重要なデータ研究

批判的データ研究とは、ビッグデータを扱う際に生じる社会的、文化的、倫理的な課題の探求と取り組みです。この形式の研究は、さまざまな独自の視点と批判的なアプローチを通じて実践されます。^{[1]その名前が示すように、批判的データ研究は、権力構造の組織化に対処することに重点を置いている}批判理論の影響を強く受けています。この考え方は、データの研究に適用されます。

批判的データ研究というこのユニークな分野への関心は、2011年に学者のダナ・ボイドとケイト・クロフォードがビッグデータの批判的研究にさまざまな疑問を提起し、社会や文化に対する潜在的な脅威的な影響を認識したことから始まりました。^[2]批判的データ研究という言葉は、2014年にさらなる調査と対話を経て、学者のクレイグ・ダルトンとジム・サッチャーによって正式に提唱されました。^[1]彼らは、ビッグデータに批判的にアプローチするために、ビッグデータのコンテキストを理解することに重点を置いています。ダニエル・リブス、ロバート・ソーデン、セイラム・アヴレ、サラ・E・フォックス、フィービー・センジャーズなどの研究者は、データを歴史的遺物として理解し、批判的データ研究に学際的なアプローチを取ることに重点を置いています。^[3]この分野の他の主要な学者には、さまざまな分野を通じてデータを再評価することに焦点を当てたロブ・キッチンとトレーシー・P・ローリオーが含まれます。^[4]

ビッグ データの分析に適用できるさまざまな重要なフレームワークには、フェミニスト、反人種差別、クィア、先住民、脱植民地主義、反障害者主義、および象徴的および合成的なデータ サイエンスが含まれます。これらのフレームワークは、データに存在する権力、偏見、プライバシー、同意、および過少表現または不正確な表現の懸念に対処することで、データの意味を理解するのに役立ちます。また、より公平な考え方でこのデータにアプローチして分析する方法についても説明します。

ダルトン氏とサッチャー氏は、「批判的データ研究」という用語を生み出した論文の中で、データ研究が批判的アプローチに値する学問である理由についていくつかの正当性も示している。^[5]まず、「ビッグデータ」は21世紀社会の重要な側面であり、「ビッグデータ」を分析することで、何が起きているのか、そしてその理由をより深く理解することができる。^[1]ビッグデータは、この分野で使用されるデータの種類であるため、批判的データ研究にとって重要である。ビッグデータは必ずしも大規模なデータセットを指すわけではなく、何百万行ものデータセットを指す場合もあれば、より小規模なタイプのデータセットで多種多様な広範な範囲のデータを持つデータセットを指す場合もある。また、データセットにはサンプルサイズだけでなく全人口が含まれる。さらに、ダルトン氏とサッチャー氏によると、技術ツールとしてのビッグデータとそれが生み出す情報は中立的ではなく、その偏りを特定して対処するために批判的に分析する価値がある。この考えに基づいて、批判的アプローチのもう一つの根拠は、ビッグデータと社会の関係は重要であり、したがって研究する価値があるということである。^[1]

Ribes らは、批判的データ研究の動機付けの側面として、データを歴史的遺物として学際的に理解する必要があると主張しています。コンピュータ支援共同作業 (CSCW) 分野における包括的なコンセンサスは、データ自体に語らせるのではなく、人間がデータに代わって語るべきであるということです。

ビッグデータのソースと多様なメタデータとの関係は複雑になる可能性があり、データの無秩序と倫理的分析の必要性につながります。^{[6]さらに、IliadisとRusso（2016）は、}データアセンブリの研究を求めています。^[6]つまり、データには、考慮する必要がある固有の技術的、政治的、社会的、経済的歴史があります。 Kitchinは、データが生のままであることはほとんどなく、ほとんどの場合調理されていると主張しています。つまり、データを使用するデータサイエンティストによって常に語られているということです。したがって、ビッグデータは、特に文化的および哲学的な性質のさまざまな視点に開かれている必要があります。さらに、データには隠された歴史、イデオロギー、哲学が含まれています。^[6]

