6.6.2 समझ र प्रबन्ध जानकारी जोखिम

सूचना जोखिम सामाजिक अनुसन्धान मा सबै भन्दा साधारण जोखिम छ; यो नाटकीय वृद्धि भएको छ; र यो बुझ्न मुश्किल जोखिम छ।

सामाजिक उमेर डिजिटल अनुसन्धान को लागि दोस्रो नैतिक चुनौती जानकारी जोखिम, जानकारी खुलासा देखि हानि लागि सम्भावित छ (Council 2014) । व्यक्तिगत जानकारी खुलासा देखि जानकारी हानि आर्थिक हुन सक्छ (जस्तै, एक काम गुमाउने), सामाजिक (जस्तै, असजिलोपन), मनोवैज्ञानिक (जस्तै, अवसाद), वा आपराधिक (जस्तै, अवैध व्यवहार लागि गिरफ्तारी)। दुर्भाग्यवश, डिजिटल उमेर जानकारी जोखिम नाटकीय-त्यहाँ हाम्रो व्यवहार बारे बस यति धेरै जानकारी छ बढ्ने। र, जानकारी जोखिम यस्तो शारीरिक जोखिम रूपमा, एनालग उमेर सामाजिक अनुसन्धान मा चिन्ता थिए जोखिम तुलना बुझ्न र व्यवस्थापन गर्न धेरै कठिन रहेको छ। डिजिटल उमेर जानकारी जोखिम कसरी बढ्छ हेर्न, कागज इलेक्ट्रनिक चिकित्सा रेकर्ड गर्न संक्रमण विचार गर्नुहोस्। रेकर्ड दुवै प्रकारका सिर्जना जोखिम, तर विद्युतीय अभिलेख एक विशाल मात्रा मा उनि एक अनधिकृत पार्टी सञ्चारित हुन किनभने वा गर्न सक्छन् अन्य रेकर्ड एकिकृत धेरै ठूलो जोखिम सिर्जना गर्नुहोस्। डिजिटल युगमा सामाजिक अनुसन्धानकर्ताहरूले तिनीहरूले पूर्णतया quantify र यसलाई व्यवस्थापन गर्न कसरी बुझेनन् किनभने भाग मा, जानकारी जोखिम समस्या मा पहिले नै चलाउनुभयो। त्यसैले, म जानकारी जोखिम सोच्न सहयोगी तरिका प्रदान गर्न लागिरहेको छु, र त म तपाईं आफ्नो अनुसन्धान मा जानकारी जोखिम व्यवस्थापन कसरी गर्न को लागि र अन्य अनुसन्धानकर्ताहरूले डेटा जारी केही सल्लाह दिन लागिरहेको छु।

सामाजिक अनुसन्धानकर्ताहरूले जानकारी जोखिम कम गर्ने एउटा तरिका डाटा को "anonymization" छ। "Anonymization" नाम, ठेगाना, र डाटा देखि टेलिफोन नम्बर रूपमा स्पष्ट व्यक्तिगत पहिचानकर्ताहरू हटाउने प्रक्रिया छ। तर, यो दृष्टिकोण गहिरो र मौलिक सीमित धेरै मान्छे महसुस भन्दा धेरै कम प्रभावकारी छ, र यो वास्तव मा, छ,। त्यसैकारण, जब म वर्णन "anonymization," म उद्धरण चिह्न सम्झाउने यो प्रक्रिया गुमनाम को उपस्थिति तर साँचो गुमनाम सिर्जना कि प्रयोग गर्नेछौं।

