|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "1341f6da63d434f5ba31b08ea951b02c",
|
|
|
"translation_date": "2025-09-05T20:26:14+00:00",
|
|
|
"source_file": "1-Introduction/02-ethics/README.md",
|
|
|
"language_code": "my"
|
|
|
}
|
|
|
-->
|
|
|
# ဒေတာအကျင့်သိက္ခာအကျဉ်းချုပ်
|
|
|
|
|
|
| ](../../sketchnotes/02-Ethics.png)|
|
|
|
|:---:|
|
|
|
| ဒေတာသိပ္ပံအကျင့်သိက္ခာ - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
|
|
---
|
|
|
|
|
|
ကျွန်ုပ်တို့အားလုံးသည် ဒေတာဖြင့်ပြည့်စုံနေသောကမ္ဘာတွင် နေထိုင်နေကြသည်။
|
|
|
|
|
|
ဈေးကွက်လမ်းကြောင်းများအရ ၂၀၂၂ ခုနှစ်တွင် 1-in-3 အကြီးစားအဖွဲ့အစည်းများသည် [Marketplaces and Exchanges](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/) မှတဆင့် သူတို့၏ဒေတာကို ဝယ်ယူရောင်းချမည်ဖြစ်သည်။ **App Developers** အနေဖြင့် ဒေတာအခြေခံသုံးသပ်မှုများနှင့် algorithm အခြေခံအလိုအလျောက်လုပ်ဆောင်မှုများကို နေ့စဉ်အသုံးပြုသူအတွေ့အကြုံများတွင် ပေါင်းစပ်ရန် ပိုမိုလွယ်ကူပြီး စျေးနှုန်းသက်သာလာမည်ဖြစ်သည်။ သို့သော် AI သည် ပျံ့နှံ့လာသည့်အခါတွင် [weaponization](https://www.youtube.com/watch?v=TQHs8SA1qpk) ဖြစ်ပေါ်နိုင်သည့် algorithm များ၏ အကျိုးသက်ရောက်မှုများကိုလည်း နားလည်ရန်လိုအပ်ပါမည်။
|
|
|
|
|
|
လမ်းကြောင်းများအရ ၂၀၂၅ ခုနှစ်တွင် [180 zettabytes](https://www.statista.com/statistics/871513/worldwide-data-created/) ကျော်သော ဒေတာကို ဖန်တီးပြီး သုံးစွဲမည်ဖြစ်သည်။ **Data Scientists** အနေဖြင့် ဒါသည် ကိုယ်ရေးအချက်အလက်များကို များစွာရရှိစေမည်ဖြစ်သည်။ ဒါသည် အသုံးပြုသူများ၏ အပြုအမူကို ပုံဖော်နိုင်ပြီး [illusion of free choice](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ဖန်တီးသည့်နည်းလမ်းများဖြင့် ဆုံးဖြတ်ချက်များကို သက်ရောက်စေနိုင်သည်။ ဒါဟာ ဒေတာကိုယ်ရေးအချက်အလက်နှင့် အသုံးပြုသူကာကွယ်မှုများနှင့်ပတ်သက်သော ကျယ်ပြန့်သောမေးခွန်းများကိုလည်း ရှာဖွေစေပါသည်။
|
|
|
|
|
|
ဒေတာအကျင့်သိက္ခာသည် ဒေတာသိပ္ပံနှင့် အင်ဂျင်နီယာလုပ်ငန်းများအတွက် _လိုအပ်သောလမ်းညွှန်များ_ ဖြစ်ပြီး ဒေတာအခြေခံလုပ်ဆောင်မှုများမှ ဖြစ်ပေါ်နိုင်သည့် အန္တရာယ်များနှင့် မတော်တဆဖြစ်ရပ်များကို လျှော့ချရန် ကူညီပေးသည်။ [Gartner Hype Cycle for AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) သည် digital ethics, responsible AI, နှင့် AI governance တို့ကို AI ၏ _democratization_ နှင့် _industrialization_ ကို အဓိကမက်ဂါလမ်းကြောင်းများအဖြစ် အရေးပါသောအခန်းကဏ္ဍများအဖြစ် ဖော်ပြထားသည်။