ビッグデータ技術は、社会構造や人々の日常生活に大きな変化をもたらす可能性があり^[1]、社会の産物であるビッグデータ技術は社会学的調査に値する。^[1]さらに、データセットがまったく影響を受けないことはほとんどありません。むしろ、データはデータを収集する人々のビジョンや目的によって形作られ、データ収集プロセス中に、研究チームによって特定のものが定量化、保存、分類、さらには破棄されることもあります。^[7]したがって、提示されている情報の背後にある意図を理解し明らかにするためには、批判的なアプローチが必要です。これらの批判的なアプローチの1つは、フェミニストデータ研究です。この方法は、フェミニストの原則を批判的研究とデータ収集および分析に適用します。これの目的は、データサイエンスと社会における権力の不均衡に対処することです。キャサリン・ディグナツィオとローレン・F・クラインによると、権力分析は、権力を調べ、権力に異議を唱え、感情と身体性を評価し、二元性と階層を再考し、多元性を受け入れ、文脈を考慮し、労働を可視化することで実行できます。^[8]フェミニストデータ研究は、既存の不平等を拡大するのではなく、すべての人に利益をもたらすデータを作るという運動の一部です。さらに、データだけではそれ自体を語ることはできません。具体的な意味を持つためには、データは理論的洞察や代替の量的または質的研究手段を伴わなければなりません。^{[1] [9]}反人種差別データ研究などのさまざまな社会的トピックに基づいて、批判的データ研究は、データに関する社会問題に焦点を当てています。特に反人種差別データ研究では、そのコミュニティ内の人々の代表を得るために分類アプローチを使用します。デズモンド・アプトン・パットンと他の人たちは、シカゴのコミュニティで独自の分類システムを使用して、ツイッター上の十代の若者に対する暴力を標的にして減らすのに役立ちました。彼らは、コンピューター画面の外で暴力を伴うツイートで使用されている言語を標的にするために、これらの十代の若者の用語と絵文字を解読するのをコミュニティの学生に手伝ってもらいました。^[10]これは、批判的データ研究とその応用の実際の例の1つにすぎません。ダルトンとサッチャーは、データを搾取する力という観点からのみ考えると、革命的、解放的な目的のためにデータを使用することは不可能であると主張している。^[1]最後に、ダルトンとサッチャーは、データの研究における批判的アプローチにより、「ビッグデータ」を古い「スモールデータ」と組み合わせることができ、より徹底した研究が可能になり、より多くの機会、質問、および探求すべきトピックが開かれると提案している。^{[1] [11]}

データは、新興の知識経済において、生産性、競争力、効率性、持続可能性、資本蓄積を推進する重要な役割を果たしています。データの倫理的、政治的、経済的側面は、変化する体制、技術、優先順位の影響を受け、空間と時間を超えて動的に進化します。技術的には、機械学習ベースのデータマイニングと分析を利用して、膨大なデータセットを処理、保存、分析することに重点が置かれています。この技術の進歩により、妥当性、信頼性、真正性、使いやすさ、系統を含むデータ品質に関する懸念が生じています。^[12]

現代社会におけるデータの使用は、世界を理解し測定する新しい方法をもたらしますが、同時に特定の懸念や問題ももたらします。^[13]データ学者は、データに対する批判的姿勢を求めて、これらの問題のいくつかを明らかにしようとします。

技術的および組織的な問題には、データセットの範囲が含まれる可能性があります。つまり、作業するデータが少なすぎたり多すぎたりして、結果が不正確になることがあります。重要なデータ研究者にとっては、分析に必要なデータ量が適切かどうかを慎重に検討することが重要になります。

データ自体の品質も懸念事項の 1 つです。データ自体の品質が低い場合があり、たとえば、欠落または不正確なデータ値を含む不完全または乱雑なデータセットが考えられます。この場合、研究者はデータ自体について編集や仮定を行わなければなりません。これらの問題に対処するには、多くの場合、学者がデータの信頼性と関連性を確保するために編集や仮定を行う必要があります。

データサイエンティストは実際のデータセットに不適切にアクセスできる可能性があり、分析能力が制限される可能性があります。リネット・テイラーは、さまざまなレベルの権力を持つ人々がデータソースに対して特定の権利を持っている場合に、データのギャップがどのように発生するかを説明しています。権力を持つ人々は、収集されるデータ、そのデータがどのように表示されるか、そしてどのように分析されるかを制御できます。^[14]

研究チームの能力もデータ分析の質に重要な役割を果たします。研究チームのスキルや組織能力が不十分な場合、データセットに対して実行される実際の分析に偏りが生じます。これは生態学的誤謬にもつながり、より大規模なグループのデータや結果に基づいて個人についての推測がなされることを意味します。^[13]

