批判的データ研究（ひはんてきでーたけんきゅう、）は、ビッグデータを扱う際に生じる社会的・文化的・倫理的な課題を探求し、それに取り組む研究領域である。
多様な独自の視点を持ち、批判的アプローチを採ることでこの研究が実践される。 その名が示す通り、批判的データ研究は批判理論の強い影響を受けており、権力構造の組織化の問題への注目を核としている。この考え方をデータの研究に適用したものが批判的データ研究である。
この分野への関心は2011年、学者のとがビッグデータの批判的研究のためのさまざまな問いを提示し、社会や文化に対する潜在的な脅威を認識したことに始まる。 2014年になって、さらなる研究と議論を経て、クレイグ・ダルトンとジム・サッチャーによって「批判的データ研究」という用語が正式に作られた。 彼らはビッグデータの文脈をより批判的に理解することを強調した。デビッド・リービス、ロバート・ソデン、セイラム・アブレ、サラ・E・フォックス、らは、データを歴史的な人工物として理解し、批判的データ研究に学際的なアプローチをとることに注力している。 この分野の他の主要学者としては、ロブ・キッチンとトレーシー・P・ローリオが挙げられ、異なる領域からデータを再評価することに注力している。
ビッグデータを分析するために適用できる批判的枠組みとしては、フェミニスト、反差別主義、クィア、先住民、脱植民地主義、反健常者主義、そして象徴的・統合的データサイエンスなどが挙げられる。これらの枠組みは、データに存在する権力、バイアス、プライバシー、同意、過少代表・誤表現の問題に取り組むことで、データの意味を理解し、よりエクイタブルな姿勢でデータに向き合うための手助けをする。
動機 ダルトンとサッチャーは「批判的データ研究」という用語を作った論文の中で、データ研究が批判的アプローチに値する学問分野である理由をいくつか挙げているDalton, Craig, and Jim Thatcher, 2014.。 第一に、「ビッグデータ」は21世紀の社会において重要な側面であり、その分析は何が起きているのかをより深く理解させてくれる。 ビッグデータは必ずしも大規模なデータセットを指すわけではなく、数百万行のデータを含む場合もあれば、スコープや種類が広くても規模の小さいデータセットである場合もある。また、サンプルではなく全母集団を含む場合もある。さらに、ダルトンとサッチャーによれば、ビッグデータという技術的ツールとそこから得られる情報は中立ではないため、バイアスを特定し対処するために批判的分析が必要である。この考えを基に、ビッグデータと社会の関係性も重要であり、研究に値するもう一つの正当化根拠とされている。
リービスらは、批判的データ研究の動機として、データを歴史的人工物として学際的に理解する必要性があると主張している。コンピュータ支援協調作業（CSCW）分野における広範なコンセンサスは、データが自らを語るのではなく、人々がデータのために語るべきだというものである。
ビッグデータのソースとそれに伴うさまざまなメタデータの関係は複雑であり、データの無秩序と倫理的分析の必要性をもたらす。 さらに、イリアディスとルッソ（2016年）はデータ集合体の研究を提唱している。 つまり、データには固有の技術的・政治的・社会的・経済的な歴史があり、それを考慮に入れるべきだということである。キッチンはデータがほとんど「生」であることはなく、常に「調理済み」、つまりそれを活用するデータサイエンティストによって代弁されていると主張する。したがって、ビッグデータはさまざまな視点、特に文化的・哲学的な視点に開かれているべきである。さらに、データには隠れた歴史、イデオロギー、哲学が含まれている。
ビッグデータ技術は社会構造と人々の日常生活に大きな変化をもたらし得る。 社会の産物であるビッグデータ技術は社会学的調査に値するものである。 さらに、データセットは影響を全く受けていないことはほとんどない。データは収集者のビジョンや目標によって形作られ、データ収集のプロセスにおいて特定の事柄が定量化・保存・分類され、あるいは研究チームによって破棄されることさえある。 したがって、提示される情報の背後にある意図を理解し明らかにするためには、批判的なアプローチが必要となる。こうした批判的アプローチの一つがフェミニスト・データ研究である。この方法はフェミニストの原則を批判的研究やデータ収集・分析に適用するものである。その目的はデータサイエンスと社会における権力の不均衡に対処することにある。キャサリン・ディニャジオとローレン・F・クラインによれば、権力分析は権力の検討、権力への挑戦、感情と身体性の評価、二項対立と階層の再考、多元主義の受容、文脈の考慮、労働の可視化を通じて行うことができる。 フェミニスト・データ研究は、すべての人のためにデータを役立てること、既存の不平等を拡大しないことを目指す運動の一部である。さらに、データだけでは何も語ることができず、具体的な意味を持つためには理論的洞察や代替的な定量・定性的研究手段が必要である。 反差別主義的データ研究など、さまざまな社会的テーマに基づく批判的データ研究は、データに関わる社会問題に焦点を当てる。特に反差別主義的データ研究では、コミュニティ内の人々の代表性を確保するために分類的アプローチが用いられる。デズモンド・アプトン・パットンらはシカゴのコミュニティで独自の分類システムを用い、ティーンエイジャーのTwitter上の暴力的傾向を標的化して暴力を減らすことを試みた。 これは批判的データ研究の実世界への応用例の一つである。ダルトンとサッチャーは、データを搾取的な力という観点からのみ考えるならば、革命的・解放的な目的のためにデータを活用する可能性はないと主張する。 最後に、ダルトンとサッチャーは、批判的アプローチによりビッグデータを古い「スモールデータ」と組み合わせ、より徹底した研究と新たな機会・問い・テーマの探求が可能になると提案している。