|
|
|
|
|
|
|
|
|
|
|
|
ဒီသင်ခန်းစာမှာ ဒေတာအကျင့်သိက္ခာ၏ စိတ်ဝင်စားဖွယ်ရာနယ်ပယ်ကို လေ့လာမည်ဖြစ်ပြီး အခြေခံအယူအဆများနှင့် စိန်ခေါ်မှုများမှ စတင်ကာ အဖွဲ့အစည်းများနှင့် အဖွဲ့များတွင် ethics culture တည်ဆောက်ရန် governance ကဲ့သို့သော AI အကျင့်သိက္ခာဆိုင်ရာအယူအဆများကို လေ့လာမည်ဖြစ်သည်။
|
|
|
|
|
|
## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ds/quiz/2) 🎯
|
|
|
|
|
|
## အခြေခံအဓိပ္ပာယ်များ
|
|
|
|
|
|
အဓိပ္ပာယ်အခြေခံစကားလုံးများကို နားလည်ခြင်းမှ စတင်ကြပါစို့။
|
|
|
|
|
|
"Ethics" ဆိုသောစကားလုံးသည် [ဂရိစကားလုံး "ethikos"](https://en.wikipedia.org/wiki/Ethics) (နှင့် ၎င်း၏ရင်းမြစ် "ethos") မှ ဆင်းသက်လာပြီး _အကျင့်စရိုက် သို့မဟုတ် သဘာဝကို_ ဆိုလိုသည်။
|
|
|
|
|
|
**Ethics** သည် လူမှုအဖွဲ့အစည်းတွင် ကျွန်ုပ်တို့၏အပြုအမူကို စီမံခန့်ခွဲသည့် အတူတူမျှဝေထားသောတန်ဖိုးများနှင့် သမာဓိအခြေခံအယူအဆများအကြောင်းဖြစ်သည်။ Ethics သည် ဥပဒေများအပေါ်မူတည်ထားခြင်းမဟုတ်ဘဲ "မှန်/မှား" ဆိုသည့်အရာကို ကျယ်ကျယ်ပြန့်ပြန့်လက်ခံထားသောစံနှုန်းများအပေါ်မူတည်သည်။ သို့သော် အကျင့်သိက္ခာဆိုင်ရာစဉ်းစားမှုများသည် ကော်ပိုရိတ်အုပ်ချုပ်မှုအစီအမံများနှင့် အစိုးရအပေါ်အကျိုးသက်ရောက်မှုရှိစေပြီး လိုက်နာမှုအတွက် ပိုမိုအတိုးအကျိုးရှိစေသည်။
|
|
|
|
|
|
**Data Ethics** သည် [အကျင့်သိက္ခာ၏အသစ်သောခွဲခြားမှု](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) ဖြစ်ပြီး "ဒေတာ, algorithm နှင့် ဆက်စပ်သောအလေ့အကျင့်များနှင့်ပတ်သက်သော သမာဓိဆိုင်ရာပြဿနာများကို လေ့လာပြီး အကဲဖြတ်သည်"။ ဒီမှာ **"ဒေတာ"** သည် ဖန်တီးခြင်း, မှတ်တမ်းတင်ခြင်း, စုစည်းခြင်း, အလုပ်လုပ်ခြင်း, ဖြန့်ဝေခြင်း, မျှဝေခြင်းနှင့် အသုံးပြုခြင်းဆိုင်ရာလုပ်ဆောင်မှုများကို အဓိကထားပြီး **"algorithm"** သည် AI, agents, machine learning, နှင့် robots ကို အဓိကထားပြီး **"အလေ့အကျင့်များ"** သည် တာဝန်ရှိသောဆန်းသစ်မှု, programming, hacking, နှင့် ethics codes ကဲ့သို့သောအကြောင်းအရာများကို အဓိကထားသည်။
|
|
|
|
|
|
**Applied Ethics** သည် [သမာဓိဆိုင်ရာစဉ်းစားမှုများ၏ လက်တွေ့အသုံးချမှု](https://en.wikipedia.org/wiki/Applied_ethics) ဖြစ်ပြီး _လက်တွေ့လုပ်ဆောင်မှုများ, ထုတ်ကုန်များနှင့် လုပ်ငန်းစဉ်များ_ တွင် ethics ပြဿနာများကို လေ့လာပြီး သတ်မှတ်ထားသော ethics တန်ဖိုးများနှင့်အညီရှိနေစေရန် ပြုပြင်ဆောင်ရွက်မှုများကို လုပ်ဆောင်ခြင်းဖြစ်သည်။
|
|
|
|
|
|