"Anonymization" को विफलता को एक ज्वलन्त उदाहरण मैसाचुसेट्स मा लेट 1990 आउँछ (Sweeney 2002) । समूह बीमा आयोग (GIC) सरकार सबै राज्य कर्मचारीहरु लागि स्वास्थ्य बीमा खरिद लागि जिम्मेवार एजेन्सी थियो। यो काम को माध्यम ले, GIC राज्य कर्मचारीहरु हजारौं बारेमा विस्तृत स्वास्थ्य रेकर्ड संकलित। स्वास्थ्य सुधार गर्ने बारेमा अनुसन्धान पार्छ एक प्रयास मा, GIC अनुसन्धानकर्ताहरूले यी रेकर्ड जारी गर्ने निर्णय गरे। तथापि, तिनीहरूले आफ्नो सबै डेटा साझेदारी गरे; बरु, तिनीहरू यस्तो नाम र ठेगाना रूपमा जानकारी उखेलेर यो "anonymized"। तथापि, तिनीहरूले यस्तो डेमोग्राफिक जानकारी (जिप कोड, जन्म मिति, नस्ल र सेक्स) र चिकित्सा जानकारी (यात्रा डाटा, निदान, प्रक्रिया) (चित्रा 6.4) रूपमा अनुसन्धानकर्ताहरूले लागि उपयोगी हुन सक्छ लाग्यो कि अन्य जानकारी बायाँ (Ohm 2010) । दुर्भाग्यवश, यो "anonymization" छैन डाटा सुरक्षा गर्न पर्याप्त थियो।

चित्रा 6.4: "Anonymization" स्पष्ट हटाउने जानकारी पहिचान प्रक्रिया छ। उदाहरणका लागि, राज्य कर्मचारीहरु को चिकित्सा बीमा रेकर्ड जारी गर्दा मासाचुसेट्स समूह बीमा आयोग (GIC) फाइलहरू देखि नाम र ठेगाना हटाइयो। प्रक्रिया गुमनाम को उपस्थिति वास्तविक गुमनाम प्रदान गर्दछ, तर किनभने म शब्द "anonymization" वरिपरि उद्धरण प्रयोग गर्नुहोस्।

को GIC "anonymization" कमीकमजोरी चित्रण गर्न, Latanya Sweeney-त्यसपछि क्याम्ब्रिज, मैसाचुसेट्स राज्यपाल विलियम वेल्ड को गृहनगर को शहर मतदान रेकर्ड प्राप्त गर्न एमआईटी-भुक्तानी $ 20 मा एक स्नातक छात्र। यी मतदान रेकर्ड नाम, ठेगाना, जिप कोड, जन्म मिति, र लिंग समावेश जानकारी। यो तथ्य चिकित्सा डाटा फाइल र मतदाता फाइल साझा क्षेत्रहरू-जिप कोड, जन्म मिति, र सेक्स-अर्थ Sweeney तिनीहरूलाई लिङ्क सक्ने। Sweeney जुलाई 31, 1945 वेल्ड जन्मदिन थियो भनेर थाह थियो, र मतदान रेकर्ड कि जन्मदिन संग क्याम्ब्रिज मा मात्र छ मान्छे समावेश। यसबाहेक, ती छवटा मान्छे को, केवल तीन पुरुष थिए। र, ती तीन मानिसहरूको, केवल एक वेल्ड गरेको जिप कोड साझेदारी। त्यसैले, जन्म मिति, लिङ्ग, र जिप कोड को वेल्ड गरेको संयोजन संग चिकित्सा डाटा कसैलाई विलियम वेल्ड थियो कि मतदान डाटा देखाए। सार मा, जानकारी यी तीन टुक्रा डाटा उहाँलाई एक अद्वितीय औंठाछाप प्रदान। यो तथ्यलाई प्रयोग, Sweeney वेल्ड गरेको मेडिकल रेकर्ड पत्ता लगाउन, र उनको कमाल उहाँलाई सूचित गर्न सक्षम थियो, त्यो उहाँलाई आफ्नो रेकर्ड प्रतिलिपि मेल (Ohm 2010) ।

आंकडा 6.5: पुन idenification "anonymized" डाटा को। Latanya Sweeney राज्यपाल विलियम वेल्ड को चिकित्सा रेकर्ड फेला पार्न आदेश मा "anonymized" स्वास्थ्य मतदान रेकर्ड संग रेकर्ड संयुक्त (Sweeney 2002) ।

Sweeney काम कम्प्युटर सुरक्षा समुदायको एक शब्द अपनाउने -to डे-anonymization आक्रमणको आधारभूत संरचना देखाउँछ। यी आक्रमण, दुई डाटा सेट, न जो आफैमा को संवेदनशील जानकारी, प्रकट लिङ्क छन्, र यो लिंकेज मार्फत, संवेदनशील जानकारी उजागर गरिएको छ। केही तरिकामा यो प्रक्रिया सोडा र सिरका, आफूलाई द्वारा सुरक्षित छ भनेर दुई पदार्थ पकाना, एक फोहर नतिजा उत्पादन गर्न संयुक्त सकिन्छ भनेर बाटो मिल्दोजुल्दो छ।

