी शब्द "anonymization" सुमारे कोट वापर प्रक्रिया प्रत्यक्ष नाव गुप्त ठेवण्याच्या गुप्त ठेवण्याच्या देखावा उपलब्ध आहे, पण नाही.

जीआयसी "anonymization" च्या उणीवा स्पष्ट करण्यासाठी Latanya Sweeney-नंतर एमआयटी-पेड $ 20 केंब्रिज, मॅसॅच्युसेट्स राज्यपाल विल्यम जोडणी च्या स्वत: च्या गावात शहरातील मतदान रेकॉर्ड घेणे एक पदवीधर विद्यार्थी. या मतदान रेकॉर्ड जसे नाव, पत्ता, पिन कोड, जन्म तारीख, आणि लिंग माहिती समाविष्ट केली. खरं की वैद्यकीय डेटा फाइल आणि मतदार फाईल सामायिक फील्ड-पिन कोड, जन्म तारीख, आणि लिंग-बोलत Sweeney त्यांना दुवा शकते. Sweeney माहीत जोडणी वाढदिवस 31 जुलै, 1945 होते आणि मतदान रेकॉर्ड, की वाढदिवस केंब्रिड्ज केवळ सहा लोक यांचा समावेश आहे. शिवाय, त्या सहा लोक फक्त तीन पुरुष होते. आणि, त्या तीन पुरुष, फक्त एक जोडणी च्या झिप कोड शेअर केला आहे. अशा प्रकारे, मतदान डेटा जन्मतारीख, लिंग, आणि पिनकोड जोडणी च्या संयोजन वैद्यकीय डेटा कोणालाही विल्यम जोडणी होते की झाली. थोडक्यात, माहिती या तीन तुकडे डेटा त्याला एक अद्वितीय फिंगरप्रिंट प्रदान. हे खरं वापरून, Sweeney जोडणी वैद्यकीय रेकॉर्ड शोधून आणि तिच्या पराक्रम त्याला माहिती करण्यास सक्षम होते, ती त्याला त्याच्या रेकॉर्ड एक प्रत मेल (Ohm 2010) .

आकृती 6.5: पुन्हा-idenification "अनामित" डेटा. Latanya Sweeney राज्यपाल विल्यम जोडणी वैद्यकीय रेकॉर्ड शोधण्यासाठी "निनावी" आरोग्य मतदान रेकॉर्ड रेकॉर्ड एकत्र (Sweeney 2002) .

Sweeney काम -to संगणक सुरक्षा समुदाय एक शब्द अवलंब डी-anonymization हल्ला मूलभूत रचना स्पष्ट होते. हे हल्ले मध्ये, दोन डेटा सेट नाही स्वत: हून जे संवेदनशील माहिती मिळतो, लिंक आहेत, आणि या लिंकेज माध्यमातून, संवेदनशील माहिती उघड आहे. काही प्रकारे ही प्रक्रिया बेकिंग सोडा आणि व्हिनेगर, सुरक्षित स्वत: आहेत की दोन पदार्थ, एक ओंगळ परिणाम निर्मिती एकत्र केली जाऊ शकते प्रमाणेच आहे.

Sweeney काम, आणि इतर संबंधित काम प्रतिसादात, संशोधक आता साधारणपणे जास्त माहिती सर्व "असे म्हटले माहिती वैयक्तिकरित्या ओळखण्यायोग्य" (PII) काढून (Narayanan and Shmatikov 2010) अनेक संशोधक आता प्रक्रिया -during "anonymization." पुढे, की, विशिष्ट डेटा अशा वैद्यकीय रेकॉर्ड, आर्थिक रेकॉर्ड, बेकायदेशीर प्रश्न सर्वेक्षण उत्तरे अगदी नंतर सोडण्याची कदाचित खूप संवेदनशील वर्तन-लक्षात "anonymization." पण मी खाली वर्णन सामाजिक संशोधक आवश्यकता आहे हे सूचित करू अलीकडील अधिक उदाहरणे त्यांच्या विचार बदलू. एक पहिले पाऊल म्हणून, तो सर्व डेटा संभाव्य ओळखणारी व सर्व डाटा संभाव्य संवेदनशील आहे असे गृहीत धरते शहाणा आहे. दुसऱ्या शब्दांत, प्रकल्प एक लहान उपसंच लागू होते की माहितीच्या धोका विचार ऐवजी, आम्ही लागू-की काही प्रमाणात ते सर्व प्रकल्प असे गृहीत धरते पाहिजे.

