6.6.2 గ్రహించుట మరియు మేనేజింగ్ సమాచార ప్రమాదం

సమాచారం ప్రమాదం సామాజిక పరిశోధనలో సాధారణ ప్రమాదం ఉంది; అది నాటకీయంగా పెరిగింది; మరియు అది అర్థం కష్టతరమైన ప్రమాదం ఉంది.

సామాజిక వయస్సు డిజిటల్ పరిశోధనకు రెండవ నైతిక సవాలు సమాచార ప్రమాదం, సమాచారాన్ని బహిర్గతం నుండి హానికి సాధ్యమని ఉంది (Council 2014) . వ్యక్తిగత సమాచారాన్ని బహిర్గతం నుండి ఇంఫర్మేషనల్ హానికరమైన ఆర్ధిక కావచ్చు (ఉదా, ఉద్యోగం కోల్పోయిన), సామాజిక (ఉదా, చికాకు), మానసిక (ఉదా, కుంగుబాటు), లేదా నేర (ఉదా, అక్రమ ప్రవర్తనకు అరెస్టు). దురదృష్టవశాత్తు, డిజిటల్ వయస్సు సమాచారాన్ని ప్రమాదం నాటకీయంగా-అక్కడ మా ప్రవర్తన గురించి కేవలం చాలా ఎక్కువ సమాచారం ఉంది పెంచుతుంది. మరియు, సమాచార ప్రమాదం వంటి భౌతిక హాని అనలాగ్ వయస్సు సామాజిక పరిశోధన ఆందోళనలు, ఉన్నాయి ఇబ్బందులను పోలిస్తే అర్థం మరియు నిర్వహించడానికి చాలా కష్టమని నిరూపించబడింది. డిజిటల్ వయస్సు సమాచార ప్రమాదాన్ని పెంచుతుంది ఎలా చూడటానికి, కాగితం నుండి ఎలక్ట్రో మెడికల్ రికార్డులు పరివర్తన భావిస్తారు. రికార్డులు రెండు రకాల ప్రమాదం సృష్టించడానికి, కానీ ఒక పెద్ద స్థాయిలో వద్ద వారు ఒక అనధికార పార్టీ సంక్రమించవచ్చు ఎందుకంటే లేదా ఇతర రికార్డులు విలీనం ఎలక్ట్రానిక్ రికార్డ్స్ చాలా ఎక్కువ ప్రమాదాలు సృష్టించడానికి. డిజిటల్ యుగంలో సామాజిక పరిశోధకులు ఇప్పటికే వారు పూర్తిగా పరిగణించు మరియు నిర్వహించడానికి ఎలా అర్థం కాలేదు ఎందుకంటే భాగం లో, సమాచార ప్రమాదం కారణంగా చిక్కుల్లో అయిపోయింది. కనుక, నేను సమాచార ప్రమాదం గురించి ఆలోచించడం ఒక ఉపయోగపడిందా మార్గాన్ని అందిస్తాయి వెళుతున్న, ఆపై నేను మీ పరిశోధన లో సమాచార ప్రమాదం నిర్వహించడానికి ఎలా మరియు ఇతర పరిశోధకులకు డేటా విడుదల కొన్ని సలహాలు ఇవ్వాలని వెళుతున్న.

సామాజిక పరిశోధకులు సమాచార ప్రమాదం తగ్గుతుంది ఒక మార్గంలో డేటా "anonymization" ఉంది. "Anonymization" పేరు, చిరునామా, మరియు డేటా నుండి టెలిఫోన్ నంబర్ వంటి స్పష్టమైన వ్యక్తిగత ఐడెంటిఫైయర్లు తొలగించే ప్రక్రియ. అయితే, ఈ విధానం లోతుగా మరియు ప్రాధమికంగా పరిమిత అనేక మంది తెలుసుకుంటారు కంటే చాలా తక్కువ సమర్ధవంతమైనది, అది, నిజానికి, ఉంది. ఆ కారణంగా, నేను వివరించడానికి చేసినప్పుడు "anonymization," నేను కొటేషన్ మార్కులు గుర్తు ఈ ప్రక్రియ నిజమైన రహస్య గోపనం కాదు యొక్క రూపాన్ని కానీ సృష్టిస్తుంది ఉపయోగిస్తాము.

