京公网安备 11010802034615号
经营许可证编号:京B2-20210330
可穿戴设备将引发科技伦理之大数据
在人类历史上,每一次真正意义上的技术革新都会引发新的伦理讨论,出现新的道德准则。显然目前基于大数据所引发的隐私伦理也处于讨论的风口,随之而来的可穿戴设备伦理问题随着设备的普及也正在发酵,其核心就在于可穿戴设备将人的生命体态特征进行了数据化。
比如我们所熟知的谷歌眼镜,尽管谷歌眼镜现在只在少数的一部分人里流行,但是整个社会已经在讨论有关智能眼镜所引发的伦理问题。其中不仅仅是谷歌眼镜在使用场景方面所引发的一些隐私与理论问题探讨,更关键的是谷歌眼镜在真正使用过程中所“隐藏”的一些“潜在”问题,比如眼动追踪技术对用户眼球的追踪可以扑捉与记录下男性在看女性体型时候的先后顺序,这些隐私的背后就是一场伦理的讨论。因此,在可穿戴设备普及到如同手机般无处不在的时候,我们所面对的或许已不是隐私权这么简单,更深层次的伦理问题将会摆在我们面前。
正如《大数据时代》一书的作者维克托?迈尔?舍恩伯格所担忧的,大数据在欧美国家已经被应用到了警察这一行业,通过大数据对一个人过往的行为数据进行分析,预测他两年之后可能成为一个杀人犯,那么是放任其自由还是现在就要给他贴上“杀人犯”的标签、开始对他进行监控或者直接投入监狱?至今没有人能够给出答案。
不可忽视的是,基于可穿戴设备的大数据时代将面临更大的伦理问题。未来,尤其是随着植入式可穿戴设备的发展,当我们都被植入内置芯片,当我们的意识可以改写,当我们的记忆影像可被随时翻查,我们的一举一动都将被记录。此时,尽管我们都是大数据创造者,同时我们面临的更为严峻的现实是被大数据控制。而随着人工智能与大数据的融合,或许未来控制我们的不再是我们自己的意识,而是人工智能。
可穿戴设备伦理之个人信息数据化的隐私与开放
在2012年伦敦奥运会期间,英国一家科技公司在伦敦街头安放了200个智能垃圾箱。这种建造成本高达3万英镑的智能垃圾箱采用防弹材料制作,降低了路人乱丢弃垃圾的频率,还具有网络连接功能,安装了Wi-Fi设备和两块液晶显示屏,分别用于搜集手机用户信息与播放商业广告,广告显示内容可以实时更新。令人吃惊的是,智能垃圾箱所采用的无线局域网定位技术可确定路人所携带智能手机的具体型号与特定MAC地址。经过一周时间试验后,这家公司得到了400多万个智能手机用户的数据,并确认了其中53万部手机的惟一用户信息。
智能垃圾箱并非用来展示高科技的神奇,开发者利用处在激烈竞争中的公司企业急于抓住商机的心理,希望相关企业能利用其所搜集的手机用户数据抓住小众市场,以便直接向收入较高的专业白领人员投放相关广告(下图)。例如,某家咖啡店通过跟踪马路过客携带的苹果iPhone,即可判断出这些人为了早餐通常在上午八点驻足,购买咖啡和面包。如用户改变了消费习惯,转向其他竞争对手购买咖啡早餐,受影响的商家就会购买智能垃圾箱播放的广告时段。当特定手机用户路过垃圾箱周边时,系统会从储存的数据中匹配对号,自动向特定用户推送忠实顾客奖励计划或打折优惠方案。
如此以来,大数据对个人隐私保护提出了严峻的挑战。俨然,传统线下企业的数据保护方式已经失效了,只要用户使用智能手机,他就必须将自己的个人数据所有权转移给服务商。更复杂的是,经过多重交易和多个第三方渠道的介入,个人数据的权利边界消失了。无论是通过微博、微信等社交平台“晒”心情,或是关注、评论他人,都存在泄露个人信息的可能性,还会因此受到推销信息和垃圾短信的骚扰,甚至被伪装成好友的犯罪分子诈骗。
随着互联网、智能手机、传感器、个人穿戴式设备等新技术的不断普及,个人数据的网络化和透明化已经或即将成为不可阻挡的大趋势。在模拟和小数据时代,能够大量掌控公民个人数据的机构只能是持有公权力的政府机构,但现在许多企业和某些个人也能拥有海量数据,甚至在某些方面超过政府机构。面对这样一种趋势,当可穿戴与人体进行深度绑定并大量普及之后,其必然会产生大量的数据。这些数据大部分都是所谓的隐私数据,面对这些数据,其商业化的边界到底应该划在哪里,这已经不是简单的关于隐私权的问题,而是牵涉到用户私生活的一些伦理层面问题。
隐私与伦理之战该如何破解
尽管可穿戴设备时代的到来可以会让用户的一切都暴露在阳光之下,在其趋势不可阻挡,并不会因为我们的愿意与不愿意而影响这个时代的到来。当网络生活方式成为社会普遍的生活方式后,尤其是伴随着可穿戴设备的应用,当我们进入物联网时期之后,个人数据的流动性与暴露风险大大增加了,同时大数据则可能将可穿戴设备的数据潜在风险加大到极致。为应对前所未有的新风险,最重要的不是排斥,而是以开放的心态来迎接,并探索新的监管办法。在我看来主要有以下三方面:
首先是关于数据采集、传输、存储等环节的软硬件安全技术要不断进行提升,从源头上尽可能地堵住漏洞;
其次是行业的自律,尤其对于将商业模式设置在大数据商业化基础上的商家而言,需要更多的道德自律;
最后则需要借助于法律法规的手段,完善个人数据保护的法律体系,以及数据商业化的法律法规,包括明确的数据挖掘边界。
全国人大常委会《关于加强网络信息保护的决定》规定:“国家保护能够识别公民个人身份和涉及公民个人隐私的电子信息,任何组织和个人不得窃取或者以其他非法方式获取公民个人电子信息,不得出售或者非法向他人提供公民个人电子信息。”尤其,在用户提交个人数据并接受约定服务后,服务商和运营商即负有保护个人数据的法定责任。在用户与服务商关系方面,用户一般处于信息不对称的弱势一方,因此,保护用户个人数据安全,既是服务商不可推卸的法律责任,也是企业的重要社会责任。在权利受侵害后,有效实施权利救济是现代法治社会的标志之一。
产业的发展速度快于相关法律法规的推行速度,也在一定程度上对用户的隐私保护起不到真正的作用,给用户在不同程度上带来了困扰。但可以预见,随着大数据与可穿戴设备的蓬勃发展,相关的法律法规的不断出现与完善,必然将引导行业的商业化朝着健康的方向发展,同时对于个人的数据隐私也将会在一定程度上得到保护。或许在不久的将来,当用户在使用可穿戴设备时,可以根据个人对于隐私的保护意愿设定相应的等级,并以此来向相关的需求方来出售相应的个人数据信息。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14