6.6.2 مفاہمت اور منیجنگ معلوماتی خطرے

انفارمیشن خطرے سماجی تحقیق میں سب سے زیادہ عام خطرہ ہے؛ یہ ڈرامائی طور پر اضافہ ہوا ہے؛ اور اسے سمجھنے کے لئے سب سے مشکل خطرہ ہے.

سوشل عمر ڈیجیٹل تحقیق کے لئے دوسری اخلاقی چیلنج معلوماتی خطرے، معلومات کے انکشاف سے نقصان کے لئے صلاحیت ہے (Council 2014) . ذاتی معلومات کے انکشاف سے معلوماتی اذیت اقتصادی ہو سکتا ہے (مثال کے طور پر، ایک ملازمت کھونے)، سماجی (مثلا، شرمندگی)، نفسیاتی (مثلا، ڈپریشن)، یا اس سے بھی فوجداری (مثلا، غیر قانونی رویے کے لئے گرفتاری). بدقسمتی سے، ڈیجیٹل دور بڑھاتا معلومات خطرے میں ڈرامائی طور پر وہاں ہمارے رویے کے بارے میں صرف اتنا زیادہ معلومات ہے. اور، معلوماتی خطرے کے خطرات اس طرح کے جسمانی خطرے مطابق عمر سوشل ریسرچ میں خدشات، تھے کہ اس کے مقابلے میں سمجھنے اور انتظام کرنے کے لئے بہت مشکل ثابت ہوا ہے. ڈیجیٹل دور معلوماتی خطرہ بڑھ جاتا ہے کہ کس طرح دیکھنے کے لئے، الیکٹرانک میڈیکل ریکارڈ کے کاغذ سے منتقلی پر غور. ریکارڈز کی دونوں اقسام خطرہ پیدا، لیکن ایک بڑے پیمانے پر وہ ایک غیر مجاز پارٹی کو منتقل یا دیگر ریکارڈ کے ساتھ ملا دیا جا سکتا ہے کیونکہ الیکٹرانک ریکارڈز میں بہت زیادہ خطرات پیدا. ڈیجیٹل دور میں سماجی محققین کو پہلے ہی وہ مکمل طور پر quantify اور اس کا انتظام کرنے کا طریقہ سمجھ میں نہیں آیا کیونکہ حصے میں، معلوماتی خطرے کے ساتھ مصیبت میں ختم کر دیا ہے. لہذا، میں معلوماتی خطرے کے بارے میں سوچنے کے لئے ایک مفید طریقہ پیش کرنے جا رہا ہوں، اور پھر میں نے آپ کو آپ کی تحقیق میں معلوماتی خطرے کا انتظام کرنے کا طریقہ اور دوسرے محققین کے اعداد و شمار کے جاری کرنے میں کچھ مشورہ دینے جا رہا ہوں.

سماجی محققین معلوماتی خطرے کو کم ایک طریقہ یہ اعداد و شمار کے "anonymization" ہے. "Anonymization" جیسا کہ نام، پتہ، اور اعداد و شمار سے ٹیلی فون نمبر واضح ذاتی شناختی ہٹانے کے عمل ہے. تاہم، اس نقطہ نظر کے دل کی گہرائیوں سے اور بنیادی طور محدود بہت سے لوگوں کا احساس کے مقابلے میں بہت کم مؤثر ہے، اور یہ حقیقت میں ہے،. اس وجہ سے، میں جب بھی بیان کریں "anonymization،" میں واوین آپ کو یاد دلانے کے لیے اس کے عمل کو نام ظاہر نہ کرنے کی ظاہری شکل نہیں بلکہ سچا نام ظاہر نہ پیدا کرتا ہے کہ اسے استعمال کریں گے.

