信息摩擦：研究与理解算法隐私的理论视角

本文探讨了算法系统从看似无害的数据中推断敏感信息所带来的隐私概念化挑战。这种隐私问题因机器学习和人工智能系统在几乎所有行业的快速采用而日益受到关注。本文提出使用信息摩擦这一来自佛罗里迪信息伦理（Floridi 2013）的概念作为研究算法隐私的有价值视角。信息摩擦描述了一个代理访问或更改另一个代理信息所需的工作量。通过关注工作量而非信息类型或收集方式，信息摩擦有助于解释为何自动化分析应引发隐私担忧，且这些担忧独立于且附加于与数据收集相关的担忧。作为演示，本文使用信息摩擦分析了执法部门的面部识别使用和Facebook的定向广告模型，并展示了这些系统固有的风险，而这些风险在另一个流行框架——尼森鲍姆的情境完整性（Contextual Integrity, Nissenbaum 2004）中未被完全识别。本文最后讨论了对隐私研究和隐私监管的更广泛影响。