6.6.2 کي سمجهڻ ۽ معلومات جي خطري کي منظم ڪرڻ

سماجي تحقيق ۾ ڄاڻايل خطري جو سڀ کان وڏو خطر آهي. ان کي تيزيء سان وڌي وئي آهي. ۽ اهو سمجھڻ لاء تمام وڏا خطر آهي.

ڊجيٽل عمر جي تحقيق لاء ٻيون اخلاقي چئلينج معلوماتي خطري ، معلومات جي ظاهر ٿيڻ کان نقصان جي صلاحيت آهي (National Research Council 2014) . ذاتي معلومات جي ظاهر ٿيڻ کان معلوماتي نقص معاشي ٿي سگهي ٿي (مثال طور، هڪ نوڪري ڇڏڻ)، سماجي (مثال طور، شرمندگي)، نفسياتي (مثال طور، ڊپريشن)، يا اڃا به مجرمي (مثال طور، غير قانوني طريقي جي گرفتاري). بدقسمتي سان، ڊجيٽل عمر معلوماتي خطري کي خطرناڪ وڌائي ٿو - اسان جي رويي بابت ايترو گهڻو ڪجهه آهي. ۽ خطر خطا جي سماج جي سماجي تحقيقات، جهڙوڪ جسماني خطرو جي خطرات سان مقابلو ۽ انتظام ڪرڻ ۾ تمام ڏکيا ثابت ثابت ڪيا آهن.

هڪ طريقو آهي ته سماجي تحقيق معلومات خطري ضايع ڊيٽا جي "anonymization" آهي. "Anonymization" جي انگن اکرن کان جيئن ته نالو، پتي، ۽ ٽيلي فون نمبر طور تي پڌرو ذاتي سڃاڻڻ وڃڻ جي عمل آهي. تنهن هوندي به، هن اچڻ کان گهڻو گهٽ اثر کان ڪيترن ئي ماڻهن جو احساس آهي، ۽ ان کي، آهي حقيقت ۾، تمام گهڻي ۽ بنيادي طور محدود. اهو ئي سبب آهي، جڏهن مون کي بيان "anonymization،" مون کي Quotation ڏيندو پيشانين استعمال اوھان کي نصيحت ڪرڻ لاء ته هن عمل کي ٻڌائڻ جي پر نه سچي نه ٻڌائڻ جي ظاهر پيدا ويندس.

1990 واري ڏهاڪي کان ماساسچسٽس (Sweeney 2002) ۾ آيل "ناممڪن" جي ناڪامي جو هڪ مثالي مثال آهي. گروپ جي انشورنس ڪميشن (GIC) هڪ سرڪاري ايجنسي هئي جيڪو سڀني ملازمن جي لاء صحت جي انشورنس خريد ڪرڻ جو ذميوار آهي. هن ڪم ذريعي، هزارين رياستن جي ملازمن بابت تفصيلي صحت رڪارڊ گڏ ڪيا. تحقيق کي وڌائڻ جي ڪوشش ۾، جي آء سي سي جي تحقيق ڪندڙن کي اهي ريڪارڊ ڇڏڻ جو فيصلو ڪيو. بهرحال، انهن سڀني جي سڀني ڊيٽا کي حصيداري نه ڪيو؛ بلڪه، اهي "نامزد" ان ڊيٽا کي معلومات کي ختم ڪندي، نالا ۽ پتاون. بهرحال، انهن ٻين معلومات کي ڇڏي ڏنو ته اهي سوچيو ڊيموگرافڪ معلومات (زپ ڪوڊ، پيدائش واري تاريخ، قوم ۽ جنسي) ۽ تحقيق جي لحاظ کان مفيد ثابت ٿي سگهن ٿا (انگن اکرن، تشخيص، طريقيڪار). (اعداد و شمار 6.4) (Ohm 2010) . بدقسمتي سان، هن "ناممڪن" ڊيٽا کي بچائڻ لاء ڪافي نه هئي.

شڪل 6.4: "گمنامائيشن" واضح طور تي سڃاڻپ جي ڄاڻ کي ختم ڪرڻ جي عمل آهي. مثال طور، جڏهن رياست جي ملازمن جي طبي انشورنس رڪارڊ جاري ڪري، ماسسچسٽس گروپ انشورنس ڪميشن (GIC) کي فائلن کان نالا ۽ پتا هٽايو. مان لفظ "نالا" جي چوڌاري ڪوٽا مارڪ استعمال ڪندا آهن ڇاڪاڻ ته پروسيس گمنام جي ظاهر ڪري ٿو پر اصل نالو به نه ڏيندو آهي.