"anonymization" کی ناکامی کا ایک وشد مثال میسا چوسٹس میں دیر 1990s سے آتا ہے (Sweeney 2002) . گروپ انشورنس کمیشن (جیآایسی) تمام سرکاری ملازمین کے لئے صحت کی انشورنس کی خریداری کے لئے ذمہ دار ایک سرکاری ایجنسی تھا. اس کام کے ذریعے، جیآایسی ریاستی ملازمین کے ہزاروں کے بارے میں تفصیلی صحت کے ریکارڈ کو جمع کیا. صحت کو بہتر بنانے کے طریقوں کے بارے تحقیق کی حوصلہ افزائی کرنے کی کوشش میں، جیآایسی محققین کے ان ریکارڈز جاری کرنے کا فیصلہ. تاہم، وہ ان کے ڈیٹا کے تمام اشتراک نہیں کیا؛ بلکہ، وہ اس طرح کے نام اور ایڈریس کی معلومات کو ہٹا کر اسے "گمنام". تاہم، وہ جیسے آبادیاتی معلومات (زپ کوڈ، تاریخ پیدائش، نسل، اور جنسی) اور طبی معلومات (وزٹرز کا ڈیٹا، تشخیص، ضابطے کی) (چترا 6.4) خیال تھا کہ محققین کے لئے مفید ہو سکتا ہے دیگر معلومات کو چھوڑ دیا (Ohm 2010) . بدقسمتی سے، اس "anonymization" ڈیٹا کی حفاظت کے لئے کافی نہیں تھا.

پیکر 6.4: "Anonymization" معلومات کی شناخت ظاہر ہے کو دور کرنے کے عمل ہے. مثال کے طور پر، ریاست کے ملازمین کے میڈیکل انشورنس ریکارڈز جاری جب میساچوسٹس گروپ انشورنس کمیشن (جیآایسی) فائلوں سے نام اور پتہ ہٹا دیا. میں نے لفظ "anonymization" کے ارد گرد کی قیمت درج کرنے کا استعمال عمل ظاہر نہ کرنے کی ظہور اصل نام ظاہر نہ فراہم کرتا ہے، لیکن نہیں کیونکہ.

جیآایسی "anonymization" کی کوتاہیوں وضاحت کرنے کے لئے، Latanya سوینی-پھر $ 20 MIT پیڈ کیمبرج، میسا چوسٹس کے گورنر ولیم ویلڈ کا آبائی شہر کے شہر سے ووٹنگ کے ریکارڈ کو حاصل کرنے میں ایک گریجویٹ طالب علم. یہ ووٹنگ کے ریکارڈ جیسے نام، پتہ، زپ کوڈ، تاریخ پیدائش، اور جنس معلومات شامل. حقیقت یہ ہے کہ طبی ڈیٹا فائل اور ووٹروں کی فائل کا اشتراک کیا ہے شعبوں-زپ کوڈ، تاریخ پیدائش، اور جنسی مراد سوینی ان سے منسلک کر سکتے ہیں کہ. Sweeney کی ویلڈ کی سالگرہ 31 جولائی، 1945 تھا پتہ تھا کہ، اور ووٹنگ ریکارڈ ہے کہ سالگرہ کے ساتھ کیمبرج میں صرف چھ افراد بھی شامل ہیں. اس کے علاوہ، ان چھ لوگوں کے، صرف تین مرد تھے. اور، ان تین آدمیوں میں سے، صرف ایک ویلڈ کی زپ کوڈ کا اشتراک کیا. اس طرح، ووٹنگ کے اعداد و شمار سے ظاہر ہوا ہے تاریخ پیدائش، جنس، اور زپ کوڈ کی ویلڈ کی مجموعہ کے ساتھ طبی اعداد و شمار میں کسی ولیم ویلڈ تھا. جوہر میں، معلومات کے ان تین ٹکڑوں ڈیٹا میں نے اس سے ایک منفرد فنگر فراہم کی. اس حقیقت کا استعمال کرتے ہوئے، Sweeney کی ویلڈ کی طبی ریکارڈ کو تلاش کرنے، اور اس کارنامے کے اسے مطلع کرنے کے قابل تھا، اس نے اسے ان کے ریکارڈ کا ایک نسخہ بھیج دیا (Ohm 2010) .

