Les premières expériences sur des sujets humains ont été menées par des scientifiques désireux de faire progresser la médecine, au bénéfice de l'humanité tout entière, sans se soucier du bien-être de chaque sujet humain. Ces expériences étaient souvent menées par des scientifiques blancs sur des sujets noirs. Dans ce module, nous parlerons des lois qui régissent le principe du consentement éclairé. Nous verrons également pourquoi le consentement éclairé ne fonctionne pas bien pour les études rétrospectives ou pour les clients des entreprises électroniques.

À qui appartiennent les données vous concernant ? Nous allons explorer cette question dans ce module. Parmi les exemples de données personnelles, citons les droits d'auteur sur les biographies, la propriété des photos publiées en ligne, Yelp, Trip Advisor, la saisie de données publiques et la vente de données. Nous examinerons également les limites de l'enregistrement et de l'utilisation des données.

La vie privée est un besoin humain fondamental. La vie privée signifie la capacité à contrôler les informations vous concernant, et pas nécessairement la capacité à cacher des choses. Nous avons assisté à l'émergence de différents systèmes de valeurs en matière de vie privée. Les enfants d'aujourd'hui sont plus enclins à partager des informations personnelles sur les médias sociaux, par exemple. Si les valeurs changent, cela n'enlève rien au besoin fondamental de pouvoir contrôler les informations personnelles. Dans ce module, nous examinerons la relation entre les services que nous recevons et les données que nous fournissons en échange : par exemple, la localisation d'un téléphone portable. Nous comparerons également les "données" aux "métadonnées".

Certaines transactions peuvent être effectuées de manière anonyme. Mais beaucoup ne le peuvent pas, y compris lorsqu'il y a livraison physique d'un produit. Les "chaînes de blocs" et le "bitcoin" sont deux exemples de transactions anonymes que nous examinerons. Nous examinerons également certains des inconvénients liés à l'anonymat.

La validité des données n'est pas une préoccupation nouvelle. Trop souvent, nous constatons que l'utilisation inappropriée des méthodes de la science des données conduit à des conclusions erronées. Ce module met en évidence les erreurs les plus courantes, dans un langage adapté à un étudiant peu familiarisé avec les statistiques. Nous nous concentrerons sur la notion d'échantillon représentatif : les clients qui ont une opinion, par exemple, ne sont pas nécessairement représentatifs de l'ensemble des clients.

Quoi de plus juste qu'une analyse fondée sur des données ? L'ordinateur muet ne peut certainement pas avoir de préjugés ou de stéréotypes. Bien que la technique d'analyse puisse être totalement neutre, compte tenu des hypothèses, du modèle, des données d'entraînement, etc., toutes ces conditions limites sont fixées par des humains, qui peuvent refléter leurs préjugés dans le résultat de l'analyse, peut-être même sans en avoir l'intention. Ce n'est que récemment que l'on a commencé à réfléchir à la manière dont les décisions algorithmiques peuvent être injustes. Prenez cet article, publié dans le New York Times. Ce module aborde cette question d'actualité.

Dans le module 8, nous examinons les conséquences sociétales de la science des données qui devraient nous préoccuper même s'il n'y a pas de problèmes d'équité, de validité, d'anonymat, de vie privée, de propriété ou de recherche sur des sujets humains. Ces préoccupations "systémiques" sont souvent les plus difficiles à aborder, bien qu'elles soient tout aussi importantes que les autres questions abordées précédemment. Par exemple, nous considérons l'ossification, ou la tendance des méthodes algorithmiques à apprendre et à codifier l'état actuel du monde et donc à le rendre plus difficile à changer. L'asymétrie de l'information est depuis longtemps exploitée à l'avantage de certains et au détriment d'autres. Les technologies de l'information facilitent la diffusion de l'information et réduisent donc généralement l'asymétrie. Toutefois, les ensembles de données volumineuses et les analyses sophistiquées augmentent l'asymétrie en faveur de ceux qui ont la capacité d'acquérir ou d'accéder à l'information.

Enfin, dans le module 9, nous regroupons toutes les questions que nous avons examinées dans un code de déontologie simple, en deux points, destiné au praticien.

Ce module contient des listes d'attributions pour les ressources audiovisuelles externes utilisées tout au long du cours.