
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
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01