پیکر 6.5: دوبارہ idenification "گمنام" ڈیٹا کی. Latanya سوینی گورنر ولیم ویلڈ کی طبی ریکارڈ تلاش کرنے کے لئے ووٹنگ کے ریکارڈ کے ساتھ "گمنام" صحت کے ریکارڈ کمبائنڈ (Sweeney 2002) .

سوینی کے کام -سب کمپیوٹر سیکورٹی کمیونٹی سے ایک اصطلاح اپنانے ڈی anonymization حملوں کے بنیادی ڈھانچے کی وضاحت کرتا ہے. ان حملوں میں، دو ڈیٹا سیٹ، نہ تو خود کی طرف سے جس کی، حساس معلومات سے پتہ چلتا ہے سے منسلک ہوتے ہیں، اور اس تعلق کے ذریعے، حساس معلومات سامنے آ جاتا ہے. کچھ طریقوں سے اس عمل سوڈا اور سرکہ، دو مادہ خود کی طرف سے محفوظ ہیں کہ بیکنگ، ایک گندی نتائج پیدا کرنے کے لئے مل کر کیا جا سکتا ہے کہ جس طرح کی طرح ہے.

سوینی کے کام، اور دیگر متعلقہ کام کے جواب میں، محققین اب عام طور پر بہت زیادہ معلومات تمام نام نہاد "ذاتی شناخت کی معلومات" (PII) کو دور (Narayanan and Shmatikov 2010) ، بہت سے محققین اب کے عمل -during "anonymization." مزید ، اس بات کا احساس ہے کہ بعض اعداد و شمار پر جیسا کہ طبی ریکارڈ، مالی ریکارڈ، غیر قانونی کے بارے میں سوالات کا سروے کے جوابات کے بعد بھی رہائی کے لئے بہت حساس شاید رویے پر ہے "anonymization." تاہم کہ میں اس بات کی نشاندہی سماجی محققین کی ضرورت ہے کہ ذیل میں بیان کریں گے زیادہ حالیہ مثالیں ان کی سوچ میں تبدیلی. پہلے قدم کے طور پر، یہ تمام اعداد و شمار ممکنہ طور پر قابل شناخت ہے اور تمام اعداد و شمار کے ممکنہ طور پر حساس ہے کہ فرض کرنے کے لئے وار ہے. دوسرے الفاظ میں، جو کہ معلوماتی خطرے میں سوچ منصوبوں کی ایک چھوٹی اپسمچی پر لاگو ہوتا ہے، بجائے، ہم اس کو لاگو ہوتا ہے سے کچھ تمام منصوبوں ڈگری کے لئے کہ فرض کرنا چاہئے.

یہ دوبارہ واقفیت کے دونوں پہلوؤں کی Netflix انعام طرف سچتر ہیں. باب 5 میں بیان، Netflix کے تقریبا 500،000 کے ارکان کی طرف سے فراہم 100 ملین فلم کی درجہ بندیوں کو رہا کر دیا، اور جہاں دنیا بھر سے لوگوں کی یلگوردمز کی فلموں کی سفارش کرنے کے Netflix کی صلاحیت کو بہتر بنانے کر سکتے ہیں کہ جمع کرائی ایک کھلے کال پڑا. اعداد و شمار کو جاری کرنے سے پہلے، Netflix کے جیسے نام کسی بھی واضح طور پر ذاتی طور پر قابل شناخت معلومات، کو ہٹا دیا. Netflix کی بھی ایک اضافی قدم چلا گیا اور ریکارڈ میں سے کچھ میں معمولی perturbations کے (مثلا، 3 ستارے 4 ستارے کرنے سے کچھ ریٹنگز تبدیل کرنے) متعارف کرایا. Netflix کے جلد ہی دریافت، تاہم، کہ ان کی کوششوں کے باوجود، ڈیٹا میں کوئی تھے گمنام کا مطلب ہے.