これらの技術的および組織的な課題は、データを扱うことの複雑さを浮き彫りにし、データの範囲、品質、アクセス、およびチームの能力に関連する問題が複雑に絡み合った状況を学者が乗り越える必要性を強調しています。

キッチン氏が取り上げた規範的かつ倫理的な懸念には、データによる監視（データ監視^[7]）（この記事ではデータのプライバシーについて言及されており、全米サイバーセキュリティ同盟が触れている主要なキーポイントの1つは、企業がデータを資産として認識し、収集、使用、共有の潜在的な価値を認識するにつれて、データが急速に必需品になりつつあるということ（全米サイバーセキュリティ同盟]）、データの所有権（スカッサ氏はデータの所有権に関する議論が激化していると書いている。欧州では、政策立案者がデータに独自の所有権を設ける可能性を提起している）、データのセキュリティ（データ侵害は個人と組織の両方に脅威をもたらす。データセキュリティ侵害とサイバーセキュリティの専門家がそれを防ぐために行うことについて詳しくは、こちらを参照）、予測的ガバナンスまたはコーポレートガバナンス（企業データと情報は互換的に使用されているが、同じ用語ではない。企業データは、処理されて意味のある形式に変換されない限り、適切な意味や有用性を持たない生の情報であり (企業データと情報)、データによって個人をプロファイリングします。[5] これはデータ植民地主義 (データ植民地主義) で重点的に強調されており、被害を受けている個人に対してデータ主権が奨励されています。なぜなら、そのデータが代表する人物にとって、データ主権は強力なツールになり得るからです。データ主権に対するこれらのアプローチに共通するテーマは、いつ、どのようにデータを収集、保護し、データにアクセスする正当または適切な必要性がある人のみと共有するかです。データ学者は、批判的になるという目的において、これらすべての懸念を考慮に入れなければなりません。「私たちがデータに付けるラベルは、常に、私たちが望むものよりも粗雑で、データの説明をあまり表さないものになります。候補者を単一のラベルで扱うと、それが性別ラベルであろうと、年齢層であろうと、特定の製品の消費者であろうと、特定の病気にかかっている人々であろうと、人々は交換可能で代替可能なデータ ポイントとして扱われることになります。そのラベルを持つ個人はそれぞれがユニークであり、人として尊重される権利があります」(Vallor: Data Ethics)。データの学者は、批判的になるという目的において、これらすべての懸念を考慮に入れる必要があります。

批判的都市研究の伝統に従い、^[15]他の学者も都市環境におけるデータとデジタル情報技術に関して同様の懸念を表明している。^{[16] [17] [18]例えば、ジョー・ショーとマーク・グラハムは、}アンリ・ルフェーブルの「都市への権利」に照らしてこれらを検討した。^[19]

批判的データ研究の最も実際的かつ懸念される応用は、倫理とプライバシーの交差です。テンドラー、ホン、ケイン、コパチンスキー、テリー、エマニュエルは、民間機関が顧客データをマーケティングや顧客の要望やニーズの調査などに利用する時代においては、収集されたデータを保護することが不可欠であると説明しています。医学研究分野を検討する場合、参加者を保護するための小さな一歩はインフォームドコンセントです。^[20]

データには多くのアルゴリズムによる偏見や差別があります。多くの人が、データに基づく意思決定が患者のケアに与える影響の大きさ、データの使用方法、データの収集理由などから、医療分野ではこの点の重要性を強調しています。機関や企業は、重要なデータ研究を使用してデータに基づく意思決定におけるアルゴリズムによる偏見を浮き彫りにすることで、公平性を確保し、組織的人種差別と戦うことができます。ノングは、保険アルゴリズムと医療へのアクセスが非常によく知られている例であると説明しています。保険会社は、顧客間でケアリソースを割り当てるためにアルゴリズムを使用しています。使用されたアルゴリズムは「黒人患者に対する明らかな人種的偏見」を示しており、その結果、「医療費の推定額は、組織的人種差別によって構造化された過去のデータに基づいており、ケア管理へのアクセスにおいてその偏見が永続化している」とされています^[21]

多くの訓練された機械学習モデルや人工モデルには、パフォーマンス特性を適切に文書化するための標準的なモデル報告手順がありません。^[22]これらのモデルが実際のシナリオに適用されると、その結果は現実世界に大きな影響を与え、特に医療、教育、法執行の分野で顕著です。 Timnit Gebru は、これらのモデルに関する十分な文書化がないため、ユーザーが特定のコンテキストへの適合性を評価することが困難になっていると説明しています。ここでモデルカードが役立ちます。 モデルカードは、機械学習モデルに付随する短い記録を提供して、モデルの特性、意図された用途、潜在的なバイアス、パフォーマンスの尺度に関する情報を提供できます。 モデルカードの使用は、機械学習システムの機能と限界、および機械学習テクノロジーの使用による公正で包括的な結果を促進する方法について、ユーザーに重要な情報を提供することを目的としています。^[23]

