Дослідження критичних даних (також критичні студії даних; , скорочено CDS) — міждисциплінарний напрям досліджень, що критично аналізує те, як дані створюються, класифікуються, зберігаються, обробляються, інтерпретуються та використовуються в соціальних, політичних, економічних і технічних контекстах. На відміну від підходів, які розглядають дані як нейтральні або суто технічні об'єкти, дослідження критичних даних вивчають дані як соціально й матеріально зумовлені явища, пов'язані з владою, інфраструктурами, інституціями, знанням, нерівністю та етикою.

Напрям сформувався у 2010-х роках на перетині дослідження науки і технологій, соціології, медіазнавства, географії, критичної теорії, феміністичних і постколоніальних підходів, політичної економії та критичної інформатики. Дослідження критичних даних розглядають дані не лише як вхідний матеріал для обчислень чи наукового пізнання, а як об'єкт аналізу, що сам бере участь у формуванні суспільства.

Походження та розвиток

Передумовою для розвитку досліджень критичних даних стало швидке поширення великих даних, цифрових платформ, алгоритмічного аналізу, систем спостереження та інфраструктур збирання даних. У статті 2014 року Роб Кітчін і Трейсі Лоріо окреслили програму critical data studies як спробу зрозуміти, як дані виробляються, організовуються, аналізуються і яку роботу вони виконують у світі. Автори запропонували аналізувати не лише набори даних, а ширші «асамбляжі даних» — сукупності технологічних, політичних, соціальних, економічних і правових елементів, що уможливлюють створення, циркуляцію та використання даних.

Крейґ Далтон, Ліннет Тейлор і Джим Тетчер підкреслюють, що дослідження критичних даних не мають єдиного канону і виникли як відповідь на різні дискусії про великі дані, алгоритми, простір, владу та нерівність. У цьому сенсі CDS є не стільки окремою дисципліною з фіксованими межами, скільки спільним полем критичних підходів до даних і датафікованих суспільств.

Основні припущення

Дані не є нейтральними

Одне з центральних положень досліджень критичних даних полягає в тому, що дані не є безпосереднім відображенням реальності. Вони створюються через конкретні інструменти, категорії, стандарти, методи вимірювання, інтерфейси та інституційні практики. Збір даних завжди передбачає вибір: що саме буде вимірюватися, якими засобами, для якої мети, у чиїх інтересах і з якими наслідками.

Цю позицію розвиває збірка «Raw Data» Is an Oxymoron під редакцією Лізи Ґітельман. Її автори показують, що «сирі дані» не існують у природному стані: дані треба створити, впорядкувати, зберегти, інтерпретувати й зробити придатними до використання. Історик Деніел Розенберг у цьому ж виданні звертає увагу на те, що поняття «дані» історично пов'язане не з остаточною істиною, а з тим, що «дано» або подано як підстава для аргументації.

Датафікація

Датафікація — це процес, у межах якого дії, поведінка, взаємодії, соціальні відносини або явища перетворюються на кількісні дані, придатні для зберігання, аналізу, прогнозування, монетизації або управління. Йдеться не лише про технічне вимірювання, а й про зміну способів пізнання і керування суспільством. Наприклад, активність користувачів у соціальних мережах, переміщення у просторі, споживчі звички, навчальні результати або біометричні показники можуть перетворюватися на дані, що використовуються платформами, державними органами, дослідниками чи комерційними компаніями.

Хосе ван Дейк пов'язує датафікацію з датаїзмом — вірою в те, що масове перетворення соціального життя на дані є природним, об'єктивним і корисним способом пізнання та управління. Критичні дослідники даних аналізують, які форми знання стають видимими завдяки датафікації, а які залишаються невидимими або втрачають значення.

Інфраструктури даних

Дані існують у межах інфраструктур: серверів, баз даних, кабелів, хмарних сервісів, сенсорів, програмного забезпечення, стандартів метаданих, правових норм, організаційних процедур і людської праці. Тому дослідження критичних даних розглядають інфраструктури даних як соціотехнічні системи, а не лише як технічні засоби зберігання чи передачі інформації.