"Anonymization" వైఫల్యం కారణంగా ఒక స్పష్టమైన ఉదాహరణకు మసాచుసెట్స్ లో 1990 నుండి వస్తుంది (Sweeney 2002) . గ్రూప్ ఇన్సూరెన్స్ కమిషన్ (GIC) అన్ని రాష్ట్ర ఉద్యోగుల ఆరోగ్య భీమా కొనుగోలు బాధ్యత ప్రభుత్వ ఏజన్సీ. ఈ కృతి ద్వారా, GIC రాష్ట్ర ఉద్యోగులు వేల గురించి వివరణాత్మక ఆరోగ్య రికార్డులను సేకరించిన. ఆరోగ్య మెరుగుపరచడానికి మార్గాలను గురించి పరిశోధన పెంచడంలో ప్రయత్నంలో, GIC పరిశోధకులు ఈ రికార్డులను విడుదల నిర్ణయించుకుంది. అయితే, వారు తమ డేటా అన్ని పంచుకోలేదు; కాకుండా, వారు అటువంటి పేరు మరియు చిరునామా సమాచారాన్ని తొలగించడం ద్వారా "అజ్ఞాతం చేసిన" అది. అయితే, వారు అలాంటి జనాభా సమాచారం (జిప్ కోడ్, పుట్టిన తేదీ, జాతి, సెక్స్) మరియు వైద్య సమాచారం (సందర్శన డేటా, వ్యాధి నిర్ధారణ, ప్రక్రియ) (మూర్తి 6.4) గా పరిశోధకులకు ఉపయోగకరంగా గలిగే ఇతర సమాచారం వదిలి (Ohm 2010) . దురదృష్టవశాత్తు, ఈ "anonymization" కాదు డేటా కాపాడటానికి తగినంత ఉంది.

మూర్తి 6.4: "anonymization" ఖచ్చితంగా తొలగించడం సమాచారాన్ని గుర్తించే ప్రక్రియ. ఉదాహరణకు, రాష్ట్ర ఉద్యోగులకు వైద్య బీమా రికార్డులు విడుదల చేసినప్పుడు మసాచుసెట్స్ గ్రూప్ ఇన్సూరెన్స్ కమిషన్ (GIC) ఫైళ్లు నుండి తొలగించబడింది పేరు మరియు చిరునామా. నేను పదం "anonymization" చుట్టూ కోట్స్ ఉపయోగించడానికి ప్రక్రియలో కాదు యొక్క రూపాన్ని అసలు కాదు అందిస్తుంది, కానీ ఎందుకంటే.

GIC "anonymization" యొక్క లోపాలను వర్ణించేందుకు, Latanya స్వీనీ-తరువాత కేంబ్రిడ్జ్, మసాచుసెట్స్ గవర్నర్ విలియం వెల్డ్ స్వస్థలమైన నగరం నుండి ఓటింగ్ రికార్డులు సాధించటం MIT పారితోషకం $ 20 వద్ద ఒక గ్రాడ్యుయేట్ విద్యార్థి. ఈ ఓటింగ్ రికార్డులు పేరు, చిరునామా, జిప్ కోడ్, పుట్టిన తేదీ, మరియు లింగ వంటి సమాచారం. నిజానికి వైద్య డేటా ఫైలు మరియు ఓటరు ఫైలు అందరి క్షేత్రాలు-జిప్ కోడ్, పుట్టిన తేదీ, మరియు బీజ-అర్థం స్వీనీ వాటిని లింక్ కాలేదు. స్వీనీ వెల్డ్ పుట్టినరోజు జూలై 31, 1945 అని తెలుసు, మరియు ఓటింగ్ రికార్డులు పుట్టినరోజు కేంబ్రిడ్జ్ మాత్రమే ఆరుగురు చేర్చారు. ఇంకా, ఆ ఆరుగురు, కేవలం మూడు పురుషులు. మరియు, ఆ ముగ్గురు మనుష్యులు, ఒకే వెల్డ్ యొక్క జిప్ కోడ్ పంచుకున్నారు. అందువలన, ఓటింగ్ డేటాను పుట్టిన తేది, లింగం మరియు జిప్ కోడ్ వెల్డ్ యొక్క కలయిక తో వైద్య డేటాలోని ఎవరైనా విలియం వెల్డ్ రుజువయింది. సారాంశం, సమాచారం యొక్క ఈ మూడు ముక్కలు డేటా అతనికి ఒక ఏకైక వేలిముద్ర అందించింది. ఈ నిజానికి ఉపయోగించి, స్వీనీ వెల్డ్ యొక్క వైద్య రికార్డులు గుర్తించడం, మరియు ఆమె ఘనతను ఆయనకు సమాచారం చేయగలిగింది, ఆమె అతనికి తన రికార్డులను కాపీని కఠోర (Ohm 2010) .

