ELISABETTA BIASIN CENTRE FOR IT & IP LAW (CITIP) - IMEC - IN CHE SENSO I MIEI DATI SONO ESATTI? - LIRIAS
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
In che senso i miei dati sono esatti? Riflessioni sull’esattezza dei dati e accuratezza nel diritto della protezione dei dati personali Elisabetta Biasin Centre for IT & IP Law (CiTiP) – imec Bicocca Privacy Day 26/01/2023
Contents
In che senso i miei dati sono esatti?
Riflessioni sull’esattezza dei dati e precisione nel diritto della protezione dei
dati personali
Abstract
Il principio della esattezza dei dati è relativamente poco studiato o trattato in maniera poco comprensiva nella letteratura europea in
materia di protezione di dati personali. Questa presentazione mira a fornire una breve panoramica relativamente al progetto
dottorale ‘Reconsidering the conceptualisation of accuracy as a principle of data processing’ (Biasin 2021-2024).La tematica verrà
affrontata con un approccio divulgativo, finalizzato ad esporre le possibili problematiche relative al principio di esattezza dei dati
tramite un caso d’uso (ad esempio, dati e profilazione su Spotify, app mestruali). Verranno esposte le criticità, i dubbi e le questioni
aperte – che includono lo stesso concetto di ‘esattezza’ (anche alla luce della recente giurisprudenza UE), le possibili conseguenze
negative legate ad essa (come la falsa rappresentazione dell’interessato) e le tensioni con il principio di auto-determinazione
informazionale noto nell’ordinamento giuridico tedesco e fatto proprio dalla tradizione costituzionale europea.
2
Ricerca
Riconsiderazione la concettualizzazione
dell’esattezza/precisione come principio della
protezione dei dati
Analisi del ruolo del principio dell’esattezza in
relazione ad altri principi di trattamento dei
dati e ai diritti degli interessati.
Esame del ruolo del principio di esattezza
rispetto ai potenziali rischi di falsa
rappresentazione e discriminazione
3
Introduzione 4
Personalizzazione
Inferenze
Dati
Predizione
5
Photo by Shubham Dhage on Unsplash
Esempio Spotify Wrapped 6
Personalizzazione “I tuoi brani preferiti”
7
Dati
Ammontare degli ascolti
Statisiche e percentuali
8
Inferenze
Tag legati alla musica ascoltata
9
Predizione
/ Presunzione
Presunzione del mio “mood”
10Osservazioni 11
(In che modo) queste inferenze riflettono la realtà? 12
Le inferenze
“Da caffé francese”
Non sempre
sono precise
13I dati
(e categorie)
Categoria: “brani preferiti”
Realtà: brani frequentemente ascoltati
durante allenamenti di corsa
Non sempre
riflettono la
realtà
14I profili
Possono non
essere
rappresentativi
della realtà
15I profili
Categoria “avventura lover”
E possono non
corrispondere a ciò
in cui le persone si
identificano
16La prospettiva del diritto Considerazioni 17
Data Accuracy
AI Accuracy
Esattezza dei dati
Data Quality
18AI Accuracy
≠
Accuratezza
Medical devices’
Accuracy
19Cos’è?
Principio nella protezione dei dati
Perché?
Rilevanza scientifica
Poco esplorato in letteratura
Focus:
Esattezza dei dati
Può essere connesso ad aspetti importanti
Come discriminazione o falsa rappresentazione
(Biasin, 2021; 2022)
20I dati personali sono
esatti e, se necessario, aggiornati; devono essere
adottate tutte le misure ragionevoli per cancellare o
rettificare tempestivamente i dati inesatti rispetto alle
finalità per le quali sono trattati
21Is it a self-explanatory concept?