データフェミニズムのフレームワークは、インターセクショナルフェミニズムの考え方に基づいてデータと倫理について考えることを促進します。データフェミニズムは、データサイエンスが世界の権力の不平等を強化する実践と、ユーザーがデータを使用して既存の権力に挑戦し、バランスの取れたデータを作成することにコミットする方法を強調します。D'ignazioとKleinによると、データフェミニズムのインターセクショナリティは、個人の経験を完全に正確に表現するために、データがアイデンティティ、人種、階級などの交差する要因を考慮する必要があることを認めています。このフレームワークはまた、インフォームドコンセント、プライバシー、およびデータ収集者がデータを収集する個人に対して負う責任を主張することにより、さまざまな倫理的考慮の重要性を強調しています。^[8]

データベイランスは、オンラインデータ上で人々を監視することである。監視とは異なり、データベイランスは特定の理由で人々を監視することをはるかに超える。データベイランスは、包括的かつ一般的な目的で継続的な追跡によって人々の生活に浸透する。レイリーによると、それはさまざまなオンラインプレゼンスを通じて人々を監視する好ましい方法となっている。このフレームワークは、倫理的観点と個人情報の保護を重視しながら、データの収集、処理、使用方法にアプローチして理解する方法に焦点を当てている。^[24] データ化は、ビッグデータの出現と使用に関連するプロセスを理解することに焦点を当てている。ホセとダイクによると、それはリアルタイムの追跡と予測分析を可能にするデジタルデータへの社会的行動の変換を強調している。データ化は、社会的活動は変化するがデータへの変換は変化しないため、データ収集の関心主導のプロセスを強調している。また、デジタルデータが日常生活でより普及するにつれて、社会の変化がどのように影響するかについても検討している。データ化は、データと社会の複雑な関係を強調し、データベイランスと密接に関連している。^[25]

アルゴリズムによる偏見の枠組みとは、アルゴリズムによる意思決定プロセスにおいて、特定のグループや結果に対して体系的かつ不当な偏見が向けられることを指します。ハウスラー氏は、ユーザーは、特に人種、性別、年齢、その他の特性に関して、アルゴリズムが差別的な結果を生み出す可能性があることに注目し、社会的不平等や不当な慣行の考えを強めることができると述べています。一般的に、この枠組みには、偏見の特定、データ品質、影響評価、公平性と公正性、透明性、改善、影響という主要な要素があります。^[26]

• 「企業データと情報を理解する」。financialcrimeacademy.org 2023-08-15 2023-11-08閲覧。
• 「データ倫理について：シャノン・ヴァラー氏へのインタビュー」www.scu.edu。サンタクララ大学。 2023年11月8日閲覧。
• Eitel, Barry (2022-07-06). 「今日の世界でデータプライバシーが必要な理由」National Cyber​​security Alliance . 2023-11-08に閲覧。

• クレイグ・ダルトン、ジム・サッチャー。「批判的データ研究とはどのようなものか、そしてなぜ私たちはそれを気にするのか？『ビッグデータ』に対する批判的アプローチの 7 つのポイント。」Society and Space オープン サイト(2014)。2016 年 10 月 23 日閲覧。
• Elkins, James R.「批判的思考運動: ある教師の思考における交互の流れ」。myweb.wvnet.edu ( 1999)。2016 年 11 月 29 日閲覧。
• キッチン、ロブ。データ革命：ビッグデータ、オープンデータ、データインフラストラクチャとその影響。Sage、2014年。2016年10月23日閲覧。
• Kitchin, Rob、Tracey P. Lauriault。「批判的データ研究に向けて: データ集合とその作業の図表化と解明」(2014)。2016 年 10 月 23 日閲覧。
• D'Ignazio, C., & F. Klein, L. (2020).公平かつ実用的なCOVID-19データのための7つのインターセクショナルフェミニスト原則。Sage、2020年。2023年11月7日閲覧。
• キッチン、ロブ、クリティカルデータ研究：概念と方法のAからZまでのガイド、Wiley、2024年