Figure 6.5: Re idenification "అజ్ఞాతం చేసిన" డేటా. Latanya స్వీనీ గవర్నర్ విలియం వెల్డ్ యొక్క వైద్య రికార్డులు కనుగొనేందుకు క్రమంలో ఓటింగ్ రికార్డులు "అజ్ఞాతం చేసిన" ఆరోగ్య రికార్డులను కలిపి (Sweeney 2002) .

స్వీనీ పని -తన కంప్యూటర్ భద్రతా సంఘం నుండి ఒక పదం దత్తత డి-anonymization దాడులు ప్రాథమిక నిర్మాణం వివరించబడింది. దాడుల్లో రెండు డేటా సెట్లు, ఎవరికీ స్వయంగా వీటిలో, సున్నితమైన సమాచారాన్ని తెలుపుతుంది అనుసంధానించబడ్డాయి, మరియు ఈ బంధన ద్వారా సున్నితమైన సమాచారాన్ని బహిర్గతమయ్యే. కొన్ని మార్గాల్లో ఈ ప్రక్రియలో బేకింగ్ సోడా మరియు వెనీగర్, తమను ద్వారా సురక్షితంగా ఉన్నాయని రెండు పదార్థాలు, ఒక దుష్ట ఫలితం ఉత్పత్తి కలపవచ్చును మార్గం పోలి ఉంటుంది.

స్వీనీ పని, మరియు ఇతర సంబంధిత పని ప్రతిస్పందనగా, పరిశోధకులు ఇప్పుడు సాధారణంగా మరింత సమాచారం-అన్ని అలా అని "వ్యక్తిగతంగా గుర్తించడం సమాచారం" (PII) తొలగించి (Narayanan and Shmatikov 2010) ఇంకా, అనేక మంది పరిశోధకులు ఇప్పుడు ప్రక్రియ -during "anonymization." , వంటి కొన్ని డేటా వైద్య రికార్డులు, ఆర్ధిక నివేదికలను, అక్రమ గురించి ప్రశ్నలు సర్వే సమాధానాలు తర్వాత కూడా విడుదల బహుశా చాలా సున్నితమైన ప్రవర్తన ఉంది అని తెలుసుకోవటం "anonymization." అయితే నేను క్రింద వివరించడానికి మేము సామాజిక పరిశోధకులు తీసుకోవాలని సూచిస్తాయి మరింత ఇటీవల ఉదాహరణలు వారి ఆలోచన మార్చడానికి. తొలి అడుగు, అది అన్ని డేటా సమర్థవంతంగా గుర్తించదగినది మరియు అన్ని డేటా సాధ్యమయ్యే సున్నితమైన అని అనుకునేది తెలివైన. ఇతర మాటలలో, ఆ సమాచార ప్రమాదం ఆలోచిస్తూ ప్రాజెక్టుల చిన్న సమితికి వర్తిస్తుంది కాకుండా, మేము అది వర్తిస్తుంది-నాకు కొన్ని అన్ని ప్రాజెక్టులు డిగ్రీ టు భావించాలి.

ఈ రీ-విన్యాసాన్ని రెండు కోణాలు నెట్ఫ్లిక్స్ ప్రైజ్ వారిచే ఉదహరించారు. చాప్టర్ 5 లో వివరించిన విధంగా, నెట్ఫ్లిక్స్ దాదాపు 500,000 సభ్యులు అందించిన 100 మిలియన్ల చిత్రం రేటింగ్స్ విడుదల, మరియు ప్రపంచవ్యాప్తంగా నుండి ప్రజలు ఆ సినిమాలు సిఫార్సు నెట్ఫ్లిక్స్ యొక్క సామర్థ్యాన్ని మెరుగుపర్చడానికి కాలేదు అల్గోరిథంలు సమర్పించిన ఇక్కడ బహిరంగ కాల్ వచ్చింది. డేటా విడుదల ముందు, నెట్ఫ్లిక్స్ వంటి పేర్లతో ఏ స్పష్టంగా వ్యక్తిగతంగా గుర్తించలేని సమాచారం, తొలగించారు. నెట్ఫ్లిక్స్ కూడా ఒక అదనపు అడుగు వెళ్లి రికార్డులు కొన్ని కొంచెం వైకల్యాలు (ఉదా, 3 నక్షత్రాలు 4 నక్షత్రాలను నుండి కొన్ని రేటింగ్స్ మార్చడం) ప్రవేశపెట్టింది. నెట్ఫ్లిక్స్ త్వరలో అయితే, వారి ప్రయత్నాలు ఉన్నప్పటికీ, డేటా ఏ చేపట్టారని అజ్ఞాత అర్థం కనుగొన్నారు.

