数据处理伦理

dama-dmbok2 第二章 数据处理伦理 读书笔记，生物伦理学以维护人类尊严为中心的公认原则为数据伦理准则提供了一个良好的起点。例如，贝尔蒙特医学研究原则也适用于信息管理学科（US-HSS，1979）

数据处理伦理

• 引言
  • 伦理是建立在是非观念上的行为准则
  • 伦理准则通常侧重于公平、尊重、责任、诚信、质量、可靠性、透明度和信任等方面
  • 数据处理伦理指如何以符合伦理准则的方式获取、存储、管理、使用和销毁数据。
  • 对于数据管理专业人员及其工作的组织来说，数据伦理是一项社会责任问题
  • 数据处理伦理问题较为复杂，不过主要集中在几个核心概念
    • 1） 对人的影响。
    • 2） 滥用的可能。
    • 3） 数据的经济价值。
  • 数据处理伦理语境关系图
• 业务驱动因素
  • 按照符合伦理准则的方式使用数据越来越被认为是一种商业竞争优势；遵循数据处理伦理可以提高组织本身及其数据和处理结果的可信度，建立组织与其利益相关方之间更好的关系。
  • 客户和利益相关方期望其业务及数据流程合乎伦理行为和结果。
  • 组织构建数据处理伦理准则的主要原因是为了降低所负责的数据被员工、客户、合作伙伴滥用的风险。
  • 保护数据不受犯罪分子侵犯也是一项伦理责任，即保护数据不受黑客攻击和潜在的数据泄露
  • 不同的数据所有权模型影响着数据处理的伦理规范要求。
  • 首席数据官CDO、首席风险官CRO、首席隐私官CPO、首席分析官CAO等新兴角色专注于通过建立可接受的数据处理实践来控制风险
• 基本概念
  • 数据伦理准则
    • 生物伦理学以维护人类尊严为中心的公认原则为数据伦理准则提供了一个良好的起点。例如，贝尔蒙特医学研究原则也适用于信息管理学科（US-HSS，1979）
      • （1） 尊重他人：尊重个人尊严和自主权
        • 当把数据作为资产时，内心一定要铭记数据也会影响、代表或触动人
      • （2） 行善原则：准则有两个要素：第一，不伤害；第二，将利益最大化、伤害最小化。
        • 伦理的数据和信息从业者应识别利益相关方，并考虑数据处理和工作的结果，以最大限度地提高效益并最大限度地降低设计过程造成的伤害风险。
      • （3） 公正：这一准则认为待人公平和公正。
        • 在相似情形下，人们或某一群体是否受到不平等对待？流程或算法结果是否对部分人带来了利益或分配不均的情况？机器学习训练所用的数据集是否使用了无意中加强文化偏见的数据？
        • 信息生态系统中数据处理伦理所必须遵循的四大支柱（EDPS，2015）
          • 1） 面向未来的数据处理条例、尊重隐私权和数据保护权利。
          • 2） 确定个人信息处理的责任人。
          • 3） 数据处理产品及服务设计及工程过程中的隐私意识。
          • 4） 增加个人的自主权。
  • 数据隐私法背后的原则
    • 1974年《美国隐私法》、《欧洲人权公约》 （the European Convention of Human Rights，1950）
    • 在1980年，经济合作与发展组织（OECD，简称经合组织）制定了公平信息处理指引和准则，成为欧盟数据保护法律的基础。
      • 经合组织的8项核心原则，即公平信息处理标准，旨在确保以尊重个人隐私权的方式处理个人数据。具体包括：数据采集的限制、对数据高质量的期望、为特定目的进行采集数据、对数据使用的限制、安全保障、对开放性和透明度的期望、个人挑战与自己有关数据的准确性以及组织遵守准则的责任。
    • 经合组织的准则被欧盟通用数据保护条例依据的准则所取代（GDPR，2016）
    • 加拿大隐私法将隐私保护制度与行业自律全面结合
      • PIPEDA（个人信息保护及电子文件法）适用于在商业活动过程收集、使用和传播个人信息的所有组织。它规定每个组织在使用消费者个人信息时需要遵循和允许例外的规则。
    • 美国隐私方案标准