**Ethics Culture** သည် [_applied ethics_ ကို လုပ်ငန်းဆောင်ရွက်ခြင်း](https://hbr.org/2019/05/how-to-design-an-ethical-organization) အကြောင်းဖြစ်ပြီး ကျွန်ုပ်တို့၏ ethics အခြေခံအယူအဆများနှင့် လုပ်ဆောင်မှုများကို အဖွဲ့အစည်းတစ်ခုလုံးတွင် တစ်ပြိုင်တည်းနှင့် အဆင့်မြှင့်တင်နိုင်စေရန် သေချာစေရန်ဖြစ်သည်။ အောင်မြင်သော ethics culture များသည် အဖွဲ့အစည်းအဆင့်တစ်ခုလုံးတွင် ethics အခြေခံအယူအဆများကို သတ်မှတ်ပြီး လိုက်နာမှုအတွက် အဓိကအတိုးအကျိုးများပေးပြီး အဖွဲ့အစည်း၏အဆင့်တိုင်းတွင် လိုအပ်သောအပြုအမူများကို အားပေးပြီး တိုးတက်စေသည်။
|
|
|
|
|
|
## Ethics အယူအဆများ
|
|
|
|
|
|
ဒီအပိုင်းမှာ **shared values** (principles) နှင့် **ethical challenges** (problems) ကို ဆွေးနွေးပြီး **case studies** များကို လေ့လာကာ ဒေတာအကျင့်သိက္ခာကို လက်တွေ့အသုံးချမှုများတွင် နားလည်စေရန် ကူညီမည်။
|
|
|
|
|
|
### 1. Ethics Principles
|
|
|
|
|
|
ဒေတာအကျင့်သိက္ခာအကြံအစည်တိုင်းသည် _ethical principles_ သတ်မှတ်ခြင်းမှ စတင်သည် - ဒါဟာ "shared values" ဖြစ်ပြီး ဒေတာနှင့် AI ပရောဂျက်များတွင် လိုက်နာရမည့်အပြုအမူများကို ဖော်ပြပြီး လုပ်ဆောင်မှုများကို လမ်းညွှန်ပေးသည်။ ၎င်းတို့ကို တစ်ဦးချင်း သို့မဟုတ် အဖွဲ့အဆင့်တွင် သတ်မှတ်နိုင်သည်။ သို့သော် အကြီးစားအဖွဲ့အစည်းများအများစုသည် ၎င်းတို့၏ _ethical AI_ mission statement သို့မဟုတ် framework တွင် corporate အဆင့်တွင် သတ်မှတ်ပြီး အဖွဲ့အစည်းတစ်ခုလုံးတွင် တစ်ပြိုင်တည်းအကောင်အထည်ဖော်သည်။
|
|
|
|
|
|
**ဥပမာ:** Microsoft's [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai) mission statement သည် _"AI ကို လူသားများကို ဦးစားပေးသော ethics အခြေခံအယူအဆများဖြင့် တိုးတက်စေရန် ကျွန်ုပ်တို့ကတိပြုထားသည်"_ ဟုဖော်ပြထားပြီး အောက်ပါ framework တွင် ethics အခြေခံအယူအဆ ၆ ခုကို ဖော်ပြထားသည်။
|
|
|
|
|
|
|
|
|
|
|
|
ဒီအခြေခံအယူအဆများကို အနည်းငယ်လေ့လာကြပါစို့။ _Transparency_ နှင့် _accountability_ သည် အခြေခံတန်ဖိုးများဖြစ်ပြီး အခြားအယူအဆများကို အခြေခံထားသည် - ဒါကြောင့် အဲဒီနေရာမှ စတင်ပါစို့။
|
|
|
|
|
|
* [**Accountability**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) သည် data နှင့် AI လုပ်ဆောင်မှုများအတွက် တာဝန်ရှိမှုကို အတည်ပြုသည်။
|
|
|
* [**Transparency**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) သည် data နှင့် AI လုပ်ဆောင်မှုများကို အသုံးပြုသူများအတွက် နားလည်နိုင်စေရန် ရှင်းလင်းမှုကို အာမခံသည်။
|
|
|
* [**Fairness**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - AI သည် လူတိုင်းကို တရားမျှတစွာ ဆက်ဆံစေရန် အာမခံပြီး data နှင့် system များတွင် bias များကို ဖြေရှင်းသည်။
|
|
|