हे पुन्हा प्रवृत्ती दोन्ही पैलू Netflix पुरस्कार करून विलेलेआहेत. Chapter 5 मध्ये वर्णन केल्याप्रमाणे, Netflix जाहीर जवळजवळ 500,000 सदस्य द्वारे प्रदान 100 दशलक्ष चित्रपट रेटिंग आणि खुले कॉल सर्व जगभरातून लोक चित्रपट शिफारस करण्यात Netflix च्या क्षमता सुधारण्यासाठी शकते की अल्गोरिदम सादर जेथे होते. डेटा releasing करण्यापूर्वी, Netflix कोणत्याही जाहीरपणे वैयक्तिकरित्या ओळखण्यायोग्य माहिती, अशा नावे काढले. Netflix देखील अतिरिक्त चरण गेला आणि काही रेकॉर्ड्स मध्ये थोडा perturbations (उदा, 3 तारे 4 तारे काही रेटिंग बदलणे) सुरू केली. Netflix लवकरच शोधला, तथापि, त्यांच्या प्रयत्नांना न जुमानता, डाटा होते निनावी याचा अर्थ.

डेटा नंतर फक्त दोन आठवडे जाहीर करण्यात आले Narayanan and Shmatikov (2008) विशिष्ट लोकांच्या चित्रपट प्राधान्ये जाणून घेण्यासाठी शक्य होते की झाली. त्यांच्या पुन्हा ओळख हल्ला करण्यासाठी युक्ती Sweeney च्या सारखे होते: दोन माहिती स्रोत एक एकत्र विलीन संभाव्य संवेदनशील माहिती आणि नाही जाहीरपणे ओळख माहिती आणि लोक ओळख समाविष्टीत आहे की एक. या डेटा स्रोत प्रत्येक वैयक्तिकरित्या सुरक्षित, पण ते एकत्र आहेत, तेव्हा विलीन डेटासेटमध्ये माहिती धोका तयार करू शकता करू शकता. Netflix डेटा बाबतीत, हे येथे घडू शकते कसे आहे. मी माझ्या सहकार्यांशी कृती आणि विनोदी बद्दल माझे विचार शेअर करण्यासाठी निवडले आहे, पण मी धार्मिक आणि राजकीय चित्रपटांविषयी माझ्या मते शेअर न करणे पसंत अशी कल्पना करा. माझे सहकारी मी Netflix डेटा माझ्या रेकॉर्ड शोधण्यासाठी त्यांना शेअर केलेली माहिती वापरू शकतो; मी शेअर माहिती फक्त विल्यम जोडणी जन्म तारीख, पिन कोड, आणि लैंगिक वैशिष्ट्यपूर्ण फिंगरप्रिंट असू शकते. मग, ते डेटा माझ्या अद्वितीय फिंगरप्रिंट शोधण्यासाठी तर ते माझी रेटिंग सर्व चित्रपट, मी शेअर न करणे निवडू जेथे चित्रपट बद्दल जाणून घेऊ शकते. एकच व्यक्ती लक्ष केंद्रित लक्ष्य हल्ला या प्रकारची व्यतिरिक्त, Narayanan and Shmatikov (2008) देखील वैयक्तिक आणि चित्रपट रेटिंग डेटा Netflix डेटा एकत्र करणे-लोकांना अनेक समावेश एक व्यापक हल्ला -one करावे शक्य होते की झाली की काही लोक इंटरनेट मूव्ही डाटाबेस (IMDb) वर पोस्ट करण्यासाठी निवडले आहे. एखादी विशिष्ट व्यक्ती-त्यांच्या चित्रपट संच एकमेव फिंगरप्रिंट आहे की कोणतीही माहिती त्यांना ओळखण्यासाठी रेटिंग-शकता वापरले जाऊ.

हे जरी खरे असले Netflix डेटा एकतर लक्ष्य किंवा उदार हल्ला पुन्हा ओळखले जाऊ शकते, ते अजूनही कमी जोखीम दिसू शकतील. सर्व केल्यानंतर, चित्रपट रेटिंग अतिशय संवेदनशील दिसत नाही. सर्वसाधारणपणे खरे असू शकते असतानाच, डेटासेटमध्ये 500,000 लोक काही, चित्रपट रेटिंग जोरदार संवेदनशील असू शकते. खरं तर, डी-anonymization प्रतिसादात एक एकांतात गुप्त खलबत समलिंगी संबंध ठेवणारी स्त्री स्त्री Netflix विरुद्ध एक वर्ग-क्रिया खटला सामील झाले. येथे समस्या त्यांच्या खटला मध्ये व्यक्त केले कसे आहे (Singel 2009) :

