京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代下,数据使用与隐私保护的博弈
信息时代,网络服务商提供的软件(APP)和网站,所收集的无数信息成就了海量的大数据,商家和科技公司在通过大数据服务于每个人的同时,既可赚取大量的利润,同时也必然涉及另一个问题,有意和无意泄露个人隐私。如何在大数据时代保护个人隐私,在中国显得特别严重和紧迫。
主要表现为,商家以隐瞒和挟持的手段迫使用户放弃隐私保护。即便一些商家推出表面的隐私协议,要求用户签字,也表现为霸王条款。用户同意才能使用其软件,不同意就不能使用,而且只要使用了网站的任一服务,就表示使用者同意商家的隐私权政策。但这个政策只是商家个人的定义。
在信息时代,一方面,每个人的信息汇聚为大数据时当然不仅是为商家带来财富,也为公共利益,如攻克疾病、研发药物和反恐防恐提供了方便。根据Wikibon的报告,美国大数据产业的市场规模在2017年将达到500亿美元,这其中就包括医药公司利用基因检测软件分享个人数据,并以此为基础研发药物和新产品获取的利润。在中国,每年利用大数据获得的利益也早就超过100亿元人民币。正在召开的“两会”上,百度董事长兼首席执行官李彦宏的第一个提案就是“利用人工智能和大数据技术,帮助解决走失儿童问题”,这也是利用大数据推进和支持公益活动的具体体现。
即便大数据能解决人们生活和发展中的许多问题,而且也将是未来社会发展的一个基石和动力,但并不意味着个人隐私不需要保护。恰恰相反,大数据时代更需要保护个人隐私,才能让信息时代的技术最大化地有利于每个个体,也体现社会的公平和公正。
不过,在中国,保护个人隐私的第一个难题是,如何定义个人隐私,以及如何保护大数据涉及的隐私。中国的法律当然提及了公民个人隐私,并提出,“公民的个人数据不得非法搜集、传输、处理和利用”。但是, 中国的《民法通则》并未将隐私权作为一项独立人格权利加以保护,在隐私权方面,中国的现行立法并不清晰和明确。正因为如此,众多的网络服务商才可以在其软件和网络服务中强行以商家的规则来搜集并使用公民的隐私信息。
对此,应当根据中国的具体情况和参照发达国家对大数据时代提出的公民隐私权的解释,进行立法,以兼顾大数据的合理使用和个人隐私的保护,至少在二者之间寻求一种平衡。
美国对隐私权的规定大致有:公民个人享有秘密或者寻求隐匿的权利,同时保护公民个体的隐私权从住宅扩大到所有私人谈话与通讯过程;公民个人有匿名表达权,特别在政治意见领域;禁止某些运用公民私人信息的消极结果,如防止基因检测信息泄漏而遭到歧视;在私人信息脱离本人排他所有权之后,控制他人接触这些信息;个人有做出私人决定而不受政府干涉的权利,主要包括个人的健康、生育和性生活领域。
美国保护个人隐私既有传统,又看重现实的信息技术发展现状。1974年美国通过了《隐私法案》,2012年2月奥巴马政府又宣布推动《消费者隐私权利法案》,2015年3月美国白宫公布了《2015年消费者隐私权法案》草案。此外,针对上述公民隐私权利的内容也有许多具体的法律,如2008年出台的《基因信息非歧视法案》。
具体到个人隐私权利保护草案,也是一种妥协的结果。一方面,草案关注保护个人隐私,另一方面,又给予商家很多利用个人信息或大数据的权利。例如,草案的一个基本规定是,数据持有商必须要在透明度报告中提供更多关于其用户数据收集的信息;同时,个人访问商家储存的个人数据拥有更多的权利。但另一方面,草案也规定,商家可自行制定隐私政策。而且,如果消费者的要求被商家裁定为无理取闹的行为,商家可以选择无视这些要求。
对此草案,美国最大的信息技术公司微软表态称,微软支持《2015年消费者隐私权法案》,但并不意味着它完全认同法案里的每一项条款。微软首席隐私官布兰登•林奇(Brendon Lynch)认为,对于草案有些人反对,有些人赞同,但不管怎样这都是好消息,因为人们开始为之对话了。
从发达国家的情况看,大数据时代的信息利用和个人隐私保护一直存在博弈,中国现在的情况还达不到这一步,只是处于商家和权力机构强势获取个人信息并加以利用的阶段,公民隐私权的承认和保护还处于空白期,这种不平衡的状况也必将造成广泛的社会负面影响。对此,除了公众要将诉求通过两会代表传达到立法机构外,还需要政府的干预,才能形成大数据的合理应用与个人隐私有效保护的双赢结局。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16