Такий підхід звертає увагу на те, що інфраструктури зазвичай стають помітними лише тоді, коли ламаються, виключають певних користувачів або породжують конфлікти щодо доступу, контролю чи власності. Аналіз інфраструктур дозволяє побачити, як технічні стандарти, платформи, інституції та економічні інтереси формують те, які дані можуть бути зібрані, кому вони доступні та як вони можуть використовуватися.

Влада даних

Влада даних означає здатність збирати, контролювати, інтерпретувати і застосовувати дані так, щоб впливати на рішення, поведінку людей, доступ до ресурсів і соціальні результати. Влада даних проявляється в алгоритмічному ранжуванні, кредитному скорингу, таргетованій рекламі, системах безпеки, автоматизованому ухваленні рішень, профілюванні користувачів і державному або корпоративному спостереженні.

Дослідження критичних даних ставлять питання про те, хто має доступ до даних, хто визначає категорії та метрики, хто отримує користь від аналітики, хто зазнає ризиків і хто може оскаржити рішення, ухвалені на основі даних. У цьому контексті важливими є питання прозорості, підзвітності, приватності, справедливості та можливості участі у прийнятті рішень.

Ключові напрями досліджень

Великі дані та міфологія об'єктивності

Критичні дослідження великих даних аналізують не лише обсяг або швидкість обробки інформації, а й культурні уявлення про дані. Дана бойд і Кейт Кроуфорд у статті Critical Questions for Big Data вказують, що великі дані часто супроводжуються міфами про повноту, об'єктивність і автоматичне отримання істини з великих масивів інформації. Вони підкреслюють, що великі дані є одночасно технологічним, культурним і науковим явищем, яке потребує критичного аналізу.

Алгоритми та штучний інтелект

У дослідженнях критичних даних алгоритми розглядаються не як нейтральні математичні процедури, а як частина ширших соціотехнічних систем. Алгоритмічні системи залежать від навчальних даних, моделей, інтерфейсів, організаційних цілей, правових норм і комерційних інтересів. Тому їхні наслідки не можна пояснити лише технічною точністю або продуктивністю.

Кейт Кроуфорд і Владан Йолер у проєкті Anatomy of an AI System дослідили Amazon Echo як приклад системи штучного інтелекту, що спирається на людську працю, дані, видобуток природних ресурсів, логістику, енергоспоживання та глобальні ланцюги виробництва. Такий підхід показує, що системи штучного інтелекту не є «нематеріальними»: вони пов'язані з матеріальною інфраструктурою, екологічними витратами, працею і глобальною нерівністю.

Датаспостереження та приватність

Датафікація пов'язана з розвитком форм спостереження, які ґрунтуються на масовому збиранні та аналізі даних. Ван Дейк використовує поняття dataveillance для опису практик, у яких цифрові сліди, метадані та поведінкові дані стають засобом моніторингу і прогнозування. Дослідження критичних даних аналізують, як такі практики впливають на приватність, автономію, політичну участь і соціальну справедливість.

Особливу увагу приділяють тому, що ризики спостереження розподіляються нерівномірно. Вразливі групи можуть зазнавати більшого контролю, дискримінації або помилкової класифікації, тоді як компанії та державні інституції отримують додаткові можливості для управління поведінкою.

Дата-колоніалізм

Поняття дата-колоніалізму використовується для аналізу того, як сучасні цифрові системи привласнюють людське життя у формі даних. Нік Колдрі та Улісес Мехіас описують дата-колоніалізм як процес, у якому соціальні відносини перетворюються на джерело безперервного видобутку даних, що використовується для економічного накопичення, прогнозування та впливу на поведінку. Цей підхід порівнює цифрове привласнення даних з історичними формами колоніального видобутку ресурсів, але переносить увагу на сучасні платформи, інфраструктури та комерціалізацію повсякденного життя.