批判的データ研究者にとっての問題と懸念 データは新興の知識経済において重要な役割を果たし、生産性、競争力、効率性、持続可能性、資本蓄積を促進している。データの倫理的・政治的・経済的側面は、体制・技術・優先事項の変化に影響を受けながら、時間と空間を越えて動的に発展する。技術的には、膨大なデータセットの処理・保存・分析に焦点が当てられており、機械学習に基づくデータマイニングや分析が用いられている。この技術的進歩は、妥当性・信頼性・真正性・使いやすさ・由来といったデータ品質に関する懸念を引き起こす。
現代社会におけるデータの使用は、世界を理解・測定する新たな手段をもたらす一方で、特定の懸念や問題をも生じさせるKitchin, Rob, 2014。 データ研究者はこれらの問題を明るみにすることで、データへの批判的な眼差しを持つことを試みる。
技術的・組織的な問題には、データセットの範囲（少なすぎる・多すぎる）があり、不正確な結果につながることがある。批判的データ研究者にとって、分析に対するデータ量の適切さを慎重に検討することが重要となる。
データの品質自体も懸念事項の一つである。データ自体が不完全・乱雑で、欠損値や不正確な値を含む場合があり、研究者はデータ自体を編集・推測しなければならない場合がある。
データ科学者がデータセットへの適切なアクセス権を持たない場合、その分析能力が制限される。リネット・テイラーは、様々な権力を持つ人々がデータソースへの特定の権利を持つ場合、データのギャップが生じることを説明している。権力を持つ人々はどのデータが収集されるか、どのように表示・分析されるかを管理できる。
研究チームの能力もデータ分析の品質において重要な役割を果たす。研究チームのスキルや組織的能力が不十分な場合、実際の分析にバイアスが生じる可能性がある。これは、すなわち大規模グループのデータや結果から個人についての仮定をしてしまうことにもつながりうる。
これらの技術的・組織的な課題は、データを扱う複雑さを浮き彫りにし、データの範囲・品質・アクセス・チームの能力に関する問題が複雑に絡み合う状況を研究者が乗り越える必要性を強調している。
キッチンが取り上げる規範的・倫理的懸念のいくつかには、データを通じた監視（）、データのプライバシー、データの所有権、データのセキュリティ、先取り的・企業的ガバナンス、そして個人のデータプロファイリングなどが含まれる。これらの懸念はデータ植民地主義においても強調されており、代表されるデータを持つ個人にとってデータ主権が強力なツールとなりうる。批判的なデータ研究者はこれらすべての懸念を考慮に入れなければならない。
批判的都市研究の伝統を受け継ぎ、 他の研究者たちも都市の文脈でデータとデジタル情報技術に関する同様の懸念を提起している。 たとえば、ジョー・ショーとマーク・グレアムはアンリ・ルフェーヴルの「都市への権利」の観点からこれらを検討している。
批判的データ研究の実践的応用 批判的データ研究の最も実践的かつ重要な応用は倫理とプライバシーとの交差点にある。テンドラー、ホン、ケイン、コパチンスキー、テリー、エマニュエルらは、民間機関が顧客データを活用してマーケティングや研究を行う時代においてデータ保護が不可欠であることを説明している。医学研究の分野では、参加者を守る小さな一歩としてインフォームドコンセントがあるTendler, C., Hong, P. S., Kane, C., Kopaczynski, C., Terry, W., & Emanuel, E. J. (2023). Academic and Private Partnership to Improve Informed Consent Forms Using a Data Driven Approach. The American Journal of Bioethics, 1-3.。
データにはアルゴリズムバイアスや差別が多く存在する。特に医療分野では、データ主導の意思決定が患者ケアに与える重大性から、このことの重要性が強調されている。批判的データ研究を活用してアルゴリズムバイアスに光を当てることで、機関や企業は公平性を確保し、構造的人種差別に対抗できる。ノンは、保険アルゴリズムと医療へのアクセスの例を挙げ、ケア資源を割り当てるために使用されたアルゴリズムが「黒人患者に対する明確な人種バイアス」を示し、「構造的人種差別によって構造化された歴史データに基づく医療費の推計がケアマネジメントへのアクセスにおいてそのバイアスを永続させた」と述べているNong, P. (2023). Predictive Technologies in Healthcare: Public Perspectives and Health System Governance in the Context of Structural Inequity (Doctoral dissertation).。
多くの訓練済み機械学習・人工知能モデルには、性能特性を適切に文書化するための標準的なモデル報告手順が存在しないMitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., ... & Gebru, T. (2019, January). Model cards for model reporting. In Proceedings of the conference on fairness, accountability, and transparency (pp. 220-229).。 これらのモデルが現実の場面に適用されると、特に医療・教育・法執行の文脈でその影響は重大なものとなる。ティムニット・ゲブルは、こうしたモデルの十分な文書化の欠如により、利用者が特定の文脈への適合性を評価することが困難になっていると説明しており、そこでモデルカードの活用が重要となる。モデルカードは機械学習モデルに付随する短いレコードであり、特性・意図される用途・潜在的バイアス・性能測定値に関する情報を提供するものであるGebru, T., Morgenstern, J., Vecchione, B., Vaughan, J. W., Wallach, H., Iii, H. D., & Crawford, K. (2021). Datasheets for datasets. Communications of the ACM, 64(12), 86-92.。