GIC "گمنام" جي مختصر گمان کي بيان ڪرڻ لاء، ميساچوٽٽس جي شهرت وليم ويلڊ جي شهرت واري شهر جي ڪئمبرز کان ووٽنگ ريڪارڊ حاصل ڪرڻ لاء ايمٽائٽ ٽيسٽ ميٽيٽيڪل شاگرد لتيڪ سوين وري. انهن ووٽرن جي رڪارڊ ۾ معلومات شامل آهي جهڙوڪ نالو، ايڊريس، زپ ڪوڊ، ڄمڻ جي تاريخ، ۽ صنف. حقيقت اها آهي ته طبي ڊيٽا فائل ۽ ووٽر فائيل ونڊوز زپ ڪوڊ، پيدائش جي تاريخ، ۽ جنسي جو مطلب آهي سوين کين ان سان ڳنڍيل هجي. سوين ڄاڻو ويو ته ويلڊ جي جنم ڏينهن 31 جولاء 1945 ع ۾ ٿي سگهي ٿي، ۽ ووٽنگن ۾ صرف ڇهه ماڻهو ڪئمبرج ۾ موڪليا ويا آهن. ان کان سواء، ڇهه ماڻهن مان فقط ٽي مرد هئا. ۽، انهن ٽنهي مردن مان فقط هڪ ونڊ وي ويل جي زپ ڪوڊ. ان ڪري، ووٽ واري ڊيٽا ظاهر ڪيو ته ويلڊ جي تاريخ، صنف، ۽ زپ ڪوڊ ويلڊ ويلڊ سان طبي ميڊيڪل ۾ ڪو به ماڻهو هو. ذات ۾، ڄاڻ واري ٽنهي ٽنڊو هڪ منفرد انگن اکرن کي هن ڊيٽا ۾ پهچايو. هن حقيقت کي استعمال ڪندي سوين ويلڊ جي طبي رڪارڊ کي ڳولڻ ۾ ڪامياب هو، ۽ کيس پنهنجي خاصيت جي باري ۾ ڄاڻ ڏيڻ لاء، هن پنهنجي رڪارڊ جي ڪاپي موڪليا (Ohm 2010) .

Figure 6.5: "نامزد ٿيل" ڊيٽا جو ٻيهر ريڪارڊ. لاتوانيا سوين کي گورنر جي وليم ويلڊ جي طبي ريڪارڊ ڳولڻ لاء ووٽ ريڪارڊ سان گڏ "نامياري" صحت جي رڪارڊ کي Sweeney (2002) شڪل نمبر 1 تان ڪڍيو ويو.

سوين جي ڪم کي ٻيهر سڃاڻپ جي حملن جي بنيادي ڍانچي جي وضاحت ڪري ٿي، ڪمپيوٽر جي سيڪيورٽي برادري کان اصطلاح کي اپنائڻ. انهن حملن ۾، ٻه انگ اکر سيٽ، پاڻ ۾ نه پاڻ کي حساس معلومات ظاهر ڪري، ڳنڍيل آهن، ۽ هن رابطي ذريعي، حساس معلومات ظاهر ٿي وئي آهي.

سوين جي ڪم ۽ ٻين سان لاڳاپيل ڪم جي جواب ۾، محقق هاڻي عام طور تي وڌيڪ معلومات مٽائيندا آهن. سڀني نامناسب "ذاتي طور تي سڃاڻپ ڪندڙ ڄاڻ" (PII) (Narayanan and Shmatikov 2010) جي "ناممڪن" جي عمل جي عمل ۾. وڌيڪ هاڻي ڄاڻون ٿا ته ڪجهه ڊيٽا، جهڙوڪ طبي ريڪارڊ، مالي رڪارڊ، غير قانوني طريقي بابت سروي بابت سوالن جو جواب، ان کان پوء "ناممڪن" کان پوء ڇڏڻ لاء شايد سنجيده حساس آهي. انهن جي سوچ کي تبديل ڪرڻ. پهرين قدم جي طور تي، اهو سمجهڻ مشڪل آهي ته سموري ڊيٽا ڊيٽا ممڪن طور تي قابل سڃاڻپ آهن ۽ تمام ڊيٽا ممڪن طور تي حساس آهن. ٻين لفظن ۾، بلڪه سوچ جي ڄاڻ واري خطر جي منصوبن جي ننڍڙي ننڍڙن ننڍڙن خطرن تي لاڳو ٿيڻ جي بدران، اسان کي اهو سمجهڻ گهرجي ته اهو لاڳو ٿئي ٿو ڪجهه ڊگهين سڀني منصوبن تائين.