జస్ట్ రెండు డేటా తర్వాతి వారాలలో విడుదల చేశారు Narayanan and Shmatikov (2008) ఇది నిర్దిష్ట ప్రజల చిత్రం ప్రాధాన్యతల గురించి తెలుసుకోవడానికి సాధ్యమేనని చూపించాడు. వారి పునః గుర్తింపు దాడికి ట్రిక్ స్వీనీ పోలి ఉంది: రెండు సమాచార వనరులు ఒకటి కలిసి విలీనం సాధ్యమయ్యే సున్నితమైన సమాచారం మరియు ఏ స్పష్టంగా గుర్తించడం సమాచారం మరియు ప్రజల గుర్తింపును కలిగి మరియు ఒక. ఈ డేటా మూలాల ప్రతి వ్యక్తిగతంగా సురక్షితం కావచ్చు, కానీ వారు కలుపుతారు చేసినప్పుడు విలీనమైన డేటాసెట్ సమాచార ప్రమాదం సృష్టించవచ్చు. నెట్ఫ్లిక్స్ డేటా విషయంలో, ఇక్కడ అది జరిగి ఎలా. నేను నా సహోద్యోగులతో యాక్షన్, కామెడీ సినిమాలకు గురించి నా ఆలోచనలను పంచుకోవడానికి ఎంచుకోండి, కానీ నేను మత మరియు రాజకీయ సినిమాలకు గురించి నా అభిప్రాయం భాగస్వామ్యం చెయ్యకూడదని ఆ ఇమాజిన్. నా సహ కార్మికులు నేను నెట్ఫ్లిక్స్ డేటాలోని నా రికార్డులు కనుగొనేందుకు వారితో భాగస్వామ్యం చేసిన సమాచారాన్ని వాడేవారు; నేను భాగస్వామ్యం చేసే సమాచారాన్ని కేవలం విలియం వెల్డ్ యొక్క పుట్టిన తేదీ, జిప్ కోడ్ స్థానం, మరియు సెక్స్ వంటి ఒక ఏకైక వేలిముద్ర కావచ్చు. అప్పుడు, వారు డేటా నా ఏకైక వేలిముద్ర కనుగొనేందుకు ఉంటే, వారు నా రేటింగ్లను నేను భాగస్వామ్యం కాదు ఎక్కడ సినిమాలు సహా అన్ని సినిమాలు, గురించి నేర్చుకోవాలంటే. ఒక వ్యక్తి పై దృష్టి దాడి ఈ రకమైన పాటు, Narayanan and Shmatikov (2008) కూడా అది వ్యక్తిగత మరియు చిత్రం రేటింగ్ డేటా నెట్ఫ్లిక్స్ డేటా విలీనం ద్వారా ప్రజలు అనేక పాల్గొన్న ఒక విస్తృత దాడి -ఎవరైతే చేయాలని సాధ్యమేనని చూపించాడు కొన్ని మంది ఇంటర్నెట్ మూవీ డేటాబేస్ (IMDb) పై పోస్ట్ ఎంచుకున్నారు. వాటిని గుర్తించడానికి ఒక నిర్దిష్ట వ్యక్తి-వారి చిత్రం సెట్లో ఏకైక వేలిముద్ర చేసే సమాచారం రేటింగ్స్-చేయవచ్చు ఉపయోగించవచ్చు.

నెట్ఫ్లిక్స్ డేటా గాని లక్ష్యంగా లేదా విస్తృత దాడిలో తిరిగి గుర్తించవచ్చు అయినప్పటికీ, ఇది ఇప్పటికీ తక్కువ ప్రమాదం అన్పించవచ్చు. అన్ని తరువాత, సినిమా రేటింగ్లు చాలా సున్నితమైన కనిపించడం లేదు. సాధారణంగా ఆ నిజమైన కావచ్చు ఉన్నప్పుడు, డేటాసెట్ 500,000 మంది కొన్ని, సినిమా రేటింగ్స్ చాలా సున్నితమైన కావచ్చు. నిజానికి, డి- anonymization ప్రతిస్పందనగా ఒక ఏకాంత లెస్బియన్ స్త్రీ నెట్ఫ్లిక్స్ వ్యతిరేకంగా వ్యాజ్యం చేరారు. ఇక్కడ సమస్య వారి దావాలో వ్యక్తం ఎలా (Singel 2009) :

