人类被试与数据伦理
涉及人的研究需要伦理审查（IRB）与知情同意；使用公开数据也有隐私与许可问题（爬取的数据、人脸数据集的撤回）。本章讲审查流程、数据集的伦理清单（datasheets）、以及 CS 中容易被忽视的场景（用户日志、众包标注）。
涉及人的研究需要两条底线：伦理审查（IRB）与知情同意。
- IRB：机构审查委员会对研究方案的审查（目的、风险、招募、数据管理）。用户研究、访谈、问卷、可用性测试、众包实验都在其列（流程与样本量见用户研究与定性方法）；
- 知情同意：被试知道自己在参与研究、参与什么、数据如何使用、如何退出。同意书不是流程文档，是伦理契约。
CS 中容易被忽视的场景——它们都涉及人，都需要同样的审查：
- 用户日志：分析产品日志 = 分析人的行为数据，需要审查与匿名化；
- 众包标注：众包标注者也是人类被试——他们的公平报酬、知情同意、工作条件都是伦理问题；
- 线上实验（A/B test、插桩实验）：影响真实用户的行为，需要审查。
公开数据 ≠ 可以使用
Section titled “公开数据 ≠ 可以使用”公开可获取不等于可以使用：
- 爬取的数据：来源网站的许可条款、数据的个人信息属性都要检查；
- 人脸/生物特征数据集：多个知名数据集（如 MegaFace、MS-Celeb-1M）因隐私问题被撤回——使用撤回的数据集是明确的违规；
- 许可与出处：数据集的使用许可（研究专用？允许商用？）与来源链都要可追溯。
数据集的伦理文档
Section titled “数据集的伦理文档”数据集应有来源、许可与已知偏差的文档。datasheets for datasets 的标准字段：
- 数据的来源与收集方式（谁、何时、如何）；
- 许可与使用限制；
- 已知偏差（人群覆盖、标注者构成、采样偏差）；
- 适用与不适用的场景。
发布数据集时这些文档是必备的（也是评审清单的一部分）；使用别人的数据集时，先读它的 datasheet——偏差会传导进你的结论（见实证研究的常见错误的数据集选择偏差）。
处理个人数据的实操
Section titled “处理个人数据的实操”- 最小化：只收集分析所需的数据；
- 匿名化/去标识化：直接标识与可组合的间接标识都处理；
- 存储与访问控制：原始数据的最小化访问；
- 发布衍生数据集前，单独过一遍隐私审查——匿名化失败导致的去匿名化是已知的攻击面。
- 公开可获取不等于可以使用
- 众包标注者也是人类被试
- 数据集应有来源、许可与已知偏差的文档