ھن بحالي جي ٻنهي نقشن نيل فلڪس انعام جي ذريعي بيان ڪيل آھن. جيئن 5 باب ۾ بيان ڪيو ويو، Netflix تقريبا 500،000 ميمبرن پاران 100 ملين فلمون ڏنيون جاري ڪيون ويون آهن، ۽ هڪ آزاد ڪال هئي، جتي ماڻهو سڄي دنيا ۾ الورٿيمس پيش ڪيا جيڪي فلمن جي سفارش ڪرڻ لاء نيٽ فلڪس جي صلاحيت کي بهتر ڪري سگهي ٿو. ڊيٽا کي جاري ڪرڻ کان پهرين، نيٽ فلڪس ڪنهن به واضع ذاتي طور تي سڃاڻپ ڪندڙ معلومات کي هٽايو، جهڙوڪ نالا. اهي پڻ هڪ اضافي قدم ٿي چڪا هئا ۽ ڪجهه رڪارڊن ۾ معمولي ماتحت رڪارڊ متعارف ڪرايو (مثال طور، 4 ستارن کان 3 ستارن جي ڪجهه درجه بندي تبديل). بهرحال، جلد ئي، دريافت ڪيو، ان جي ڪوششات باوجود، ڊيٽا اڃا تائين گمنام نه هئا.

اعداد و شمار جاری ٿيڻ کان صرف ٻه هفتا بعد، اروند نائنانان ۽ ويٽي شمتڪوف (2008) ظاهر ڪيو ته اهو خاص ماڻهن جي فلم جي ترجيحن بابت سکڻ ممڪن آهي. ان جي سڃاڻپ واري حملي کي سوينائن سان ملندڙ هئي: ٻنهي معلومات جي معلومات سان گڏ ملن، هڪ امڪاني حساس معلومات سان گڏ، ۽ واضع طور تي شناخت ڪندڙ معلومات ۽ جيڪو ماڻهو جي سڃاڻپ شامل آهي. انهن ڊيٽا مان هر هڪ انفرادي طور تي محفوظ طور تي محفوظ ٿي سگهي ٿو، پر جڏهن اهي گڏيل آهن، ملائي ڊياتاس ڄاڻايل خط پيدا ڪري سگهي ٿي. Netflix ڊيٽا جي صورت ۾، هتي ئي ڪيئن ٿي سگهي ٿي. تصور ڪريو ته آئون پنهنجي ڪم ڪارڪنن سان عمل ۽ مزاحيه فلمن بابت منهنجي سوچ کي ونڊڻ جو انتخاب ڪيو، پر مان هي پسند نٿو ڪريان ته مذهبي ۽ سياسي فلمن بابت منهنجي راء کي حصيداري ڪرڻ گهرجي. منهنجا ڪو ڪارڪنن ڄاڻ مون کي ڄاڻ ڪري سگهي ٿو جيڪو مون سان انهن سان ونڊيل آهي نيٽ فلڪس ڊيٽا ۾ منهنجو ريڪارڊ ڳولڻ لاء؛ اها معلومات جيڪا آئون حصيداري ڪري ٿي وليم ويلڊ جي پيدائش جي تاريخ، زپ ڪوڊ ۽ جنسي وانگر هڪ منفرد فنگر پرنٽ ٿي سگهي ٿو. پوء، اهي منهنجي منفرد فنگر پرنٽ کي ڊيٽا ۾ مليا، اهي سموري فلمون بابت، منهنجي فلمن جي باري ۾ سکيا حاصل ڪري سگھن ٿيون، جنهن ۾ آئون حصيداري نه چونڊيندس. هن قسم جي ٽارگيٽ ڪلنگ جي باوجود، هڪ اڪيلو شخص تي ڌيان، ناراهانان ۽ شيمتڪوف پڻ اهو ظاهر ڪيو ته هڪ وڏي حملي ڪرڻ ممڪن هو، جيڪو ذاتي ۽ فلم جي لحاظ سان نئي فلڪس ڊيٽا کي ملن ٿا، جيڪو ڪجهه ماڻهو چونڊيو آهي. انٽرنيٽ مووي ڊيٽابيس (IMDb) تي پوسٽ ڪرڻ. بلڪل اڪيلو، ڪنهن به ڄاڻ جيڪا منفرد شخص تائين هڪ منفرد فنگر پرنٽ آهي، ان کان سواء ان جي سڃاڻپ ڪرڻ لاء فلمون جو اندازو پڻ استعمال ڪري سگهجي ٿو.