      • 1） 简化消费者选择，减轻消费者负担。
      • 2） 在信息生命周期中建议始终保持全面的数据管理程序。
      • 3） 为消费者提供不要跟踪选项（Do Not Track Option）。
      • 4） 要求明确肯定的同意。
      • 5） 关注大型平台提供商的数据采集能力、透明度以及明确的隐私声明和制度。
      • 6） 个人对数据的访问。
      • 7） 提高消费者对个人隐私保护意识。
      • 8） 设计时考虑保护隐私。
  • 在线数据的伦理环境
    • 1） 数据所有权。与社交媒体网站和数据代理相关的个人数据控制权。
    • 2） 被遗忘的权力。从网上删除个人信息，特别是调整互联网上的个人声誉。
    • 3） 身份。拥有得到一个身份和一个准确的身份，或者选择匿名的权力。
    • 4） 在线言论自由。表达自己的观点，而非恃强凌弱、恐怖煽动、“挑衅”或侮辱他人。
  • 违背伦理进行数据处理的风险
    • 利用数据有可能歪曲事实，如通过数据展示被歪曲的事实，同时创造一个事实的虚假表象。方法包括主观的数据选择、范围的操控、部分数据点遗漏。这些方法直到今天还在使用。
    • 违反这些伦理原则的数据实践活动场景
      • 1. 时机选择：有可能通过遗漏或根据时间将某些数据点包含在报告或活动中而撒谎。（被称为市场择时（Market Timing），这是非法的行为。）
      • 2. 可视化误导：图表和图形可用于以误导性方式去呈现数据。
      • 3. 定义不清晰或无效的比较
      • 4. 偏见：偏见是指一种有倾向性的观点。在个人层面上，这个词与不合理的判断或歧视有关。（数据偏差）
        • 1） 预设结论的数据采集。
        • 2） 偏向使用收集到的数据：
        • 3） 预感和搜索。
        • 4） 片面抽样方法。
        • 5） 背景和文化。
      • 5. 转换和集成数据
        • 1） 对数据来源和血缘的了解有限。
        • 2） 质量差的数据。
        • 3） 不可靠的元数据。
        • 4） 没有数据修订历史的文档。
      • 6. 数据的混淆和修订，混淆和修订数据是进行信息脱敏或信息不公开的常用方法。但是， 如果下游的活动需要公开数据，那么仅仅混淆就不足以保护数据。
        • 1） 数据聚合（Data Aggregation）
        • 2） 数据标记（Data Marking）。
        • 3） 数据脱敏（Data Masking）。
  • 建立数据伦理文化
    • 建立一个符合伦理的数据处理文化需要理解现有规范，定义预期行为，并将这些编入相应制度和伦理规范中，并提供相应的培训和监管以强制推行预期行为。
      • 1. 评审现有数据处理方法
      • 2. 识别原则、实践和风险因素
      • 3. 制定合乎伦理的数据处理策略和路线图
        • 1） 价值观声明
        • 2） 符合伦理的数据处理原则。
        • 3） 合规框架。
        • 4） 风险评估。
        • 5） 培训和交流。
        • 6） 路线图。
        • 7） 审计和监测方法。
      • 4. 采用对社会负责的伦理风险模型
        • 1） 他们如何选择自己的群体进行研究（箭头1）。
        • 2） 数据如何获取（箭头2）。
        • 3） 活动分析的重点（箭头3）。
        • 4） 如何使结果易于理解（箭头4）。
  • 数据伦理与数据治理
    • 数据处理行为的数据监督属于数据治理和法律顾问范畴
    • 数据治理必须制定相关标准和制度以提供数据处理和监督的方法。
    • 数据治理有一个特殊的监督要求，即用于审查商务智能、分析和数据科学研究提出的计划和决策。