Sweeney काम, र अन्य सम्बन्धित काम प्रतिक्रिया, अनुसन्धानकर्ताहरूले अब साधारण अधिक जानकारी-सबै तथाकथित "व्यक्तिगत पहिचान हुने जानकारी" (PII) हटाउन (Narayanan and Shmatikov 2010) धेरै अनुसन्धानकर्ताहरूले अब प्रक्रिया -during "anonymization।" यसबाहेक, केही डाटा-यस्तो चिकित्सा रेकर्ड, वित्तीय रेकर्ड, अवैध बारेमा प्रश्नहरू सर्वेक्षण जवाफ रूपमा शायद पनि संवेदनशील पनि पछि जारी गर्न व्यवहार-छ भन्ने महसुस "anonymization।" तर, म तल वर्णन छौँ भनेर सामाजिक अनुसन्धानकर्ताहरूले गर्न आवश्यक सङ्केत अझ हालैको उदाहरण आफ्नो सोचाइ परिवर्तन। पहिलो चरण, यो सबै डाटा संभावित पहिचान छ र सबै डाटा संवेदनशील छ भन्ने मान बुद्धिमानी हुन्छ। अर्को शब्दमा, कि जानकारी जोखिम सोच परियोजनाहरूको एउटा सानो उपसमूह लागू भन्दा, हामी यसलाई लागू-कि सबै परियोजनाहरू केही डिग्री-गर्न मान गर्नुपर्छ।

यो पुनः अभिमुखीकरण दुवै पक्षहरू पनि Netflix पुरस्कार द्वारा सचित्र छन्। अध्याय 5 मा वर्णन रूपमा, Netflix 100 मिलियन चलचित्र मूल्यांकन लगभग 5,00,000 सदस्यहरू द्वारा प्रदान जारी, र सबै दुनिया भर देखि मान्छे चलचित्र सिफारिस गर्न Netflix क्षमता सुधार सक्ने एल्गोरिदम पेश जहाँ खुला कल थियो। डाटा जारी अघि, Netflix यस्तो नाम कुनै पनि स्पष्ट व्यक्तिगत पहिचान जानकारी, हटाइयो। Netflix पनि अतिरिक्त चरण गए र (जस्तै, 3 ताराहरु 4 ताराहरु केही मूल्यांकन परिवर्तन) को रेकर्ड केहि थोरै perturbations बताए। Netflix तर, आफ्नो प्रयत्न गरे तापनि डाटा कुनै द्वारा थिए अज्ञात अर्थ, चाँडै पत्ता।

डाटा पछि बस दुई हप्ता जारी गरियो Narayanan and Shmatikov (2008) यो विशिष्ट व्यक्तिहरूको चलचित्र प्राथमिकताहरू सिक्न सम्भव थियो कि देखाए। आफ्नो पुन पहिचान आक्रमण गर्न चाल Sweeney जस्तै थियो: संवेदनशील जानकारी र कुनै स्पष्ट पहिचान जानकारी र एक मान्छे को पहिचान समावेश गर्ने दुई जानकारी स्रोतहरू, एक सँगै मर्ज। यी डाटा स्रोतहरु को प्रत्येक व्यक्तिगत सुरक्षित हुन सक्छ, तर तिनीहरूले संयुक्त छन् जब मर्ज डेटासेटको जानकारी जोखिम सिर्जना गर्न सक्नुहुन्छ। को Netflix डाटा को मामला मा, यहाँ यो हुन सक्छ कसरी गर्ने। म मेरो सह-कार्यकर्ता संग कार्य र कमेडी चलचित्र बारे मेरो विचार साझेदारी गर्न छनौट, तर म धार्मिक र राजनीतिक चलचित्र बारेमा मेरो राय साझेदारी गर्न रुचाउनु भनेर कल्पना गर्नुहोस्। मेरो सह-कार्यकर्ता म Netflix डाटा मेरो रेकर्ड फेला पार्न तिनीहरूलाई साझेदारी गर्नुभएको जानकारी प्रयोग गर्न सक्छ; म साझा कि जानकारी बस विलियम वेल्ड जन्म मिति, जिप कोड, र सेक्स जस्तै एक अद्वितीय औंठाछाप हुन सक्छ। त्यसपछि, तिनीहरूले डाटा मेरो अद्वितीय औंठाछाप पाउन भने, तिनीहरूले मेरो मूल्यांकन जहाँ म साझेदारी गर्न छनौट चलचित्र सहित सबै चलचित्र, सिक्न सक्छ। एक व्यक्ति केन्द्रित लक्षित आक्रमण यस प्रकारको साथै, Narayanan and Shmatikov (2008) पनि यसलाई व्यक्तिगत र चलचित्र दर्जा डाटा संग Netflix डाटा मर्ज-मानिसहरूलाई धेरै मुछिएको एक व्यापक आक्रमण -one गर्न सम्भव थियो कि देखाए केही मान्छे इन्टरनेट चलचित्र डाटाबेस (IMDb) मा पोस्ट गर्न छान्नुभएको छ। कुनै खास व्यक्ति-पनि आफ्नो सिनेमाको सेट अनुपम औठाछाप कुनै पनि जानकारी मूल्यांकन-सक्छन् तिनीहरूलाई पहिचान गर्न प्रयोग गर्न।