* [**Reliability & Safety**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI သည် သတ်မှတ်ထားသောတန်ဖိုးများနှင့်အညီ တည်ငြိမ်စွာ လုပ်ဆောင်ရန် အာမခံသည်။
|
|
|
* [**Privacy & Security**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - data lineage ကို နားလည်ပြီး အသုံးပြုသူများကို privacy နှင့် ကာကွယ်မှုများပေးသည်။
|
|
|
* [**Inclusiveness**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - AI ဖြေရှင်းချက်များကို လူသားများ၏ လိုအပ်ချက်များနှင့် စွမ်းရည်များကို ဖြည့်ဆည်းရန် ရည်ရွယ်ပြီး ဒီဇိုင်းဆွဲသည်။
|
|
|
|
|
|
> 🚨 သင့်ဒေတာအကျင့်သိက္ခာ mission statement သည် ဘာဖြစ်နိုင်မလဲဆိုတာ စဉ်းစားပါ။ အခြားအဖွဲ့အစည်းများ၏ ethical AI frameworks ကို လေ့လာပါ - [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), နှင့် [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/) မှ ဥပမာများကို ကြည့်ပါ။ ၎င်းတို့တွင် အတူတူမျှဝေထားသောတန်ဖိုးများ ဘာတွေလဲ? ၎င်းတို့၏ AI ထုတ်ကုန် သို့မဟုတ် စက်မှုလုပ်ငန်းနှင့် ဘယ်လိုဆက်နွယ်နေသလဲ?
|
|
|
|
|
|
### 2. Ethics Challenges
|
|
|
|
|
|
Ethics အခြေခံအယူအဆများကို သတ်မှတ်ပြီးနောက် ဒေတာနှင့် AI လုပ်ဆောင်မှုများသည် shared values များနှင့် ကိုက်ညီမှုရှိမရှိကို အကဲဖြတ်ရန် လိုအပ်သည်။ သင့်လုပ်ဆောင်မှုများကို _data collection_ နှင့် _algorithm design_ ဆိုပြီး အမျိုးအစားနှစ်ခုအလိုက် စဉ်းစားပါ။
|
|
|
|
|
|
Data collection တွင် **personal data** သို့မဟုတ် personally identifiable information (PII) ပါဝင်နိုင်ပြီး အသက်ရှင်သောလူများကို ဖော်ပြနိုင်သည်။ ဒါတွင် [non-personal data](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) များပါဝင်နိုင်ပြီး အတူတူပေါင်းစည်း၍ တစ်ဦးချင်းကို ဖော်ပြနိုင်သည်။ Ethics challenges များသည် _data privacy_, _data ownership_, နှင့် _informed consent_ နှင့် _intellectual property rights_ ကဲ့သို့သောအကြောင်းအရာများနှင့် ဆက်နွယ်နိုင်သည်။
|
|
|
|
|
|
Algorithm design တွင် **datasets** များကို စုဆောင်းပြီး **data models** များကို သင်ကြားပြီး လက်တွေ့အသုံးချမှုများတွင် ဆုံးဖြတ်ချက်များကို ခန့်မှန်းရန် သုံးသည်။ Ethics challenges များသည် _dataset bias_, _data quality_ ပြဿနာများ, _unfairness_, နှင့် _misrepresentation_ ကဲ့သို့သောအကြောင်းအရာများနှင့် ဆက်နွယ်နိုင်သည်။
|
|
|
|
|
|