批判的データ研究の理論的枠組み データ・フェミニズムの枠組みは、インターセクショナル・フェミニズムの思想に基づいてデータと倫理について考えることを促進する。データフェミニズムは、データサイエンスが世界の権力的不平等を強化するプラクティスを重視し、利用者がデータを使って既存の権力に挑戦し、均衡のとれたデータを作ることに向けてどのように取り組めるかを強調する。ディニャジオとクラインによれば、データフェミニズムのインターセクショナリティは、個人の経験を完全かつ正確に表現するために、データがアイデンティティ・人種・階級などの交差する要因を考慮しなければならないことを認識している。この枠組みは、インフォームドコンセント、プライバシー、データ収集者がデータ収集対象の個人に対して持つ責任など、様々な倫理的考慮の重要性も強調する。
は、人々のオンラインデータを監視することである。監視とは異なり、データベイランスは特定の目的のための監視を大きく超える。データベイランスは、包括的で一般化された目的のための絶え間ない追跡によって人々の生活に浸透する。レイリーによれば、それはさまざまなオンラインプレゼンスを通じた人々の監視において好まれる手段となっている。この枠組みは、データがどのように収集・処理・使用されるかを理解し、倫理的観点と個人情報の保護を重視するアプローチに焦点を当てるVan Dijck, J. (2014). Datafication, dataism and dataveillance: Big Data between scientific paradigm and ideology. Surveillance & society, 12(2), 197-208.。 はビッグデータの出現と使用に関連するプロセスを理解することに焦点を当てる。ホセとダイクによれば、それはリアルタイムの追跡と予測分析を可能にする社会的行動のデジタルデータへの変換を強調する。データ化は、データ収集の関心主導型プロセスを強調し、社会的行動が変化する一方でデータへの変換はそうならないことを指摘する。また、デジタルデータが私たちの日常生活においてより普遍的になるにつれて社会的変化がいかに生じるかを検討する。データ化はデータと社会の複雑な関係を強調し、データベイランスと密接に関係しているHepp, A., Jarke, J., & Kramp, L. (2022). New perspectives in Critical Data Studies: The ambivalences of data power (p. 473). Springer Nature.。
アルゴリズムバイアスの枠組みは、アルゴリズムの意思決定プロセスにおける特定のグループや結果に対する組織的・不当なバイアスを指す。ホイスラーは、アルゴリズムが特に人種・性別・年齢などの観点で差別的な結果を生み出し、社会的不平等や不公正な慣行を強化する可能性に焦点を当てていると述べている。一般に、この枠組みにはバイアスの特定、データ品質、影響評価、公平性・衡平性、透明性、是正策、および含意という主要な要素が含まれるHäußler, H. (2021). The underlying values of data ethics frameworks: a critical analysis of discourses and power structures. Libri, 71(4), 307-319.。
脚注
一般資料
Loukissas, Yanni. All Data Are Local: Thinking Critically in a Data Driven Society MIT Press, 2019.
参考文献
Dalton, Craig, and Jim Thatcher. "What does a critical data studies look like, and why do we care? Seven points for a critical approach to 'big data'." Society and Space open site (2014). Retrieved October 23, 2016. Elkins, James R. "The Critical Thinking Movement: Alternating Currents in One Teacher's Thinking". myweb.wvnet.edu(1999). Retrieved 29 November 2016. Kitchin, Rob. The data revolution: Big data, open data, data infrastructures and their consequences. Sage, 2014. Retrieved October 23, 2016. Kitchin, Rob, and Tracey P. Lauriault. "Towards critical data studies: Charting and unpacking data assemblages and their work." (2014). Retrieved October 23, 2016. D'Ignazio, C., & F. Klein, L. (2020). Seven intersectional feminist principles for equitable and actionable COVID-19 data. Sage, 2020. Retrieved November 7, 2023. Kitchin, Rob,Critical data studies: an A to Z guide to concepts and methods, Wiley, 2024