Методи

Дослідження критичних даних використовують різні методи, залежно від об'єкта дослідження. До них належать:

аналіз політик, законів і стандартів управління даними; дослідження інфраструктур даних, платформ і баз даних; критичний аналіз алгоритмів, класифікацій і метрик; етнографія дата-практик і організацій, що працюють з даними; історичний аналіз понять, категорій і технологій даних; аналіз дискурсів про великі дані, штучний інтелект, інновації та цифрову трансформацію; картографування ланцюгів постачання, праці, ресурсів і даних у цифрових системах.

На відміну від суто технічного аудиту, критичний підхід зазвичай поєднує емпіричний аналіз із питаннями влади, інституцій, нерівності, знання та відповідальності.

Зв'язок з етикою даних

Дослідження критичних даних тісно пов'язані з етикою даних, але не зводяться до набору правил або принципів. Якщо етика даних ставить питання про те, що є правильним або неправильним у збиранні, використанні та управлінні даними, то критичні дослідження даних аналізують ширші умови, у яких ці питання виникають: владні відносини, інфраструктури, економічні стимули, історичні нерівності та політичні інтереси.

Це означає, що етичні проблеми даних не обмежуються приватністю або згодою користувача. Вони також стосуються того, хто визначає категорії, кому належать інфраструктури, хто має право інтерпретувати дані, чиї знання вважаються достовірними, які групи залишаються невидимими та хто може оскаржити рішення, ухвалені за допомогою даних або алгоритмів.

Значення

Дослідження критичних даних мають значення для аналізу цифрових платформ, штучного інтелекту, відкритих даних, наукових інфраструктур, державного управління, міського планування, охорони здоров'я, освіти, реклами, праці та безпеки. Вони допомагають зрозуміти, що дані не лише описують світ, а й беруть участь у його організації: класифікують людей і явища, визначають видимість проблем, впливають на доступ до послуг і ресурсів, формують політики та ринки.

Критичний аналіз даних особливо важливий у контексті штучного інтелекту, оскільки сучасні системи машинного навчання залежать від великих наборів даних, інфраструктур обчислення, людської праці та глобальних ланцюгів ресурсів. Дослідження критичних даних дозволяють перейти від питання «чи працює система?» до ширших питань: для кого вона працює, хто від неї виграє, хто зазнає шкоди, які припущення вбудовані в її дані та хто має владу її змінити.

Див. також

Великі дані Штучний інтелект Алгоритм Приватність Спостереження Відкриті дані Цифрові права Критична теорія

Примітки

Джерела

Kitchin, Rob. Critical Data Studies: An A to Z Guide to Concepts and Methods. Polity, 2024. Kitchin, Rob; Lauriault, Tracey P. Towards Critical Data Studies: Charting and Unpacking Data Assemblages and Their Work. The Programmable City Working Paper 2, 2014. Dalton, Craig M.; Taylor, Linnet; Thatcher, Jim. Critical Data Studies: A dialog on data and space. Big Data & Society, 2016. Gitelman, Lisa, ed. «Raw Data» Is an Oxymoron. MIT Press, 2013. van Dijck, José. Datafication, dataism and dataveillance: Big Data between scientific paradigm and ideology. Surveillance & Society, 2014. boyd, danah; Crawford, Kate. Critical Questions for Big Data: Provocations for a cultural, technological, and scholarly phenomenon. Information, Communication & Society, 2012. Couldry, Nick; Mejias, Ulises A. Data Colonialism: Rethinking Big Data's Relation to the Contemporary Subject. Television & New Media, 2019. Crawford, Kate; Joler, Vladan. Anatomy of an AI System. AI Now Institute and Share Lab, 2018.

Зовнішні посилання

Rob Kitchin, Critical Data Studies: An A to Z Guide to Concepts and Methods Kate Crawford and Vladan Joler, Anatomy of an AI System