"[M] Ovie మరియు రేటింగ్ డేటా మరింత ఎక్కువగా వ్యక్తిగత మరియు సున్నితమైన స్వభావం [sic] యొక్క సమాచారాన్ని కలిగి ఉంది. సభ్యుని సినిమా డేటా లైంగికత, మానసిక అనారోగ్యం, మద్యపానం రికవరీ, అత్యాచారం వావి నుండి, భౌతిక వేధింపులు, గృహ హింస, వ్యభిచారం, అత్యాచారాలు సహా వివిధ అత్యంత వ్యక్తిగత సమస్యలు, ఒక నెట్ఫ్లిక్స్ సభ్యుని వ్యక్తిగత ఆసక్తి మరియు / లేదా ఇబ్బందుల గురిచేస్తుంది. "

నెట్ఫ్లిక్స్ ప్రైజ్ డేటా డి-anonymization వివరిస్తుంది అన్ని డేటా సమర్థవంతంగా గుర్తించదగినది మరియు అన్ని డేటా సాధ్యమయ్యే సున్నితమైన అని కూడా. ఈ సమయంలో, మీరు ఈ మాత్రమే ఆ ప్రజలు గురించి వ్రాశాడు డేటా వర్తిస్తుంది అని అనుకుంటున్నాను ఉండవచ్చు. ఆశ్చర్యకరంగా, ఆ సందర్భంలో కాదు. ఇన్ఫర్మేషన్ లా అభ్యర్థనను ఫ్రీడమ్ ప్రతిస్పందనగా, న్యూయార్క్ నగర ప్రభుత్వం న్యూయార్క్ లో ప్రతి టాక్సీ రైడ్ రికార్డులు 2013 లో, పికప్ సహా ఆ చాప్టర్ 2 నుండి సార్లు, స్థానాలు మరియు ఛార్జీల మొత్తంలో (రీకాల్ ఆఫ్ డ్రాప్ విడుదల మరియు Farber (2015) శ్రామిక అర్ధశాస్త్రం లో ముఖ్యమైన సిద్ధాంతాలు) పరీక్షించడానికి ఈ సమాచారాన్ని ఉపయోగించనున్నారు. ఇది ప్రజలు గురించి సమాచారాన్ని అనిపించడం లేదు ఎందుకంటే టాక్సీ ప్రయాణంపై ఈ డేటాను నిరపాయమైన కనిపిస్తుంది ఉండవచ్చు అయినప్పటికీ, ఆంథోనీ Tockar ఈ టాక్సీ డేటాసెట్ నిజానికి ప్రజలు గురించి సాధ్యమయ్యే సున్నితమైన సమాచారాన్ని మా కలిగి గ్రహించారు. వివరంగా చెప్పాలంటే, అతను హస్ట్లర్ క్లబ్ పెద్ద స్ట్రిప్ న్యూ అప్పుడు అర్ధరాత్రి మరియు ఉదయం 6 గంటలకు మరియు యార్క్ మధ్య క్లబ్ వద్ద వారి డ్రాప్-ఆఫ్ స్థానాలు మొదలు దొరకలేదు అన్ని ప్రయాణాలకు చూశారు. ఈ శోధన వెల్లడించింది-ఇన్ సారాంశం ఒక హస్ట్లర్ క్లబ్ తరచుగా కొందరు వ్యక్తుల చిరునామాలు జాబితా (Tockar 2014) . ఇది డేటా విడుదల చేసినప్పుడు ప్రభుత్వం మనస్సులో ఈ కలిగి ఊహించుకోండి కష్టం. నిజానికి, ఈ అదే సాంకేతికతను నగరం-ఒక వైద్య క్లినిక్, ఒక ప్రభుత్వ భవనం లేదా ఒక మతపరమైన సంస్థ ఏ ఇక్కడకు వచ్చే ప్రజల ఇంటి చిరునామాలు కనుగొనేందుకు వాడేవారు.