جيتوڻيڪ Netflix ڊيٽا انهي يا ٽارگيٽ حملو ۾ ٻيهر سڃاڻپ ڪري سگهجي ٿو، اهو اڃا تائين گهٽ خطري ۾ ٿي سگھي ٿو. سڀ کان پوء، فلمون جي درجابندي کي بلڪل حساس نه لڳي. جڏهن ته عام طور تي صحيح ٿي سگهي ٿو، ڪجھه 500،000 ماڻهن جي تاريخت ۾، فلمون جي لحاظ کان ڪافي حساس ٿي سگهي ٿي. حقيقت ۾، ٻيهر سڃاڻپ جي جواب ۾، هڪ بند ٿيل ڌائيلي عورت Netflix خلاف هڪ طبقي ايڪشن سوٽ شامل ٿي. هتي اهو مسئلو آهي ته انهن جي مقدمن ۾ اهو مسئلو بيان ڪيو ويو (Singel 2009) :

"[M] اوڊي ۽ ريٽي ڊيٽا جي معلومات تي مشتمل آهي ... انتهائي ذاتي ۽ حساس طبيعت. ميمبرن جي فلمن جي ڊيٽا Netflix ڪارڪن جي ذاتي دلچسپي کي ظاهر ڪري ٿو ۽ / يا مختلف انتهائي ذاتي مسئلن سان جنسي، ذهني بيماري، شراب جي وصولي، ۽ incest، جسماني بدعنواني، گهريلو تشدد، زنا، ۽ زنا شامل ٿيڻ سان جدوجهد. "

Netflix انعام جي ڊيٽا جي ٻيهر شناخت ٻنهي ٻنهي بيان ڪري ٿي ته سڀني ڊيٽا کي ممڪن طور تي سڃاڻي سگهجي ٿو ۽ تمام ڊيٽا ممڪن طور تي حساس آهن. هن نقطي تي، توهان سوچيو ٿا ته اهو صرف ڊيٽا بابت هوندو آهي جيڪو ماڻهن جي حوالي ڪرڻ جي برابر آهي. ماٿيلي طور، اهو معاملو ناهي. 2013 ء میں نیویارک کې د ټیکسي سواری هرډول ریکارډونه ثبت کړل او د وختونو، Farber (2015) چې 2، 2، Farber (2015) استعمال ٿيل ساڳئي ڊيٽا مزدورن جي اقتصاديات ۾ اهم نظريات کي امتحان ڏيڻ). اهي ڊيٽا ٽيڪسي سفرن بابت بائنس لڳي ٿي ڇو ته اهي ماڻهن بابت معلومات مهيا نٿو ڪري سگهي، پر انتونوني تورڪر اهو محسوس ڪيو ته هن ٽيڪسي ڊيٽابيس ماڻهن جي باري ۾ تمام گهڻو حساس معلومات آهي. هن جي وضاحت ڪرڻ لاء هن هسٽر ڪلب تي ٿيندڙ سڀني سفرن تي نيويارڪ ۾ هڪ ڊگهي پٽي ڪلب جو اڌ رات ۽ 6 جي وچ واري سفر تي هٽايو ويو آهي. هي ڳولها لاهيندڙ-ذات ۾-ڪجهه ماڻهن جي پتا جي هڪ لسٽ جيڪو هسٽر ڪلب کي مشغول ڪيو ويو (Tockar 2014) . اهو تصور ڪرڻ ڏاڍو مشڪل آهي ته شهر حڪومت هن کي ذهن ۾ رکندي جڏهن اهو ڊيٽا کي آزاد ڪيو. حقيقت اها آهي ته هي ٽيڪنڪ شهر جي ماڻهن جي گهر پتي، هڪ طبي ڪلينڪ، سرڪاري عمارت، يا مذهبي ادارن جي ڪنهن جاء تي ڳولڻ لاء استعمال ڪري سگهجي ٿي.