"[M] ovie आणि रेटिंग डेटा अधिक अत्यंत वैयक्तिक आणि संवेदनशील निसर्ग [त्यामुळे] च्या माहिती समाविष्टीत आहे. सदस्य चित्रपट डेटा लैंगिकता, मानसिक आजार, दारू पासून पुनर्प्राप्ती, आणि फसवणूक त्यातलेच पासून, शारीरिक शोषण, घरगुती हिंसा, व्यभिचार, आणि बलात्कार विविध अत्यंत वैयक्तिक समस्या, एक Netflix सदस्याच्या वैयक्तिक आवड आणि / किंवा संघर्ष पोहचवतो. "

Netflix पुरस्कार डेटा डी-anonymization स्पष्ट सर्व डेटा संभाव्य ओळखणारी व सर्व डाटा संभाव्य संवेदनशील आहे की दोन्ही आहे. या टप्प्यावर, आपण या फक्त की लोकांबद्दल असा आशय असणारी माहिती लागू की कदाचित. आश्चर्याची गोष्ट नाही, त्या बाबतीत नाही. माहिती कायदा विनंती स्वातंत्र्य प्रतिसाद, न्यू यॉर्क शहर सरकार, 2013 मध्ये न्यू यॉर्क मध्ये प्रत्येक टॅक्सी सायकल रेकॉर्ड जाहीर संकलन समावेश आणि Chapter 2 पासून वेळा, स्थाने, आणि धन प्रमाणात (आठवणे करा की Farber (2015) श्रमिक अर्थशास्त्र महत्वाचे सिद्धांत) चाचणी घेण्यासाठी हे डेटा वापरला नाही. ते लोक माहिती असल्याचे दिसत नाही कारण टॅक्सी ट्रिप बद्दल हा डेटा सहृदय वाटते शकते, तरी, अँटनी Tockar या टॅक्सी डेटासेटमध्ये प्रत्यक्षात लोक संभाव्य संवेदनशील माहिती बरेच समाविष्ट लक्षात आले. उदाहरणार्थ, तो चटचट कामे उरकणारा क्लब-मोठ्या पट्टी नवीन मध्यरात्र आणि सकाळी 6 आणि नंतर यॉर्क-दरम्यान क्लब येथे त्यांच्या ड्रॉप बंद ठिकाणी सुरू आढळले सर्व ट्रिप पाहिले. या शोध प्रकट-इन सार-एक चटचट कामे उरकणारा क्लब वारंवार काही लोक पत्ते यादी (Tockar 2014) . तो डेटा जाहीर करताना शहर सरकारी लक्षात हे होते की कल्पना करणे कठीण आहे. खरं तर, या त्याच तंत्र शहर-वैद्यकीय दवाखाना, एक सरकारी इमारत, किंवा धार्मिक संस्था कोणत्याही ठिकाणी भेट लोक घरी पत्ते शोधण्यासाठी वापरले जाऊ शकते.

अधर्माची अद्वितीय या दोन प्रकरणांमध्ये-Netflix पुरस्कार आणि न्यू यॉर्क शहर टॅक्सी डेटा शो तुलनेने कुशल लोक योग्य ते जाहीर डेटा माहिती धोका अंदाज अयशस्वी, आणि या प्रकरणे आहेत (Barbaro and Zeller Jr 2006; Zimmer 2010; Narayanan, Huey, and Felten 2016) . पुढे, या प्रकरणी अनेक अनिश्चित डेटा अद्याप ऑनलाइन मुक्तपणे उपलब्ध, कधी एक डेटा प्रकाशन करणे पूर्ववत अडचण दर्शवत आहे. एकत्रितपणे या उदाहरणे तसेच एक महत्त्वाचा निष्कर्ष गोपनीयता निष्पन्न बद्दल संगणक विज्ञान संशोधन. संशोधक सर्व डेटा संभाव्य ओळखणारी व सर्व डाटा संभाव्य संवेदनशील आहे असे गृहीत धरते पाहिजे.