ఏ ఏకైక అర్థం ద్వారా ఈ రెండు కేసులను నెట్ఫ్లిక్స్ ప్రైజ్ మరియు సాపేక్షంగా నైపుణ్యం ప్రజలు సరిగ్గా వారు విడుదల ఆ డేటా సమాచార ప్రమాదం అంచనా విఫలమైంది న్యూయార్క్ నగరం టాక్సీ డేటా షో, మరియు ఈ సందర్భాలలో ఉన్నాయి (Barbaro and Zeller Jr 2006; Zimmer 2010; Narayanan, Huey, and Felten 2016) . ఇతరత్రా, ఈ సందర్భాలలో అనేక లో, సమస్యాత్మక డేటా ఇప్పటికీ ఆన్లైన్ ఉచితంగా అందుబాటులో, ఎప్పుడూ ఒక డేటా విడుదల అన్డు చేస్తోంది క్లిష్టతను సూచిస్తూ ఉంది. సమిష్టిగా ఈ ఉదాహరణలు అలాగే ఒక ముఖ్యమైన నిర్ధారణకు గోప్యతా-లీడ్స్ గురించి కంప్యూటర్ విజ్ఞానంలో పరిశోధన. పరిశోధకులు అన్ని డేటా సమర్థవంతంగా గుర్తించదగినది మరియు అన్ని డేటా సాధ్యమయ్యే సున్నితమైన అని భావించాలి.

దురదృష్టవశాత్తు, అన్ని డేటా సమర్థవంతంగా గుర్తించదగినది మరియు అన్ని డేటా సాధ్యమయ్యే సున్నితమైన నిజాన్ని ఏ సాధారణ పరిష్కారం లేదు. అయితే, మీరు డేటా పని చేస్తున్నప్పుడు సమాచారాన్ని ప్రమాదం తగ్గించడానికి ఒక మార్గం సృష్టించడానికి మరియు ఒక డేటా రక్షణ పథకం అనుసరించే. ఈ ప్రణాళిక మీ డేటా బయటకు వస్తుంది మరియు ఒక లీక్ ఏదో పడినట్లయితే హాని తగ్గుతుంది ఆ అవకాశం తగ్గుతుంది ఉంటుంది. ఉపయోగించడానికి ఎన్క్రిప్షన్ రూపంలో వంటి డేటా రక్షణ పథకాలు ప్రత్యేకతలు, సమయం మారుతూ ఉంటుంది, అయితే UK డేటా సర్వీసెస్ సహాయకంగా వారు 5 ఇనప్పెట్టెలు కాల్ 5 వర్గాల్లో ఒక డేటా రక్షణ పథకం అంశాలు నిర్వహిస్తుంది: సురక్షితంగా ప్రాజెక్టులు, సురక్షితంగా ప్రజలు సురక్షితంగా సెట్టింగులు, సురక్షితంగా డేటా, మరియు సురక్షితంగా ఉద్గాతాలు (టేబుల్ 6.2) (Desai, Ritchie, and Welpton 2016) . ఐదుగురు ఇనప్పెట్టెలు ఎవరూ వ్యక్తిగతంగా ఖచ్చితమైన రక్షణ కల్పిస్తాయి. కానీ, కలిసి వారు సమాచార ప్రమాదం తగ్గుతుంది కారకాలు శక్తివంతమైన సెట్ ఏర్పాటు.

మీరు ఉపయోగించడం మీ డేటాను రక్షించడంలో పాటు, సమాచార ప్రమాదం ముఖ్యంగా గమనించదగిన ఉన్న పరిశోధన విధానంలో ఒక అడుగు పరిశోధకులు డేటా భాగస్వామ్యం ఉంది. శాస్త్రవేత్తల మధ్య డేటా భాగస్వామ్య శాస్త్రీయ ప్రయత్నం ఒక కోర్ విలువ, మరియు ఇది చాలా గొప్పగా సౌకర్యాలు పరిజ్ఞానాన్ని పెంపొందించడానికి. ఇక్కడ ఎలా కామన్స్ యొక్క UK హౌస్ డేటా భాగస్వామ్య యొక్క ప్రాముఖ్యతని విశదీకరించాడు వార్తలు:

పరిశోధకులు, పునరుత్పత్తి ధ్రువీకరించడం మరియు సాహిత్యంలో నివేదించబడిన ఫలితాలు నిర్మించడానికి ఉంటే "అయిన డేటాను ప్రాప్తి మూలాధారంగా ఉంటుంది. అనుమానాన్ని ఇంకోవిధంగా బలమైన కారణం ఉంది తప్ప, డేటా పూర్తిగా వెల్లడించి బహిరంగంగా అందుబాటులో ఉండాలని ఉండాలి. పబ్లిక్ ఫండెడ్ పరిశోధనా ముడిపడి ఉండే, డేటా విస్తృతంగా మరియు స్వేచ్ఛగా అందుబాటులో చేయబడాలో ఈ సూత్రం తో లైన్ లో. " (Molloy 2011)

