[論文レビュー] Digital trace data collection through data donation

Laura Boeschoten, Jef Ausloos+3 more|arXiv (Cornell University)|Nov 13, 2020

Privacy-Preserving Technologies in Data参考文献 85被引用数 31

ひとこと要約

本論文は、GDPR下でデータダウンロードパッケージ（DDP）を通じてデジタル痕跡データを収集することを提案し、DDPベースの研究におけるデータ品質・同意・表現性を確保するための総誤差フレームワークと実践的チェックリストを提示する。

ABSTRACT

A potentially powerful method of social-scientific data collection and investigation has been created by an unexpected institution: the law. Article 15 of the EU's 2018 General Data Protection Regulation (GDPR) mandates that individuals have electronic access to a copy of their personal data, and all major digital platforms now comply with this law by providing users with "data download packages" (DDPs). Through voluntary donation of DDPs, all data collected by public and private entities during the course of citizens' digital life can be obtained and analyzed to answer social-scientific questions - with consent. Thus, consented DDPs open the way for vast new research opportunities. However, while this entirely new method of data collection will undoubtedly gain popularity in the coming years, it also comes with its own questions of representativeness and measurement quality, which are often evaluated systematically by means of an error framework. Therefore, in this paper we provide a blueprint for digital trace data collection using DDPs, and devise a "total error framework" for such projects. Our error framework for digital trace data collection through data donation is intended to facilitate high quality social-scientific investigations using DDPs while critically reflecting its unique methodological challenges and sources of error. In addition, we provide a quality control checklist to guide researchers in leveraging the vast opportunities afforded by this new mode of investigation.

研究の動機と目的

• GDPRのアクセス権（データダウンロードパッケージ）によって可能となる研究手法としてデータ寄付を動機づける。
• 社会科学研究におけるDDPの取得と活用のための5段階ワークフローを定義する。
• DDPデータに特化した総誤差フレームワークを開発し、測定エラーと表現エラーを特定・制御する。
• DDP研究を計画・評価する際の実用的な品質管理チェックリストを提供する。

提案手法

• GDPRのアクセス権と、同意を前提としたDDPが研究にどのように活用できるかを説明する。
• 回答者を募集し、DDPを要求し、データを現地で処理し、派生変数を共有する同意を得て、分析するという5段階ワークフローを提案する。
• 総合調査誤差フレームワークをDDPデータに適用し、測定側と表現側を分離する。
• オランダの青少年を対象としたAWeSome研究のInstagram DDPを用いた例でフレームワークを具体化する。
• DDP研究の評価または実施のためのすぐに使用できるAppendix Aのチェックリストを提供する。

実験結果

リサーチクエスチョン

• RQ1 同意とデータプライバシーを確保しつつ、DDPをどのように活用して社会科学的な問いに答えることができるか？
• RQ2 DDPベースの研究における主要な誤差源は何か、総誤差フレームワーク内でどのようにモデル化し緩和できるか？
• RQ3 研究者が高品質なDDP研究を実施するのに役立つ実践的な指針と品質チェックは何か？

主な発見

• DDPsは、同意の下で個人のダイナミクスや社会的相互作用に関する質問に答える可能性のある豊富で公開されていないデータへアクセスを提供する。
• A total error frameworkは、DDPデータに特有の測定エラー・表現エラー（構成、指標、抽出、アルゴリズム、統合エラー）を特定・管理するのに役立つ。
• A measurement-versus-representation decompositionは、データ収集と分析の段階全体での偏りを計画・記録・緩和するのに役立つ。
• The paper offers a practical checklist (Appendix A) to guide planning, execution, and evaluation of DDP-based studies.