को Netflix डाटा हुन त एक लक्षित वा व्यापक आक्रमण पुनः पहिचान गर्न सक्छन् तापनि, यो अझै पनि कम जोखिम हुन देखिन सक्छ। आखिर, चलचित्र मूल्यांकन धेरै संवेदनशील जस्तो देखिन्छ छैन। जबकि सामान्य साँचो हुन सक्छ, डेटासेटको मा 5,00,000 मानिसहरू केही लागि, चलचित्र मूल्यांकन एकदम संवेदनशील हुन सक्छ। वास्तवमा, डे-anonymization प्रतिक्रिया एक closeted लेसबियन महिला Netflix विरुद्ध वर्ग-कार्य सुट साथ दिए। यहाँ समस्या आफ्नो मुद्दा व्यक्त भएको थियो कसरी गर्ने (Singel 2009) :

"[एम] ovie र दर्जा डाटा एक थप अत्यधिक व्यक्तिगत र संवेदनशील प्रकृतिको [प्रकार] को जानकारी छ। यो सदस्यको चलचित्र डाटा एक Netflix सदस्यको व्यक्तिगत रुचि र / वा संघर्ष कामुकता, मानसिक रोग, रक्सीमा धेरै लत बसेको अबस्था बाट रिकभरी र victimization हाडनाताकरणी देखि, भौतिक दुरुपयोग, घरेलु हिंसा, व्यभिचार, र बलात्कार सहित विभिन्न अत्यधिक व्यक्तिगत मुद्दाहरू, संग खुला गर्छ। "

को Netflix पुरस्कार डाटा को डी-anonymization सबै डाटा संभावित पहिचान छ र सबै डाटा संवेदनशील छ कि दुवै भनेर देखाउँछ। यो बिन्दुमा, तपाईं यो मात्र मानिसहरूले हुन purports भनेर डाटा लागू हुन्छ भनेर सोच्न सक्छ। अचम्मको कुरा, त्यस छैन मामला छ। सूचना व्यवस्था अनुरोध को स्वतन्त्रता प्रतिक्रिया मा, न्यूयोर्क शहर सरकार न्यूयोर्क हरेक ट्याक्सी सवारी रेकर्ड 2013 मा, पिकअप सहित जारी र अध्याय 2 पटक, स्थानहरू, र भाडा रकम (सम्झन्छन् बन्द ड्रप Farber (2015) श्रम अर्थशास्त्र महत्त्वपूर्ण सिद्धान्त) परीक्षण गर्न यो डेटा प्रयोग। किनभने यो बारेमा जानकारी हुन जस्तो छैन ट्याक्सी यात्राको बारेमा यो डाटा सौम्य देखिन्छ सक्छ तापनि, एन्थोनी Tockar यो ट्याक्सी डेटासेटको वास्तवमा बारेमा संवेदनशील जानकारी धेरै निहित भनेर बुझे। उदाहरणका लागि, उहाँले Hustler क्लब-एक ठूलो पट्टी नयाँ मा मध्यरात र 6AM र त्यसपछि यर्क-बीच क्लब मा आफ्नो ड्रप-बन्द स्थानहरू सुरु पाइयो सबै यात्राको देख्यो। यो खोज प्रकट-मा सार-एक गर्नुभएको Hustler क्लब बारम्बार केही मानिसहरूको ठेगाना सूची (Tockar 2014) । यो डाटा जारी गर्दा शहर सरकार मनमा यो थियो कि कल्पना गर्न कठिन छ। वास्तवमा, यो नै प्रविधी शहर-चिकित्सा क्लिनिक, सरकारी भवन, वा धार्मिक संस्था कुनै पनि ठाउँमा भ्रमण गर्ने मान्छे को घर ठेगाना पत्ता लगाउन प्रयोग गर्न सकिएन।