صرف دو ہفتے کے اعداد و شمار کے بعد رہا کر دیا گیا Narayanan and Shmatikov (2008) سے ظاہر ہوتا ہے جو مخصوص لوگوں کی فلم کی ترجیحات کے بارے میں جاننے کے لئے ممکن تھا کہ. ان کی دوبارہ سے شناخت کے حملے کرنے کے لئے چال سوینی کی طرح تھا: ممکنہ طور پر حساس معلومات اور کوئی ظاہر شناختی معلومات اور لوگوں کی شناخت پر مشتمل ہے کہ ایک کے ساتھ ایک دوسرے کے ساتھ ضم دو معلوماتی ذرائع، ایک کے. ان اعداد و شمار کے ذرائع میں سے ہر ایک انفرادی طور پر محفوظ ہو سکتا ہے، لیکن جب وہ مل کر کر رہے ضم شدہ ڈیٹاسیٹ معلوماتی خطرے تشکیل دے سکتے ہیں. Netflix کے اعداد و شمار کی صورت میں، یہاں یہ ہو سکتا ہے کہ کس طرح ہے. میں نے اپنے ساتھی کارکنوں کے ساتھ کارروائی اور کامیڈی فلموں کے بارے میں اپنے خیالات کا اشتراک کرنے کے لئے منتخب، لیکن میں مذہبی اور سیاسی فلم کے بارے میں میری رائے اشتراک کرنا پسند نہیں کرتا کہ ذرا تصور کریں. میرے ساتھی کارکنان میں Netflix ڈیٹا میں میرے ریکارڈز کو تلاش کرنے کے ان کے ساتھ اشتراک کیا ہے کہ معلومات کو استعمال کر سکتے ہیں؛ معلومات میں اشتراک ہے کہ صرف ولیم ویلڈ کی تاریخ پیدائش، زپ کوڈ، اور جنسی کی طرح ایک منفرد فنگر پرنٹ ہو سکتا ہے. اس کے بعد، وہ اعداد و شمار میں اپنے منفرد فنگر مل جائے تو، وہ میرے ریٹنگز جہاں میں اشتراک کرنے کے لئے نہیں کا انتخاب فلموں سمیت تمام فلموں، کے بارے میں سیکھ سکتے. ایک شخص پر مرکوز فائرنگ کے اس قسم کے علاوہ میں، Narayanan and Shmatikov (2008) نے بھی اسے ذاتی اور فلم کی ریٹنگ ڈیٹا کے ساتھ Netflix کے اعداد و شمار کو ضم کرنے کی طرف سے لوگوں کو کئی شامل ایک وسیع حملے ون کرنا ممکن تھا ظاہر ہوا ہے کہ کچھ لوگوں کو انٹرنیٹ فلم ڈیٹا بیس (نامہ) پر پوسٹ لئے منتخب کیا ہے. ایک مخصوص شخص بھی ان کی فلم کے سیٹ کے لئے منفرد فنگر پرنٹ ہے کہ کسی بھی معلومات ان کی شناخت کرنے ریٹنگز-کر سکتے ہیں استعمال کیا جائے.

اگرچہ Netflix کے اعداد و شمار کو یا تو ایک ھدف یا وسیع حملے میں دوبارہ سے شناخت کیا جا سکتا ہے، یہ اب بھی کم خطرہ ہونا ظاہر ہو سکتا. سب کے بعد، فلم ریٹنگز بہت حساس نہیں لگتے. جبکہ کہ عام طور پر سچ ہو سکتا ہے، ڈیٹا سیٹ میں 500،000 لوگوں میں سے کچھ کے لئے، فلم ریٹنگز بہت حساس ہو سکتا ہے. سچ تو یہ ہے، ڈی anonymization کے جواب میں ایک closeted ہم جنس پرست عورت کی Netflix کے خلاف کلاس ایکشن سوٹ میں شمولیت اختیار کی. یہاں مسئلہ ان کے مقدمہ میں ظاہر کیا گیا تھا کہ کس طرح ہے (Singel 2009) :