“Coccodrillo della protezione dei dati”
(Hallinan
22 & Borgesius, 2018)
Shelly Collins on UnsplashPresente negli strumenti normativi
nazionali, internazionali ed europei
23
Floriane Vita on Unsplash dall'ultimo quarto del '900.I dati personali sono
esatti e, se necessario, aggiornati; devono essere
adottate tutte le misure ragionevoli per cancellare o
rettificare tempestivamente i dati inesatti rispetto alle
finalità per le quali sono trattati
(Dimitrova, 2020)
24Se il Dato è inesatto
Rischi
Discriminazione Falsa rappresentazione
25(Nature, 2019)
(The Verge, 2020)
26Accuracy
Fairness
(Finck & Biega, 2021; Hallinan & Borgesius, 2018; Hoeren, 2018; Clifford & Ausloos,272018)Low
Accuracy High
Accuracy
28
(Chen, 2018)Se il Dato è inesatto
Rischi
Discriminazione Falsa rappresentazione
29Falsa rappresentazione
(esempio: Wellness Apps
/App mestruali)
(Orientamento sessuale)
>< Auto-determinazione
(Hallinan & Borgesius, 2018; Van Alsenoy et al, 2014) informazionale
30Falsa rappresentazione
(esempio: Wellness Apps
/App mestruali)
Genere (M/F)
>< Controllo
>< Auto-determinazione
informazionale
31Falsa rappresentazione
(esempio: Wellness Apps
/App mestruali) Screenshot (mio test)
Genere (M/F)
Rischi per la salute
(Cirillo et al, 2022; Siapka & Biasin, 2020) (v. Medicina di Genere)
32European Health Data Space
33Secondary use of personal data
Electronic Health Record
Data Quality
(Slokenberga, 2022)
34Conclusioni e prospettive 35
Conclusioni
- Esattezza: principio di protezione dei dati
- Accuratezza: requisito legato alla performance delle
tecnologie
- Rappresentazione della realtà: dipendente da
finalità e contesto e non è neutrale
- Meccanismi legati all’inesattezza e inaccuratezza
possono portare a
- Discriminazione
- Falsa Rappresentazione
- Ulteriori rischi: es. salute
36Prospettive
- In vista degli sviluppi delle nuove normative in
materia di dati: ulteriore rilevanza e evoluzione del
concetto per come lo conosciamo
- Consapevolezza della portata (anche relativamente
a potere/politica): necessità di salvaguardare la
facoltà di controllo dell’interessato dei dati
- Precauzione (principio di): verso atteggiamenti di
fiducia acritica nei processi automatizzati
(Lalova-Spinks, 2021; Hildebrandt, 2023)
37The computer’s image of infallibility often leads people to accept its output unthinkingly. This is unfortunate. Just because data is stored in a computer doesn’t make it accurate. a problem that always has inherited in the compilation of personal information – the danger of relying on ‘soft’ or subjective data for human evaluations or decision-making. Example: (psychological tests) despite [their] apparently authoritative character, a substantial number of people in the scientific community question their ability to reflect accurately the complexities of an individual’s beliefs and attitudes. The centralization of information from widely divergent sources also creates serious problems of contextual accuracy. Information can be entirely accurate and sufficient in one context and wholly complete and misleading in another. 38
1969 (Miller) 39
Grazie per l’attenzione!
PI: Prof. dr. Anton Vedder Elisabetta Biasin
KU Leuven Centre for IT IP Law Doctoral Researcher KU Leuven Centre for IT IP Law
Stanford Law School TTLF Fellow
EMA External Collaborating Expert on Data Protection of
Big Data and Real-World Data
Elisabetta.biasin@kuleuven.be
@bisilisib
+32 16 37 77 73
These slides are released under the following Creative Commons Licence:Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
40References Biasin, E. (2022). About Accuracy (And Its Meaning In Data Protection). KU Leuven CiTiP Blog. Biasin, E. (2021). Why accuracy needs further exploration in data protection. In Proceedings of the 1st International Conference on AI for People: Towards Sustainable AI. EAI. https://doi.org/10.4108/eai.20-11- 2021.2314205 Chen, J. (2018). The Dangers of Accuracy: Exploring the Other Side of the Data Quality Principle. European Data Protection Law Review, 4(1), 36–52. https://doi.org/10.21552/edpl/2018/1/7 Clifford, D., & Ausloos, J. (2018). Data Protection and the Role of Fairness. Yearbook of European Law, 37(1), 130–187. https://doi.org/10.1093/yel/yey004 Dimitrova, D. (2021). The Rise of the Personal Data Quality Principle. Is it Legal and Does it Have an Impact on the Right to Rectification? SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3790602 Finck, M., & Biega, A. (2021). Reviving Purpose Limitation and Data Minimisation in Personalisation, Profiling and Decision-Making Systems. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.3749078 Fuster, G. G. (2010). Inaccuracy as a privacy-enhancing tool. Ethics and Information Technology, 12(1), 87– 95. https://doi.org/10.1007/s10676-009-9212-z 41
References Hallinan, D., & Borgesius, F. Z. (2020). Opinions can be incorrect (in our opinion)! On data protection law’s accuracy principle. International Data Privacy Law, 10(1), 10. https://doi.org/doi.org/10.1093/idpl/ipz025 Hildebrandt, M. (2023). Ground-Truthing in the European Health Data Space [Preprint]. SocArXiv. https://doi.org/10.31235/osf.io/uw4nq Hoeren, T. (2018). Big Data and Data Quality. In T. Hoeren & B. Kolany-Raiser (Eds.), Big Data in Context: Legal, Social and Technological Insights (pp. 1–12). Springer International Publishing. https://doi.org/10.1007/978-3-319-62461-7_1 Sex and gender bias in technology and artificial intelligence : biomedicine and healthcare applications. (2022). Academic Press. Siapka, A., & Biasin, E. (2021). Bleeding data: The case of fertility and menstruation tracking apps. Internet Policy Review, 10(4). https://doi.org/10.14763/2021.4.1599 Slokenberga, S. (2022). Scientific research regime 2.0? Transformations of the research regime and the protection of the data subject that the proposed EHDS regulation promises to bring along. Technology and Regulation, 135-147 Pages. https://doi.org/10.26116/TECHREG.2022.014 42
References Van Alsenoy, B., Kosta, E., & Dumortier, J. (2014). Privacy notices versus informational self-determination: Minding the gap. International Review of Law, Computers & Technology, 28(2), 185–203. https://doi.org/10.1080/13600869.2013.812594 43
Puoi anche leggere
