آخرین اخبار
facebook Telegram RSS ارسال به دوستان نسخه چاپی
کد خبر : 35517
تاریخ انتشار : 21 مهر 1392 11:7
تعداد بازدید : 990

نگرانی از پدیده نوظهور «تبعیض دیجیتالی»

امروزه فهرست بلندبالایی از سرویس ها مانند شبکه های اجتماعی، خرده فروش ها، اپراتورهای موبایلی و شرکت های اینترنتی هستند که ما دانسته یا ندانسته حجم بالایی از اطلاعات شخصی خود را در اختیارشان قرار می دهیم. جمع آوری این داده ها به شرکت ها امکان می دهد تا به الگوی مصرف و عادات خرید مصرف کنندگان پی ببرند و از اطلاعاتی که به آنها می دهیم به ضرر خودمان
استفاده کنند.

ارسلان شهلا

در همین رابطه محقق ارشد مایکروسافت هشدار داد انتشار داده‌های شخصی در دنیای مجازی چنان سرعت سرسام‌آوری گرفته که این حجم اطلاعاتی قابل توجه ممکن است موج جدید از تبعیض دیجیتال را ایجاد کند، بی‌آنکه عموم مردم به بروز چنین پدیده‌ای پی ببرند.
کیت کرافورد، محقق ارشد مرکز تحقیقاتی مایکروسافت و استاد مهمان دانشگاه MIT آمریکا در سخنرانی خود در کنفرانس EmTech در این دانشگاه اعلام کرد: برخی خیال می‌کنند حجم انبوه داده‌ها که از آن با عنوان «داده بزرگ» نام می‌برند پدیده فوق‌العاده‌ای است، چون با وجود انبوهی از داده‌های ریز و درشت امکان طبقه‌بندی اطلاعات و تمایز گروه‌های مختلف مصرف کنندگان از همدیگر از بین می‌رود. اما داده بزرگ کارکردی کاملا برعکس دارد؛ در بررسی داده‌های انبوه می‌توان مصرف‌کنندگان را براساس رنگ پوست، نژاد، جنسیت و پارامترهای دیگر از هم متمایز کرد. امکان تحلیل و بررسی دقیق داده‌های انبوه به شرکت‌ها کمک می‌کند مصرف‌کنندگان را بهتر بشناسند و آنها را دقیق‌تر هدف بازاریابی‌های خود قرار دهند.
تحقیقات حاکی از آن است که با در اختیار داشتن مجموعه‌ای از اطلاعات افراد در دنیای مجازی می‌توان تا حد زیادی به رجحان و حتی شخصیت آنها پی برد. مطالعه اخیر محققان دانشگاه کمبریج روی 60 هزار کاربر فیس‌بوک نشان می‌دهد که از روی «لایک»‌های آنها در این شبکه اجتماعی می‌توان تا حد قابل توجهی جنسیت، نژاد و حتی ویژگی‌هایی چون مصرف زیاد مشروبات الکلی، پرخاشگری، قانون گریزی یا رانندگی با سرعت بالا را تشخیص داد.
محققان تنها با بررسی لایک‌های کاربران موفق شدند جنسیت مردم را 88 درصد درست تشخیص دهند، اما جالب‌تر آنکه لایک‌های 95 درصد کاربران نشان‌دهنده نژاد آنها بود.
دسترسی به چنین اطلاعاتی امر دشواری نیست و شرکت‌های بزرگ، آژانس‌های دولتی یا حتی افراد به راحتی می‌توانند به این دست اطلاعات دست پیدا کنند که این امر در نهایت به تبعیض اطلاعاتی منجر می‌شود. برای مثال یک فروشنده با بهره‌گیری از داده‌های انبوه می‌تواند محصول خود را به شکلی روی شبکه‌های اجتماعی تبلیغ کند که آن محصول از چشم یک گروه نژادی خاص دور بماند.
از سوی دیگر فعالیت بانک‌ها را در دنیای مجازی تصور کنید. بانک‌ها باید اطلاعات شفاف و دقیقی از آمار خود به قانون گزاران ارایه کنند اما این شفافیت در دنیای آنلاین صدق نمی‌کند. بانک‌ها به راحتی می‌توانند خدمات و گزینه‌های مالی خود را از دید گروه خاصی از مصرف کنندگان پنهان نگه دارند و در عوض خدمات مالی را به مخاطبان دلخواه خود عرضه کنند. به این ترتیب بانک‌ها بدون حاشیه و سر و صدا عده‌ای را کنار می‌زنند و تبعیض اطلاعاتی به وجود می‌آورند.
کرافورد می‌گوید: داده‌های انبوه، تبعیض اطلاعاتی به وجود می‌آورد اما مساله اینجاست که هرگز نمی‌دانید در چه زمینه‌ای مورد تبعیض قرار گرفته‌اید و ممکن است حق‌تان پایمال شود.
در مثالی خطرناک از داده‌های انبوه، محققان دانشگاه کارنگی ملون چند سال پیش سیستمی ‌را طراحی کردند که به آنها امکان می‌داد شماره بیمه تامین اجتماعی افراد را از روی اطلاعاتی چون محل تولد و محل زندگی که در شبکه‌های اجتماعی به اشتراک گذاشته بودند، پیدا کنند.
یکی دیگر از مشکلات داده‌های انبوه این است که این داده‌ها تنها درصدی از مردم را پوشش دهد و نشان‌دهنده الگوی مصرف یا برتری اکثر مصرف‌کنندگان نباشد. برای مثال ثروتمندان بیش از افرادی که بضاعت مالی پایینی دارند از گوشی‌های هوشمند استفاده می‌کنند.
دو سال پیش مقامات شهر بوستون در ایالت ماساچوست یک برنامه‌ای موبایلی به نام Street Bump را برای اهالی بوستون منتشر کردند. این برنامه کاربردی با بهره‌گیری از حسگرهای گوشی‌های هوشمند، چاله و دست‌اندازهای خیابان‌ها را شناسایی و به طور خودکار به مقامات شهر بوستون ارسال می‌کند. اما نکته اینجاست که این برنامه عمدتا خیابان‌های محل سکونت کاربران مرفه‌تر را پوشش می‌دهد، چراکه کاربرانی با بضاعت مالی پایین‌تر اساسا گوشی هوشمندی برای شناسایی دست‌اندازها ندارند.
داده‌های انبوده یک روی مخرب و زیان‌آور هم دارد. اگر شرکت‌ها در شناسایی و هدف‌گذاری مصرف‌کنندگان خود اطلاعات غلطی به دست آورند، ممکن است با تبلیغات ناصحیح ضرر مالی جبران‌ناپذیری را متقبل شوند. کرافورد در این باره می‌گوید: اینکه پیش‌بینی من در مورد شما درست از آب دربیاید به همان اندازه خطرناک است که پیش‌بینی من از شما غلط از آب دربیاید.


نظر شما



نمایش غیر عمومی
تصویر امنیتی :