द्वारा कुनै अद्वितीय अर्थ यी दुई अवस्थामा-को Netflix पुरस्कार र न्यूयोर्क शहर ट्याक्सी डाटा-शो अपेक्षाकृत कुशल मान्छे सही तिनीहरूले जारी डाटा मा जानकारी जोखिम अनुमान गर्न असफल भयो, र यी अवस्थामा छन् (Barbaro and Zeller Jr 2006; Zimmer 2010; Narayanan, Huey, and Felten 2016) । यसबाहेक, यी अवस्थामा धेरै मा, समस्याग्रस्त डाटा अझै पनि खुलेर उपलब्ध अनलाइन, कहिल्यै डाटा जारी खारेज को कठिनाई संकेत छ। सामूहिक यी उदाहरणहरू-साथै एउटा महत्त्वपूर्ण निष्कर्षमा गोपनीयताको-सुराकी बारे कम्प्युटर विज्ञान अनुसन्धान। अनुसन्धानकर्ताहरूले सबै डाटा संभावित पहिचान छ र सबै डाटा संवेदनशील छ भन्ने मान गर्नुपर्छ।

दुर्भाग्यवश, सबै डाटा संभावित पहिचान छ र सबै डाटा संवेदनशील छ भन्ने तथ्यलाई कुनै सरल समाधान छ। तथापि, तपाईं डाटा संग काम गर्दै गर्दा जानकारी जोखिम कम गर्न एउटा तरिका बनाउन र एक डाटा सुरक्षा योजना पालना गर्न छ। यो योजना आफ्नो डाटा लीक र एक दरार तरिका हुन्छ भने नोक्सानी कम हुनेछ भन्ने मौका घट्छ हुनेछ। प्रयोग गर्न गुप्तिकरण को फारम यस्तो जो रूपमा डाटा सुरक्षा योजना को विशेष, समय परिवर्तन हुनेछ, तर बेलायत डाटा सेवा helpfully तिनीहरूले 5 safes कल भनेर 5 विभाग मा एक डाटा सुरक्षा योजना को तत्व संगठित: सुरक्षित परियोजनाहरु, सुरक्षित मान्छे , सुरक्षित सेटिङहरू, सुरक्षित डाटा, र सुरक्षित आउटपुटहरू (तालिका 6.2) (Desai, Ritchie, and Welpton 2016) । पाँच safes कुनै पनि व्यक्तिगत रूपमा सिद्ध सुरक्षा प्रदान। तर, सँगै तिनीहरूले जानकारी जोखिम कम गर्न सक्ने कारक को एक शक्तिशाली सेट फारम।

तपाईंको डाटा सुरक्षा तपाईं यसलाई प्रयोग गर्दै गर्दा साथै, जहाँ जानकारी जोखिम विशेष गरी salient छ अनुसन्धान प्रक्रियामा एक कदम अन्य अनुसन्धानकर्ताहरूले डाटा साझेदारी छ। वैज्ञानिकहरूले बीच डाटा साझेदारी वैज्ञानिक प्रयास को एक कोर मूल्य छ, र ज्ञान को यो निकै सुविधाहरु प्रगति। यहाँ सामान्य को बेलायत हाउस डाटा साझेदारी महत्त्व कसरी वर्णन छ:

अनुसन्धानकर्ताहरूले, उर्तानु प्रमाणित र साहित्य मा रिपोर्ट गर्दै छन् कि परिणाम मा निर्माण हो भने "डाटा पहुँच मौलिक छ। यो अनुमान त्यहाँ बलियो कारण अन्यथा नभएसम्म, डाटा पूर्णतया प्रकट हुनेछ, कि पर्छ र सार्वजनिक रूपमा उपलब्ध हुनुपर्छ। यो सिद्धान्त, जहाँ सम्भव, सबै सार्वजनिक वित्त पोषित अनुसन्धान संग सम्बन्धित डाटा व्यापक र खुला उपलब्ध गर्नुपर्छ संग लाइन मा। " (Molloy 2011)

यद्यपि, अर्को शोधकर्ता तपाईंको डाटा साझेदारी गरेर, तपाईं जानकारी जोखिम आफ्नो सहभागीहरूलाई वृद्धि हुन सक्छ। तसर्थ, यो आफ्नो साझेदारी गर्न चाहनुहुन्छ डाटा-वा आफ्नो साझेदारी गर्न आवश्यक छ जसले अनुसन्धानकर्ताहरूले डाटा-गर्दै एक मौलिक तनाव सामना कि जस्तो लाग्न सक्छ। एक हात तिनीहरूले मूल अनुसन्धान सार्वजनिक वित्त पोषित छ, विशेष गरी यदि अन्य वैज्ञानिकहरूले आफ्नो डाटा साझेदारी गर्न एक नैतिक दायित्व छ। यद्यपि, एकै समयमा, अनुसन्धानकर्ताहरूले कम गर्न नैतिक दायित्व छ, सकेसम्म धेरै छ, आफ्नो सहभागीहरूलाई जानकारी जोखिम।

खुसीको कुरा, यो दुविधा छैन यो देखिन्छ रूपमा गम्भीर छ। यो जारी र भूल, जहाँ डाटा "anonymized" छ र पहुँच गर्न कसैले लागि पोस्ट गर्न कुनै डाटा साझेदारी देखि एक Continuum साथ साझा डाटा (चित्रा 6.6) को सोच्न महत्त्वपूर्ण छ। यी चरम स्थितिहरु दुवै जोखिम र लाभ छ। त्यो यो स्वतः तपाईंको डाटा साझेदारी गर्न सबैभन्दा नैतिक कुरा हो, छ; यस्तो दृष्टिकोण समाजलाई धेरै संभावित लाभ समाप्त। फिर्ता स्वाद, सम्बन्ध, र समय, पहिले अध्यायमा छलफल उदाहरण, मात्र सम्भव हानि ध्यान केन्द्रित र सम्भव लाभ बेवास्ता डाटा जारी विरुद्ध तर्क अचाक्ली एक-पक्षीय छन्; म जब म अनिश्चितता (धारा 6.6.4) को अनुहार मा निर्णय बारे सल्लाह प्रदान तल अझ विस्तार यो एक-पक्षीय, अचाक्ली सुरक्षा दृष्टिकोण संग समस्या वर्णन छौँ।

आंकडा 6.6: डाटा जारी रणनीति एक Continuum साथ फस्न सक्छन्। कहाँ यो Continuum तपाईंको डाटा को विशिष्ट विवरण निर्भर साथ तपाईं हुनुपर्छ। यस अवस्थामा, तेस्रो पक्ष समीक्षा तपाईं आफ्नो मामला मा जोखिम को उपयुक्त सन्तुलन र लाभ निर्णय गर्न मद्दत गर्न सक्छ।

यसबाहेक, यी दुई चरम अवस्थामा बीच मा म एक पर्खालले घेरिएको बगैचा दृष्टिकोण जहाँ डाटा केही मापदण्ड पूरा र जो केही नियमहरू बाँधिएका गर्न सहमत मान्छे संग साझेदारी गरिएको छ भनिन्छ छौँ के छ (जस्तै, एक आईआरबी देखि निरीक्षण र एक डाटा सुरक्षा योजना) । यो पर्खालले घेरिएको बगैचा दृष्टिकोण जारी फाइदा धेरै प्रदान गर्दछ र कम जोखिम बिर्सन्छन्। निस्सन्देह, एक पर्खालले घेरिएको बगैचा दृष्टिकोण धेरै प्रश्न-जसले पहुँच हुनुपर्छ, के अवस्थामा कसरी लामो, कायम र पर्खालले घेरिएको बगैचा प्रहरी तिर्न कसले लागि आदि-तर यी छैन दुर्गम छन् सिर्जना गर्छ। वास्तवमा, त्यहाँ पहिले नै अनुसन्धानकर्ताहरूले यस्तो राजनीतिक र सामाजिक अनुसन्धान लागि अन्तर-विश्वविद्यालय कंसोर्टियम को डाटा विश्वविद्यालय को मिशिगन मा संग्रह जस्तै, प्रयोग गर्न सक्नुहुन्छ अहिले स्थानमा पर्खालले घेरिएको उद्यान काम गर्दै छन्।