दुर्दैवाने, सर्व डेटा संभाव्य ओळखणारी व सर्व डाटा संभाव्य संवेदनशील आहे की नाही सोपे उपाय आहे. तथापि, आपण डेटा काम करत आहेत तर माहिती जोखीम कमी करण्यासाठी एक मार्ग तयार करणे आणि एक डेटा संरक्षण योजना अनुसरण आहे. ही योजना आपल्या डेटा लीक होईल आणि एक बातमी कसा तरी आढळल्यास हानी कमी होईल शक्यता कमी होईल. वापर एनक्रिप्शन स्वरूपात, जसे की डेटा संरक्षण योजना संयोजना, वेळ प्रती बदलेल, पण यूके डेटा सेवा मदत म्हणून 5 श्रेणी कॉल 5 तिजोरीचे मध्ये एक डेटा संरक्षण योजना घटक आयोजित करते: सुरक्षित प्रकल्प, सुरक्षित लोक , सुरक्षित सेटिंग्ज, सुरक्षित डेटा, आणि सुरक्षित उत्पादन (तक्ता 6.2) (Desai, Ritchie, and Welpton 2016) . पाच तिजोरीचे कोणतेही वैयक्तिकरित्या परिपूर्ण संरक्षण प्रदान. पण, एकत्र ते माहिती धोका कमी करू शकता घटक शक्तिशाली संच तयार.

आपण ते वापरत नसताना आपला डेटा संरक्षण व्यतिरिक्त, माहिती धोका विशेषतः ठळक आहे जेथे संशोधन प्रक्रियेत एक पाऊल इतर संशोधक डेटा सामायिक करणे आहे. शास्त्रज्ञ आपापसांत डेटा शेअरिंग वैज्ञानिक प्रयत्न कोर मूल्य आहे, आणि तो मोठ्या मानाने सुविधा ज्ञान पुरविण्यात. येथे कॉमन यूके हाऊस डेटा शेअरिंग महत्त्व वर्णन कसे आहे:

"संशोधक, पुनरुत्पादित सत्यापित आणि साहित्य मध्ये अहवाल परिणाम तयार आहेत तर डेटावर प्रवेश मूलभूत आहे. तर्क एक मजबूत कारण अन्यथा आहे तोपर्यंत तेथे की, डेटा पूर्णपणे उघड आणि सार्वजनिकपणे उपलब्ध केला पाहिजे असणे आवश्यक आहे. शक्य सर्व सार्वजनिकरित्या अनुदानीत संशोधन संबद्ध डेटा मोठ्या प्रमाणावर आणि मुक्तपणे उपलब्ध करून देण्यात यावा, जेथे हे तत्त्व, ओळ. " (Molloy 2011)

आणखी एक संशोधक आपला डेटा सामायिक करून, आपण माहिती धोका आपले सहभागी वाढत जाऊ शकते. त्यामुळे त्यांच्या सामायिक करू इच्छित डेटा किंवा त्यांच्या सामायिक करणे आवश्यक आहे कोण संशोधक मूलभूत तणाव डाटा आहेत तोंड कदाचित असे वाटू शकेल. एक हात वर मूळ संशोधन सार्वजनिकरित्या अनुदानीत आहे, विशेषतः जर इतर शास्त्रज्ञ त्यांच्या डेटा सामायिक करण्यासाठी एक नैतिक जबाबदारी आहे. पण, त्याच वेळी, संशोधक कमी करण्यासाठी एक नैतिक बंधन शक्य तितकी आहे, त्यांच्या सहभागी माहिती धोका.

सुदैवाने, या कोंडी दिसते म्हणून गंभीर नाही. तो डेटा रिलिझ आणि, विसरू जेथे डेटा "निनावी" आणि कोणासही प्रवेश करण्यासाठी पोस्ट करण्यासाठी कोणताही डेटा शेअरिंग एक अखंड सोबत शेअर (आकृती 6.6) विचार करणे महत्वाचे आहे. या अत्यंत जागा दोन्ही जोखीम आणि फायदे आहेत. आहे, तो आपोआप आपला डेटा सामायिक नाही आणि कडे सर्वात अधिक नैतिक गोष्ट नाही आहे; अशा पध्दतीने समाज अनेक संभाव्य फायदे काढून टाकते. परत, चव, संबंध, आणि वेळ आधी धडा चर्चा उदाहरण, फक्त शक्य हानी लक्ष केंद्रित आणि हे शक्य आहे की फायदे दुर्लक्ष डेटा प्रकाशन विरुद्ध वितर्क अती एकतर्फी आहेत; मी अनिश्चितता (विभाग 6.6.4) चेहरा निर्णय सल्ला देतात तेव्हा खाली अधिक तपशील या एकतर्फी, अती संरक्षणात्मक पध्दतीने समस्या वर्णन करू.

आकृती 6.6: डेटा प्रकाशन धोरण एक अखंड बाजूने पडतात. जेथे हे अखंड आपला डेटा विशिष्ट तपशील अवलंबून बाजूने आपल्याला असणे आवश्यक आहे. या प्रकरणात, तृतीय पक्ष पुनरावलोकन आपण आपल्या बाबतीत धोका योग्य समतोल आणि लाभ निर्णय मदत करू शकता.