"[M] ovie اور درجہ بندی اعداد و شمار کے ایک سے زیادہ انتہائی ذاتی اور حساس نوعیت [SIC] کے بارے میں معلومات پر مشتمل ہے. رکن کی فلم کے اعداد و شمار ایک Netflix ممبر کی ذاتی دلچسپی اور / یا جنسیت، ذہنی بیماری، شراب سے وصولی، اور شکار incest کی طرف سے، جسمانی دیں، گھریلو تشدد، زنا، اور عصمت دری سمیت مختلف انتہائی ذاتی مسائل، کے ساتھ جدوجہد کو اجاگر. "

Netflix کے انعام ڈیٹا کی DE-anonymization کی وضاحت کرتا ہے تمام اعداد و شمار ممکنہ طور پر قابل شناخت ہے اور تمام اعداد و شمار کے ممکنہ طور پر حساس ہے کہ دونوں. اس مرحلے پر، آپ کو لگتا ہے کہ یہ صرف ڈیٹا ہے کہ لوگوں کے بارے میں ہو purports کہ پر لاگو ہوتا ہے ہو سکتا ہے. حیرت کی بات ہے، ایسی بات نہیں ہے. معلومات قانون کی درخواست کی آزادی کے جواب میں، نیو یارک سٹی حکومت نے 2013 میں نیو یارک میں ہر ٹیکسی کی سواری کے ریکارڈ جاری کیا، اٹھا لینا بھی شامل ہے اور اس باب سے 2 اوقات، مقامات، اور کرایہ مقدار (یادآوری چھوڑ Farber (2015) لیبر معاشیات میں اہم نظریات) ٹیسٹ کرنے کے لئے اس ڈیٹا کا استعمال کیا. ٹیکسی دوروں کے بارے میں یہ اعداد و شمار کے سومی لگتا ہے ہو سکتا ہے، اگرچہ اس کے لوگوں کے بارے میں معلومات ہو جائے لگتا نہیں ہے کیونکہ، انتھونی Tockar اس ٹیکسی ڈیٹاسیٹ دراصل لوگوں کے بارے میں ممکنہ طور پر حساس معلومات کے بہت سے موجود ہے کہ احساس ہوا. وضاحت کرنے کے لئے، وہ ہسلر کلب ایک بڑے پٹی پرنئے نصف شب اور 6am کے اور پھر یارک کے درمیان کلب میں ان کے ڈراپ آف مقامات شروع ہونے پایا تمام دوروں میں دیکھا. اس تلاش کے نازل کردہ میں جوہر ایک کچھ لوگوں ہسلر کلب اکثر جو کی پتوں کی فہرست (Tockar 2014) . اس سے سٹی حکومت یہ بات ذہن میں تھا کہ یہ اعداد و شمار جاری ہے جب تصور کرنا مشکل ہے. اصل میں، یہ اسی تکنیک شہر ایک طبی کلینک، ایک سرکاری عمارت، یا ایک مذہبی ادارے میں کسی بھی جگہ کا دورہ کرنے والے لوگوں کی گھر کے پتے تلاش کرنے کے لئے استعمال کیا جا سکتا ہے.

کوئی منفرد مطلب ہے کی طرف یہ دو صورتوں-Netflix کے انعام اور نیویارک شہر ٹیکسی ڈیٹا شو کہ نسبتا ہنر مند لوگوں کو صحیح طریقے سے انہیں رہا کہ ڈیٹا میں معلوماتی خطرے کا اندازہ لگانے کے لئے میں ناکام رہے، اور ان مقدمات ہیں (Barbaro and Zeller Jr 2006; Zimmer 2010; Narayanan, Huey, and Felten 2016) . اس کے علاوہ، ان میں سے بہت سے میں، مشکلات کے اعداد و شمار اب بھی آزادانہ طور پر دستیاب آن لائن کبھی ایک ڈیٹا رہائی کو کالعدم کرنے کی مشکلات کا اشارہ ہے،. مجموعی طور پر یہ مثالیں-اس کے ساتھ ساتھ ایک اہم نتیجے پر رازداری لیڈز کے بارے میں کمپیوٹر سائنس میں تحقیق. محققین فرض کرنا چاہئے تمام اعداد و شمار ممکنہ طور پر قابل شناخت ہے اور تمام اعداد و شمار کے ممکنہ طور پر حساس ہے کہ.