ఇంకా, మరొక పరిశోధకుడు మీ డేటాను భాగస్వామ్యం ద్వారా, మీరు సమాచార ప్రమాదం మీ పాల్గొనే పెంచాలనే ఉండవచ్చు. అందువలన, ఇది వారి భాగస్వామ్యం అనుకున్నవారికి డేటా లేదా వారి భాగస్వామ్యం అవసరం పరిశోధకులు ప్రాథమిక ఉద్రిక్తత డేటా ఎదుర్కొంటున్న అని విధంగా. ఒక వైపు వారు అసలు పరిశోధన ప్రభుత్వ నిధులతో ప్రత్యేకంగా, ఇతర శాస్త్రవేత్తలు వారి డేటాను పంచుకోవడానికి ఒక నైతిక బాధ్యత లేదు. ఇంకా అదే సమయంలో, పరిశోధకులు తగ్గించడానికి ఒక నైతిక బాధ్యత సాధ్యమైనంత కలిగి, వారి భాగస్వాములకు సమాచారం ప్రమాదం.

అదృష్టవశాత్తూ, ఈ గందరగోళాన్ని అది కనిపిస్తుంది వలె తీవ్రంగా ఉంటుంది. ఇది విడుదల మరియు, మర్చిపోతే డేటా "అజ్ఞాతం చేసిన" పేరు మరియు యాక్సెస్ ఎవరికైనా పోస్ట్ ఎటువంటి డేటా భాగస్వామ్య నుండి నిరంతర పాటు భాగస్వామ్య డేటా (మూర్తి 6.6) ఆలోచించవచ్చు ముఖ్యం. ఈ తీవ్రమైన స్థానాలు రెండు ప్రమాదాలు మరి ప్రయోజనాలు ఉన్నాయి. ఆ అది స్వయంచాలకంగా మీ డేటాను పంచుకోవడానికి కాదు అత్యంత నైతిక విషయం కాదు, ఉంటుంది; ఒక పద్ధతి సమాజం అనేక లాభాలు తొలగిస్తుంది. తిరిగి టేస్ట్ కు, టైస్, మరియు టైమ్, ప్రారంభ అధ్యాయం లో చర్చించారు ఒక ఉదాహరణ మాత్రమే సాధ్యం హానికరమైన దృష్టి మరియు సాధ్యమైన లాభాల విస్మరించండి డేటా విడుదల వ్యతిరేకంగా వాదనలు అతిగా ఏకపక్షంగా సాగిన ఉన్నాయి; నేను అనిశ్చితి (విభాగం 6.6.4) యొక్క ముఖం నిర్ణయాలు గురించి సలహాలు ఇచ్చారు క్రింద మరింత వివరంగా ఈ ఏకాభిప్రాయంగా అతిగా రక్షిత విధానం తో సమస్యలను వివరించడానికి చేస్తాము.

Figure 6.6: డేటా విడుదల వ్యూహాలు నిరంతర పాటు రావొచ్చు. ఎక్కడ పాటు ఈ నిరంతర మీ డేటా యొక్క నిర్దిష్ట వివరాల మీద ఆధారపడి మీరు ఉండాలి. ఈ సందర్భంలో, మూడవ పార్టీ సమీక్ష మీకు మీ విషయంలో ప్రమాదం తగిన సంతులనం మరియు ప్రయోజనం నిర్ణయించుకుంటారు సహాయపడవచ్చు.

ఇతరత్రా, ఈ రెండు తీవ్రమైన సందర్భాలలో మధ్య నేను డేటా కొన్ని ప్రమాణాలను మరియు కొన్ని నియమాలు కట్టుబడి ఉంటారని అంగీకరించేవారు వ్యక్తులతో మాత్రమే భాగస్వామ్యం ఉన్న ఒక ప్రహరీ ఉన్న తోట విధానం అని వస్తుంది ఏమిటి (ఉదా, ఒక IRB నుండి పర్యవేక్షణ మరియు ఒక డేటా రక్షణ పథకాలు) . ఈ ప్రహరీ ఉన్న తోట విధానం విడుదలైన ప్రయోజనాలు అనేక అందిస్తుంది మరియు తక్కువ ప్రమాదం మర్చిపోతే. కోర్సు యొక్క, ఒక ప్రహరీ ఉన్న తోట వైఖరి అనేక ప్రశ్నలు-ప్రాప్తి ఉండాలి ఏమి పరిస్థితుల్లో, ఎంతకాలం, నిర్వహించడానికి మరియు ప్రహరీ ఉన్న తోట పోలీసుకు చెల్లించాల్సి ఉంటుంది ఎవరు మొదలైనవి-కాని ఇవి అధిగమించలేని కాదు సృష్టిస్తుంది. నిజానికి, ఇప్పటికే పరిశోధకులు వంటి రాజకీయ మరియు సామాజిక పరిశోధన మిచిగాన్ విశ్వవిద్యాలయంలో ఇంటర్-యూనివర్సిటీ కన్సార్టియం డేటా ఆర్కైవ్, ప్రస్తుతం ఉపయోగించవచ్చు ఆ స్థానంలో ప్రహరీ తోటలు పనిచేస్తున్నారు.

