Private commercial companies sharing health-relevant consumer data with health researchers in sub-Saharan Africa: an ethical exploration
Notice bibliographique
Résumé
Sharing large digital-first datasets, including for purposes for which they were not originally intended, is a hallmark of the 'big data revolution'. Through their routine operations, private commercial companies collect massive amounts of diverse data from their customers, some of which may interest those working in the public sector, such as health researchers. Researchers and government agencies worldwide have been increasingly using data from commercial entities (such as Google, Microsoft, Apple, Facebook/Meta, Twitter/X and Amazon, among others) to generate health-related insights. This article explores ethical issues raised by the practice of commercial companies sharing consumer data with third-parties for the purposes of promoting health in the sub-Saharan African (SSA) context. First, as an illustrative example, it examines some of the ways telecommunication (telecom) companies in SSA shared mobility data from cellphone users with public health researchers during the COVID-19 pandemic. Second, it examines a recent debate about the ethical responsibilities of companies that collect, process and share user-generated data, drawing implications for the SSA context. Finally, since this is a relatively understudied subject, we point out some areas where future conceptual and empirical work could contribute to the development of relevant ethics guidance and regulatory governance in SSA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,056 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,020 | 0,023 |
| Communication savante | 0,015 | 0,013 |
| Science ouverte | 0,001 | 0,010 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».