بدقسمتی سے، یہ حقیقت ہے کہ تمام اعداد و شمار ممکنہ طور پر قابل شناخت ہے اور تمام اعداد و شمار کے ممکنہ طور پر حساس ہے کہ کرنے کے لئے کوئی آسان حل موجود ہے. تاہم، آپ کے ڈیٹا کے ساتھ کام کر رہے ہیں جبکہ میں معلومات کے خطرے کو کم کرنے کا ایک طریقہ کی تخلیق اور ایک ڈیٹا کے تحفظ کی منصوبہ بندی پر عمل کرنا ہے. یہ منصوبہ موقع آپ کے ڈیٹا لیک گا اور ایک لیک کسی نہ کسی طرح اس وقت ہوتی ہے تو نقصان کم ہو جائے گا کہ کمی واقع ہو گی. ڈیٹا کے تحفظ کے منصوبوں کی تفصیلات، استعمال کرنے کے لئے خفیہ کاری کی شکل جیسے کہ کن، وقت کے ساتھ ساتھ تبدیل ہو جائے گا، لیکن برطانیہ ڈیٹا سروسز مددگار 5 زمرے وہ 5 تجوریاں فون ہے کہ میں ایک ڈیٹا کے تحفظ کی منصوبہ بندی کے عناصر کو منظم کرتی ہے: محفوظ منصوبوں، محفوظ لوگوں ، محفوظ کی ترتیبات، محفوظ ڈیٹا، اور محفوظ شدہ نتائج (ٹیبل 6.2) (Desai, Ritchie, and Welpton 2016) . پانچ تجوریاں میں سے کوئی بھی انفرادی طور پر مکمل تحفظ فراہم. لیکن، ساتھ میں وہ عوامل معلوماتی خطرے کو کم کر سکتے ہیں کہ ایک طاقتور سیٹ کی تشکیل.

آپ اسے استعمال کر رہے ہیں جبکہ آپ کے ڈیٹا کی حفاظت کرنے کے علاوہ میں، معلوماتی خطرہ خاص طور نمایاں ہے جہاں تحقیق کے عمل میں ایک قدم دیگر محققین کے ساتھ ڈیٹا شیئرنگ ہے. سائنسدانوں کے درمیان ڈیٹا کا اشتراک سائنسی کوشش کا ایک بنیادی قدر ہے، اور یہ بہت سہولیات علم کی ترقی. یہاں کامنس برطانیہ کے ہاؤس ڈیٹا کا اشتراک کرنے کی اہمیت کو بیان کیا ہے:

محققین، دوبارہ پیش کی توثیق کرنے اور نتائج ادب میں رپورٹ کر رہے ہیں اس پر تعمیر کرنے کی ہو تو "ڈیٹا تک رسائی بنیادی ہے. پرکلپنا، کہ ایک مضبوط وجہ نہیں، دوسری صورت میں نہیں ہے جب تک، ڈیٹا کو مکمل طور پر انکشاف کیا اور عوامی طور پر دستیاب بنایا جانا چاہئے ہونا ضروری ہے. ممکن، تمام عوامی مالی امداد تحقیق سے وابستہ ڈیٹا وسیع پیمانے پر اور آزادانہ طور پر دستیاب بنایا جانا چاہئے جہاں اس اصول کے ساتھ لائن میں. " (Molloy 2011)

اس کے باوجود، ایک اور محقق ساتھ آپ کے ڈیٹا کا اشتراک کر کے، آپ کو معلوماتی خطرے آپ شرکاء کو بڑھتی جا سکتا ہے. اس طرح، یہ لگ سکتا ہے ان کا حصہ کرنا چاہتے ہیں جو ڈیٹا یا ان کا اشتراک کرنے کے لئے ضروری ہیں محققین ایک بنیادی کشیدگی ڈیٹا رہے ہیں کا سامنا ہے کہ. ایک طرف وہ دیگر سائنسدانوں کے ساتھ ان کے ڈیٹا کا اشتراک کرنے کے لئے ایک اخلاقی ذمہ داری عائد ہوتی، اصل تحقیق عوامی مالی امداد کر رہا ہے خاص طور پر اگر. اس کے باوجود، ایک ہی وقت میں، محققین کو کم سے کم کرنے کے لئے ایک اخلاقی ذمہ داری عائد، جتنا ممکن ہے، معلومات ان شرکاء کیلئے خطرہ.