సో, ఇక్కడ మీ అధ్యయనం నుండి డేటా ఏ షేరింగ్, ఉన్నట్టుగా గోడలు ఉన్న తోటకు నిరంతర ఉంటుంది, మరియు విడుదల మరియు మరచిపోయినా? ఇది మీ డేటా యొక్క వివరాలను ఆధారపడి; పరిశోధకులు లా అండ్ పబ్లిక్ ఇంటరెస్ట్ కోసం పర్సన్స్, బెనిఫిసెన్స్, జస్టిస్ గౌరవం, గౌరవం సమతుల్యం ఉండాలి. ఇతర నిర్ణయాలకు తగిన సంతులనం నిర్ణయించేటప్పుడు పరిశోధకులు సలహా మరియు IRBs ఆమోదం కోరుకుంటారు, మరియు డేటా విడుదల ఆ ప్రక్రియ యొక్క మరొక భాగం కావచ్చు. ఇతర మాటలలో, కొంతమంది ఒక నిస్సహాయ నైతిక గందరగోళ డేటా విడుదలైన భావిస్తున్నాను అయితే, మేము ఇప్పటికే పరిశోధకులు నైతిక అయోమయ ఆలోచనలకి సమతుల్యం సహాయం స్థానంలో వ్యవస్థలు కలిగివుంటాయి.

డేటా భాగస్వామ్య గురించి ఆలోచించటం ఒక తుది మార్గం సామ్యం ద్వారా ఉంటుంది. ప్రతి ఏడాది కార్లు మరణాలు వేల బాధ్యత, కానీ మనం డ్రైవర్ నిషేధించాలని ప్రయత్నించవద్దు. డ్రైవింగ్ అనేక అద్భుతమైన విషయాలు అనుమతిస్తుంది ఎందుకంటే నిజానికి, డ్రైవింగ్ నిషేధించాలని ఒక కాల్ అసంబద్ధ ఉంటుంది. అయితే, సమాజం ఉంచాడు అందిస్తాయి ఎవరు ఆంక్షలు (ఉదా, ఒక నిర్దిష్ట వయసుగల ఉండాలి, కొన్ని పరీక్షలు ఉత్తీర్ణులు అవసరం) మరియు ఎలా వారు (వేగం పరిమితి కింద, ఉదా) అందిస్తాయి. సొసైటీ కూడా ఈ నియమాలు (ఉదా, పోలీసు) అమలు బాధ్యత కలిగిన వ్యక్తులు ఉన్నారు, మరియు మేము వాటిని ఉల్లంఘిస్తే పట్టుకుంటున్నారు వ్యక్తులు శిక్షించే. సమాజం డ్రైవింగ్ నియంత్రించే వర్తిస్తుంది సమతుల్య ఆలోచనా ఇదే తరహా డేటా భాగస్వామ్య వర్తించవచ్చు. బదులుగా లేదా డేటా భాగస్వామ్య వ్యతిరేకంగా పరిపూర్ణుడు వాదనలు తయారు కంటే, నేను పెద్ద ప్రయోజనాలు మేము మరింత సురక్షితంగా మరింత సమాచారాన్ని పంచుకోవచ్చు ఎలా ఇందుకు నుండి వస్తాయి అనుకుంటున్నాను, ఉంది.

తీర్మానించడం, సమాచార ప్రమాదం నాటకీయంగా పెరిగింది, మరియు అది అంచనా మరియు కొలవడం చాలా కష్టం. అందువలన, డేటా అంతా సమర్థవంతంగా గుర్తించగలిగే మరియు శక్తివంతంగా సెన్సిటివ్ అని ఊహించుకోవటం ఉత్తమం. పరిశోధన చేస్తూ సమాచార ప్రమాదం తగ్గుతుంది, పరిశోధకులు సృష్టించడానికి మరియు ఒక డేటా రక్షణ పథకం అనుసరించండి. ఇంకా, సమాచార ప్రమాదం ఇతర శాస్త్రవేత్తలతో భాగస్వామ్య డేటా నుండి పరిశోధకులు నిరోధించలేదు.