نيل فلڪس انعام ۽ هنن جي نيويارڪ شهر ٽيڪسيسي انگن جا اهي ٻه ڪيس ظاهر ڪن ٿا ته نسبتا مهارت وارا ماڻهو انهن کي جاري ڪيل ڊيٽا ۾ ڄاڻايل خطن کي درست اندازي سان ناڪام ٿيڻ کان ناڪام ٿي سگهن ٿا ۽ انهن ڪيسن جو ڪوبه مثال ناهي (Barbaro and Zeller 2006; Zimmer 2010; Narayanan, Huey, and Felten 2016) . وڌيڪ، ڪيترن ئي ڪيسن ۾، مسئلا ڊيٽا اڃا تائين آزاد طور تي آنلائن تي موجود آهن، جيڪو ڊيٽا کي جاري ڪرڻ جي ڏکيائي جي اشاري سان ظاهر ڪري ٿو. مجموعي طور تي، اهي مثال، ڪمپيوٽر سائنس ۾ رازداري بابت، انهي جي نتيجي ۾ اهم نتيجا حاصل ڪن. محقق اهو سمجهڻ گهرجي ته سڀني ڊيٽا ممڪن طور تي سڃاڻپ ڪندڙ آهن ۽ سڀني ڊيٽا ممڪن طور تي حساس آهن.

بدقسمتي سان، حقيقتن لاء ڪوبه سادي حل نه آهي ته سڀني ڊيٽا ممڪن طور تي سڃاڻپ ڪندڙ هوندا آهن ۽ تمام ڊيٽا ممڪن طور تي حساس آهن. جڏهن ته، ڊيٽا سان گڏ ڪم ڪندڙ معلومات جي خطري کي گهٽائڻ جو هڪ طريقو آهي جيڪو هڪ ڊيٽا جي تحفظ واري منصوبي ٺاهي ۽ پيروي ڪري ٿو . اهو منصوبو اهو موقعو گهٽجي ويندو آهي ته توهان جو ڊيٽا ليکڪ ڪنداسين ۽ ليکڪ کي ڪنهن به طرح سان نقصان پهچايو ويندو. ڊيٽا تحفظ جي منصوبن جي خاصيتن، جهڙوڪ ڪوڊنگ جو استعمال استعمال ڪرڻ وقت، وقت جي حوالي سان تبديل ڪندو، پر برطانيه جي خدمتن جي مدد سان گڏ ڊيٽا تحفظ منصوبي جي عناصر کي پنجن ڀاڱن ۾ منظم ڪيو ويو آهي جيڪي انهن کي پنج صفا سڏيندا آهن: محفوظ منصوبو، محفوظ ماڻهن ، محفوظ سيٽنگون، محفوظ ڊيٽا، ۽ محفوظ اسپيڊز (جدول 6.2) (Desai, Ritchie, and Welpton 2016) . انهن پنجن صفن مان ڪو به صحيح تحفظ فراهم نه ڪن. پر گڏوگڏ اهي فڪر جي هڪ مضبوط سيٽ ٺاهيندا آهن جيڪي معلومات جي خطري کي گهٽائي سگهن ٿيون.

توهان جي ڊيٽا کي تحفظ ڏيڻ لاء اضافي طور تي، تحقيق جي عمل ۾ هڪ قدم، جتي ڄاڻايل خطري خاص طور تي خاص طور تي ٻين تحقيق ڪندڙن سان ڊيٽا شيئرنگ آهي. سائنسدان جي وچ ۾ ڊيٽا حصيداري سائنسي ڪوشش جو بنيادي قدر آهي، ۽ اهو علم جي ترقي کي آسان بڻائي ٿو. هتي اهو آهي ته برطانيه هائوس آف ڪئنڪس ڊيٽا شيئرنگ جي اهميت کي بيان ڪيو (Molloy 2011) :