خوش قسمتی سے، اس مشکوک یہ ظاہر ہوتا ہے کے طور پر شدید نہیں ہے. اس کی رہائی اور بھول، کے اعداد و شمار جہاں "گمنام" اور تک رسائی کے لئے کسی کے لئے تعینات کیا گیا ہے کے لئے کوئی ڈیٹا کا اشتراک کی طرف سے ایک تسلسل کے ساتھ اشتراک کرنے کے اعداد و شمار (چترا 6.6) کے بارے میں سوچ کے لئے اہم ہے. ان انتہائی عہدوں کے دونوں خطرات اور فوائد ہیں. یہی وجہ ہے کہ یہ خود بخود آپ کے ڈیٹا کا اشتراک نہیں کرنے کے لئے سب اخلاقی بات نہیں ہے، ہے، طرح کا نقطہ نظر معاشرے کے لئے بہت سے ممکنہ فوائد کو ختم کرتا ہے. ریٹرننگ ذائقہ کے لئے، تعلقات، اور وقت، باب میں پہلے بات چیت ایک مثال، کے اعداد و شمار کی رہائی کے خلاف دلائل ہی ممکن نقصان پہنچتا پر توجہ دی اور اس کے ممکنہ فوائد کو نظر انداز ہے کہ حد سے زیادہ یکطرفہ ہیں؛ میں نے بے یقینی (دفعہ 6.6.4) کے چہرے میں فیصلے کرنے کے بارے میں مشورہ پیش کرتے ہیں جب ذیل میں مزید تفصیل میں اس یک طرفہ، حد سے زیادہ حفاظتی نقطہ نظر کے ساتھ مسائل بیان کریں گے.

پیکر 6.6 ڈیٹا کی رہائی کی حکمت عملی ایک لگاتار ساتھ گر کر سکتے ہیں. کہاں اس تسلسل آپ کے ڈیٹا کی تفصیلات پر منحصر ہے آپ کے ساتھ ہونا چاہئے. اس صورت میں، تیسری پارٹی کا جائزہ آپ کو آپ کے کیس میں خطرے کے مناسب توازن اور فائدے فیصلہ کرنے میں مدد کر سکتا ہے.

اس کے علاوہ، ان دو انتہائی صورتوں کے درمیان میں میں ڈیٹا ہے جو مخصوص معیار کو پورا کرنے اور بعض قوانین کا پابند رہنے سے اتفاق کرتے ہیں جو لوگوں کے ساتھ اشتراک کیا جاتا ہے، جہاں ایک دیواروں باغ نقطہ نظر کو بلایا جائے گا جو ہے (مثال کے طور پر، ایک IRB سے نگرانی اور ایک ڈیٹا کے تحفظ کی منصوبہ بندی) . یہ دیواروں باغ نقطہ نظر رہائی کے فوائد کے بہت سے فراہم کرتا ہے اور اس سے کم خطرہ کے ساتھ کے بھولنا. کورس کے، ایک دیواروں باغ نقطہ نظر پیدا کرتا ہے بہت سے سوالات جو رسائی حاصل کرنا چاہئے، کیا حالات کے تحت، کتنی دیر تک، کو برقرار رکھنے اور دیواروں باغ پولیس کے ادا کرنا چاہئے جو لوگوں کے لئے وغیرہ لیکن ان ناقابل تسخیر نہیں ہیں. سچ تو یہ ہے، وہاں پہلے سے ہی محققین جیسے مواد مشی گن یونیورسٹی میں سیاسی و سماجی تحقیق کے لئے انٹر یونیورسٹی کنسورشیم کے محفوظ شدہ دستاویزات، ابھی استعمال کر سکتے ہیں کی جگہ میں دیواروں باغات کام کر رہے ہیں.