पुढे, हे दोन अत्यंत प्रकरणांमध्ये दरम्यान मी डेटा विशिष्ट निकष पूर्ण आणि काही नियम सहमत कोण लोकांशी शेअर केला आहे जेथे तटबंदीच्या बाग दृष्टिकोन म्हणतात शकाल काय आहे (उदा, एक आयआरबी पासून उपेक्षा आणि एक डेटा संरक्षण योजना) . या तटबंदीच्या बाग दृष्टिकोन प्रकाशन लाभ अनेक उपलब्ध आहे आणि कमी धोका विसरू. अर्थात, तटबंदीच्या बाग दृष्टिकोन अनेक प्रश्न-ज्यांना प्रवेश असावा, काय परिस्थितीत, किती काळ, कोण देखरेख आणि तटबंदीच्या बाग पोलीस देणे आवश्यक आहे कारण इत्यादि ह्या अनुल्लंघनीय आहेत निर्माण करतो. खरं तर, तेथे आधीच संशोधक अशा राजकीय आणि सामाजिक संशोधन आंतर-विद्यापीठ संघटनेचे डेटा संग्रहण मिशिगन विद्यापीठ म्हणून सध्या वापरू शकता ठिकाणी तटबंदीच्या गार्डन्स काम करत आहेत.

त्यामुळे, जेथे आपल्या अभ्यास डाटा शेअरिंग, तटबंदीच्या बाग अखंड असो आणि प्रकाशन आणि विसरू नये? तो आपला डेटा तपशील अवलंबून; संशोधक यांच्यासाठी कायदा आणि सार्वजनिक व्याज व्यक्ती, परोपकार, न्याय आदर, आणि आदर समतोल आवश्यक आहे. इतर निर्णय योग्य शिल्लक मूल्यांकन तेव्हा संशोधक सल्ला आणि IRBs मान्यता शोधतात, आणि डेटा प्रकाशन प्रक्रिया ही फक्त एक भाग असू शकते. दुसऱ्या शब्दांत, काही लोक एक हताश नैतिक दलदलीचा सखल प्रदेश म्हणून डेटा प्रकाशन विचार जरी, आम्ही आधीच संशोधक नैतिक द्विधा या प्रकारची समतोल मदत करण्यासाठी ठिकाणी प्रणाली.

डेटा शेअरिंग विचार करण्यासाठी एक अंतिम मार्ग समानता आहे. प्रत्येक वर्षी कार मृत्यू हजारो जबाबदार आहेत, पण आम्ही ड्रायव्हिंग बंदी करण्याचा प्रयत्न करत नाहीत. खरं तर, ड्रायव्हिंग बंदी अशा कॉल ड्रायव्हिंग अनेक अद्भुत गोष्टी सक्षम होते कारण हास्यास्पद होईल. उलट, समाज चालविण्यास शकता कोण बंधने ठेवतो (उदा, एक विशिष्ट वय असणे आवश्यक आहे, काही चाचण्या उत्तीर्ण झाले आहेत करणे आवश्यक आहे) आणि ते चालविण्यास कसे शकतो, (उदा, वेग मर्यादा अंतर्गत). समाज देखील हे नियम (उदा, पोलीस) अंमलबजावणीसाठी प्रमाणात लढाई लोक आहे, आणि आम्ही त्यांचे उल्लंघन झेल लोक त्यांना शिक्षा करील. समाज ड्रायव्हिंग नियमन लागू होते की संतुलित विचार या समान प्रकारचे देखील डेटा शेअरिंग लागू केले जाऊ शकते. की असं म्हणा किंवा डेटा शेअरिंग विरुद्ध absolutist वितर्क करत पेक्षा, मी सर्वात मोठा लाभ आम्ही अधिक सुरक्षितपणे अधिक माहिती कसे शेअर करू शकता शोधण्यापासून ते होईल वाटत, आहे.

निष्कर्ष काढला, माहिती धोका नाटकीय वाढ झाली आहे, आणि तो अंदाज आणि मापन करण्याची खूप कठीण आहे. त्यामुळे, सर्व डेटा संभाव्य ओळखता आणि संभाव्य संवेदनशील आहे असे गृहीत धरते सर्वोत्तम आहे. संशोधन करत असताना माहितीच्या धोका कमी करण्यासाठी, संशोधक तयार करणे आणि एक डेटा संरक्षण योजना अनुसरण करू शकता. शिवाय, माहितीच्या धोका इतर शास्त्रज्ञ डेटा सामायिक करणे संशोधक प्रतिबंध करत नाही.