"ڊيٽا کي رسائي حاصل ڪريو جيڪڏهن محقق پيدا ڪرڻ، تصديق ۽ نتيجن جي تعمير ڪن ٿيون جيڪي ادب ۾ ٻڌايو ويو آهي. پريشان ٿيڻ لازمي آهي، جيستائين ڪو مضبوط سبب نه هجي جيستائين، ڊيٽا مڪمل طور تي ظاهر ڪيو وڃي ۽ عوامي طور تي دستياب هجي. "

اڃان تائين، ٻئي ڪنهن محقق سان توهان جي ڊيٽا کي حصيداري ڪندي، توهان پنهنجي شرڪت ڪندڙن کي معلوماتي خط وڌائي سگهو ٿا. ان ڪري، اهو ظاهر ٿئي ٿو ته ڊيٽا شيئرنگ ٻين سائنسدان سان گڏ ڊيٽا کي حصول جي ذميواري ۽ شرڪت ڪندڙن کي معلوماتي خطر گهٽائڻ کي ذميواري جي وچ ۾ بنيادي بنياد پيدا ڪري ٿو. خوش قسمت، هي دشمني سخت ظاهر نه آهي جيئن ظاهر ٿئي. بلڪه، اهو بهتر آهي ته ڊيٽا جي حصيداري بابت لاڳيتو لاڳاپا جي باري ۾ سوچڻ جي لاء، بهتر آهي ته هر هڪ تيزي تي سماج کي مختلف فائدا فراهم ڪرڻ ۽ شرڪت ڪندڙن کي خطرو فراهم ڪرڻ (6.6).

ھڪڙو سخت، توھان ڪنھن ھڪڙي ڊيٽا سان حصيداري ڪري سگھون ٿا، جيڪو شرڪت ڪندڙن کي خطرو گھٽائي ٿو پر سماج کي حاصل ڪري ٿو. ٻي وڏي ۾، توهان آزاد ڪري سگهو ٿا ۽ وساري سگهو ٿا، جتي ڊيٽا "گمنام ٿيل" آهن ۽ هر لاء شايع ٿيل آهن. انگن کي جاري ڪرڻ لاء رشتي، ڇڏڻ ۽ وسيلن کي پيش ڪرڻ لاء سماج کي وڌيڪ فائدي ۽ شرڪت ڪرڻ لاء وڌيڪ خطرو. انهن ٻن انتها ڪيسن جي وچ ۾ هائبرين جي هڪ حد آهي، جنهن ۾ آئون هڪ ڀريل باغ باغ جي رستي تي سڏيندو آهيان. هن طريقي جي تحت، ڊيٽا جيڪي ماڻهن کي ڪجهه معيار سان ملن ٿا ان سان حصيداري ڪيون ويون آهن ۽ ڪن خاص قاعدن جي پابند رهندا آهن (مثال طور، اي ايف بي جي نگراني ۽ هڪ ڊيٽا جي حفاظت واري منصوبي). باغ جي ڀتين کي ڇڏڻ جي فائدن مان ڪيترن ئي مهيا ڪري ٿي ۽ گهٽ خطري کي وساريندا. يقينن، اهڙي ئي طريقي سان ڪيترين سوالات پيدا ڪري ٿو- جيڪي انهن کي رسائي، شرايطو جي تحت، ۽ ڪيترو وقت تائين، څوکलाई बलियो बनाउन र पुलिसलाई भित्री बगैंचा، आदि को लागी तिर्नुपर्छ.-तर यो अपरिहार्य छैन. حقيقت ۾، اڳ ۾ ئي ڪم ڪندڙ ڀتين وارين باغن وارا آهن جيڪي محقق هاڻي صحيح استعمال ڪري سگھن ٿيون، جهڙوڪ انٽرني يونيورسٽي ڪنسوريميمس جي سياسي ۽ سماجي تحقيق لاء ميڊين يونيورسٽي ۾ ڊيٽا آرٽيڪل.

شڪل 6.6: ڊيٽا ڇڏڻ واري حڪمت عملي تسلسل سان گڏ ٿي سگهي ٿو. جتي توهان هن استحڪام تي ٿيڻ گهرجي، توهان جي ڊيٽا جي مخصوص تفصيل تي منحصر آهي، ۽ ٽئين پارٽي جو جائزو توهان جي معاملن ۾ مناسب خطري ۽ فائدي جي مناسب بيلنس جو فيصلو ڪرڻ ۾ مدد ڪري ٿي. هن وکر جو صحيح شڪل ڊيٽا ۽ تحقيق جي مقصدن جي تفصيل تي ٻڌل آهي (Goroff 2015) .