لہذا، جہاں آپ کے مطالعہ سے اعداد و شمار کوئی شیئرنگ، دیواروں باغ کے تسلسل پر ہو، اور رہائی اور بھول جاؤں؟ یہ آپ کے ڈیٹا کی تفصیلات پر منحصر ہے؛ محققین قانون اور عوامی مفاد کے لئے افراد، فیض، جسٹس کے لئے احترام، اور احترام کے درمیان توازن قائم کرنا ضروری ہے. دیگر فیصلوں کے لئے مناسب توازن کا اندازہ جب محققین مشورہ اور IRBs کی منظوری حاصل، اور اعداد و شمار کی رہائی کے اس عمل کا صرف ایک حصہ ہو سکتا ہے. دوسرے الفاظ میں، کچھ لوگوں کے ایک آشاہین اخلاقی دلدل طور پر ڈیٹا کی رہائی کے بارے میں سوچنا ہے، اگرچہ، ہم نے پہلے سے محققین اخلاقی مسائل کے ان قسم کے درمیان توازن قائم کرنے میں مدد کرنے کی جگہ میں نظام ہے.

ڈیٹا کا اشتراک کے بارے میں سوچنے کے لئے ایک حتمی طریقہ قیاس ہے. ہر سال گاڑیوں اموات کے ہزاروں کے لئے ذمہ دار ہیں، لیکن ہم نے ڈرائیونگ پر پابندی عائد کرنے کی کوشش نہیں کرتے. کیونکہ ڈرائیونگ بہت سے حیرت انگیز چیزیں قابل بناتا ہے سچ تو یہ ہے، ڈرائیونگ پر پابندی کے لئے اس طرح ایک کال مضحکہ خیز ہو جائے گا. بلکہ معاشرے جو ڈرائیو کر سکتے ہیں پر پابندیاں دیتا ہے اور (مثال کے طور پر، ایک خاص عمر ہونے کی ضرورت ہے، بعض ٹیسٹ گزر چکے ہیں کرنے کی ضرورت ہے) کہ وہ کس طرح چلا سکتا ہے (مثلا، رفتار کی حد کے تحت). سوسائٹی نے بھی ان قوانین (مثلا، پولیس) کے نفاذ کے ساتھ فرض سونپا افراد پر مشتمل ہے، اور ہم ان کی خلاف ورزی پکڑے جاتے ہیں جو لوگوں کو سزا دے. متوازن سوچ کا یہ اسی قسم کے معاشرے کی ڈرائیونگ کے ریگولیٹری پر لاگو ہوتا ہے کہ یہ بھی ڈیٹا کا اشتراک کرنے کے لئے لاگو کیا جا سکتا. بلکہ لئے یا ڈیٹا کا اشتراک خلاف مطلق دلائل بنانے کے مقابلے میں، مجھے لگتا ہے کہ سب سے بڑا فوائد باہر figuring کہ ہم کس طرح زیادہ محفوظ طریقے سے زیادہ ڈیٹا شیئر کر سکتے ہیں سے آئے گا، ہے.

نتیجہ اخذ کرنے کے لئے، معلوماتی خطرے میں ڈرامائی طور پر اضافہ ہوا ہے، اور یہ پیشن گوئی اور quantify کرنے کے لئے بہت مشکل ہے. لہذا، یہ تمام اعداد و شمار ممکنہ طور پر قابل شناخت اور ممکنہ طور پر حساس ہے کہ فرض کرنے سے بہتر ہے. تحقیق کر جبکہ معلوماتی خطرے کو کم کرنے کے لئے، محققین کی تخلیق اور ایک ڈیٹا کے تحفظ کی منصوبہ بندی پر عمل کر سکتے. اس کے علاوہ، معلوماتی خطرے دیگر سائنسدانوں کے ساتھ ڈیٹا کا اشتراک کرنے سے محققین نہیں روکتا.