त्यसैले, जहाँ आफ्नो अध्ययन बाट डाटा साझेदारी, पर्खालले घेरिएको बगैचा को Continuum मा हुन, र जारी र भूल गर्नुपर्छ? यो आफ्नो डाटा विवरण निर्भर; अनुसन्धानकर्ताहरूले व्यवस्था र सार्वजनिक ब्याज लागि व्यक्ति, Beneficence, न्याय आदर, र आदर सन्तुलनमा पर्छ। अन्य निर्णय लागि उपयुक्त सन्तुलन आकलन गर्दा अनुसन्धानकर्ताहरूले सल्लाह र IRBs को अनुमोदन खोज्न, र डाटा जारी कि प्रक्रिया को बस अर्को भाग हुन सक्छ। अर्को शब्दमा, केही मानिसहरू एक निराशजनक नैतिक morass रूपमा डाटा जारी विचार हुनत, हामी पहिले देखि नै ठाउँमा प्रणाली अनुसन्धानकर्ताहरूले यी नैतिक दुविधाओं को प्रकारको सन्तुलनमा मदत गर्न छ।

डाटा साझेदारी बारे सोच्न अन्तिम एउटा तरिका analogy हो। हरेक वर्ष कार मृत्यु हजारौं लागि जिम्मेवार छन्, तर हामी ड्राइभिङ प्रतिबंध लगान गर्न प्रयत्न गर्ने। किनभने ड्राइभिङ धेरै सुन्दर कुराहरू सक्षम वास्तवमा, ड्राइभिङ प्रतिबंध लगान यस्तो कल निरर्थक हुनेछ। बरु, समाज गर्ने ड्राइव गर्न सक्छन् प्रतिबन्ध स्थानहरू (जस्तै, एक निश्चित उमेर हुनु आवश्यक छ, केही परीक्षण पारित गरेको छ गर्न आवश्यक) र तिनीहरूले ड्राइव गर्न सक्छन् (जस्तै, गति सीमा अन्तर्गत) कसरी। समाज पनि यी नियमहरू (जस्तै, प्रहरी) लागू संग tasked मान्छे छ, र हामी तिनीहरूलाई उल्लङ्घन गरेको पाइएमा छन् जो मानिसहरू दण्ड। समाज ड्राइभिङ विनियमन लागू सन्तुलित सोच को यो नै दयालु पनि डाटा साझेदारी लागू गर्न सकिन्छ। त्यो बरु लागि वा डाटा साझेदारी विरुद्ध absolutist तर्क बनाउने भन्दा, म सबै भन्दा ठूलो लाभ हामी कसरी अझ सुरक्षित थप डाटा साझेदारी गर्न सक्नुहुन्छ सोचिरहनुभएको देखि आउनेछ लाग्छ, छ।

निष्कर्षमा पुग्न गर्न, जानकारी जोखिम नाटकीय वृद्धि भएको छ, र यो भविष्यवाणी र quantify गर्न धेरै गाह्रो छ। तसर्थ, यो सबै डाटा संभावित पहिचान र संवेदनशील छ भन्ने मान सबै भन्दा राम्रो छ। जानकारी जोखिम कम गर्न अनुसन्धान गर्दा, अनुसन्धानकर्ताहरूले सिर्जना र एक डाटा सुरक्षा योजना पालन गर्न सक्छौं। यसबाहेक, जानकारी जोखिम अन्य वैज्ञानिकहरूले डाटा साझेदारी देखि अनुसन्धानकर्ताहरूले रोक्दैन।