تنهن ڪري، جتي توهان جي پڙهائي مان ڊيٽا کي ڪابه شيئرنگ، ڀت باغ، ۽ ڇڏڻ ۽ وسارڻ جي روبرو ٿيڻ گهرجي؟ اهو توهان جي ڊيٽا جي تفصيل تي ڀاڙي ٿو: محققن کي ماڻهن لاء عزت جي توازن، رحلت، انصاف، ۽ قانون ۽ عوامي دلچسپي لاء احترام. هن نظرئي کان ڏٺو ويو آهي، ڊيٽا شيئرنگ هڪ مخصوص اخلاقي ڪائونسل نه آهي. اهو صرف تحقيق جي ڪيترن ئي حصن مان آهي جنهن ۾ محقق هڪ مناسب اخلاقي توازن ڳولڻ گهرجي.

ڪجهه نقاد عام طور تي ڊيٽا شيئرنگ جي مخالفت ڪري رهيا آهن ڇاڪاڻ ته، منهنجي راء ۾ اهي هن جي خطرن تي متمرکز آهن- جيڪي بلاشڪب پنهنجي حقيقي ۽ پنهنجي فائدي کي نظر انداز ڪري رهيا آهن. تنهن ڪري، ٻنهي خطرن ۽ فائدي تي ڌيان جي حوصله افزائي ڪرڻ لاء، آئون هڪ تعارف پيش ڪرڻ چاهيندو آهيان. هر سال، هزارين موتين جا ڪارڪن ذميوار آهن، پر اسين ڊرائيونگ کي روڪڻ جي ڪوشش نٿا ڪريون. در حقيقت، گاڏي کي روڪڻ جي لاء غير حاضر ٿي سگهندو هو ڇو ته ڊرائيونگ ڪيترن ئي عجيب شيء کي قابل بڻائي ٿو. بلڪه، سماج جي جڳهن تي پابنديون هوندا آهن جن جو مثال ڊرائيو (مثال جي طور تي، هڪ خاص عمر هجڻ جي ضرورت آهي ۽ ڪجهه امتحان پاس ڪرڻ لاء) ۽ ڪئين اهي ڊرائيو ڪري سگهن ٿا (مثال طور، رفتار جي حد تائين). سوسائٽي پڻ اهڙن ماڻهن تي قاعدو نافذ ڪرڻ جو پابند آهي (مثال طور، پوليس)، ۽ اسين ماڻهن کي سزا ڏينداسين جيڪي انهن کي ڀڃڪڙي رهيا آهن. اهڙي قسم جي متوازن سوچ اهو آهي ته معاشري کي ڊرائيونگ جي ريگيوليشن تي لاڳو ٿئي ٿي، ڊيٽا کي حصيداري ڪري سگهجي ٿي. اهو آهي ته، ڊيٽا جي حصيداري لاء يا ان جي حصيداري جي خلاف مطلق دليلن جي بدران، مان سمجهان ٿو ته اسان انهن جي وچ ۾ گهٽتائي گهٽائڻ ۽ ڊيٽا شيئرنگ جي فائدن کي وڌائي سگهون ٿا، انهي تي غور ڪندي.

نتيجي کي ختم ڪرڻ لاء، ڄاڻائي خطري کي نموني سان وڌي ڇڏيو آهي، ۽ اهو پيش ڪرڻ ۽ مقدار ڏيڻ بلڪل تمام ڏکي آهي. تنهن ڪري، اهو بهترين طور تي اهو فرض آهي ته سڀني ڊيٽا ممڪن طور تي سڃاڻپ ۽ ممڪن طور تي حساس آهن. تحقيق ڪرڻ دوران معلوماتي خطري کي گهٽائڻ لاء، محقق هڪ ڊيٽا جي حفاظت جي منصوبي ٺاهي ۽ پيروي ڪري ٿو. ان کان سواء، تشخيص خطري جي تحقيق ڪندڙ ٻين سائنسدان سان گڏ ڊيٽا جي حصيداري کان روڪڻ کان روڪي نٿو سگهي.