Ethics challenges များသည် ကျွန်ုပ်တို့၏လုပ်ဆောင်မှုများသည် shared values များနှင့် ဆန့်ကျင်မှုရှိနိုင်သောနေရာများကို ဖော်ပြသည်။ ၎င်းတို့ကို ရှာဖွေ, လျှော့ချ, သက်သာစေ, သို့မဟုတ် ဖယ်ရှားရန် - ကျွန်ုပ်တို့၏လုပ်ဆောင်မှုများနှင့်ပတ်သက်သော သမာဓိဆိုင်ရာ "ဟုတ်/မဟုတ်" မေးခွန်းများကို မေးပြီး လိုအပ်သောပြုပြင်ဆောင်ရွက်မှုများကို လုပ်ဆောင်ရမည်။ အ ethics challenges များနှင့် ၎င်းတို့၏ moral questions များကို ကြည့်ပါ:
|
|
|
|
|
|
#### 2.1 Data Ownership
|
|
|
|
|
|
Data collection တွင် data subjects များကို ဖော်ပြနိုင်သော personal data ပါဝင်နိုင်သည်။ [Data ownership](https://permission.io/blog/data-ownership) သည် data ဖန်တီးခြင်း, အလုပ်လုပ်ခြင်း, နှင့် ဖြန့်ဝေခြင်းဆိုင်ရာ _control_ နှင့် [_user rights_](https://permission.io/blog/data-ownership) အကြောင်းဖြစ်သည်။
|
|
|
|
|
|
မေးရမည့် moral questions များမှာ:
|
|
|
* ဒေတာကို ဘယ်သူပိုင်သလဲ? (အသုံးပြုသူ သို့မဟုတ် အဖွဲ့အစည်း)
|
|
|
* Data subjects တွင် ဘယ်လိုအခွင့်အရေးများရှိသလဲ? (ဥပမာ - access, erasure, portability)
|
|
|
* အဖွဲ့အစည်းတွင် ဘယ်လိုအခွင့်အရေးများရှိသလဲ? (ဥပမာ - malicious user reviews ကို ပြင်ဆင်ခြင်း)
|
|
|
|
|
|
#### 2.2 Informed Consent
|
|
|
|
|
|
[Informed consent](https://legaldictionary.net/informed-consent/) သည် အသုံးပြုသူများသည် data collection ကဲ့သို့သော လုပ်ဆောင်မှုကို _အရေးပါသောအချက်များ_ (ရည်ရွယ်ချက်, အန္တရာယ်များ, နှင့် အခြားရွေးချယ်မှုများ) ကို နားလည်ပြီး သဘောတူခြင်းဖြစ်သည်။
|
|
|
|
|
|
ဒီမှာ စဉ်းစားရမည့်မေးခွန်းများမှာ:
|
|
|
* Data capture နှင့် usage အတွက် အသုံးပြုသူ (data subject) သဘောတူခဲ့ပါသလား?
|
|
|
* Data capture ရည်ရွယ်ချက်ကို အသ
|
|
|
[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) သည် အယ်လဂိုရစ်သမ်ဒီဇိုင်းသည် အချက်အလက်ပိုင်ရှင်အုပ်စုတစ်ခုခုကို စနစ်တကျ ခွဲခြားဆက်ဆံမှုရှိမရှိ စစ်ဆေးရန်အတွက် အသုံးပြုသည်။ ၎င်းသည် _allocation_ (အရင်းအမြစ်များကို အုပ်စုတစ်ခုမှ ပိတ်ပင်ခြင်း သို့မဟုတ် မပေးခြင်း) နှင့် _quality of service_ (AI သည် အုပ်စုတစ်ခုအတွက် တိကျမှုနည်းပြီး အခြားအုပ်စုများအတွက် ပိုမိုတိကျမှုရှိခြင်း) အတွက် [potential harms](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) ဖြစ်နိုင်ခြင်းကို စစ်ဆေးသည်။
|
|
|
|
|
|
ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ:
|
|
|
* မျိုးစုံသောအုပ်စုများနှင့် အခြေအနေများအတွက် မော်ဒယ်တိကျမှုကို သုံးသပ်ခဲ့ပါသလား။
|
|
|
* စနစ်ကို ဖြစ်နိုင်သောအန္တရာယ်များ (ဥပမာ- စံနှုန်းချမှတ်မှု) အတွက် စိစစ်ခဲ့ပါသလား။
|
|
|
* ရှာဖွေတွေ့ရှိထားသော အန္တရာယ်များကို လျှော့ချရန်အတွက် အချက်အလက်များကို ပြင်ဆင်ခြင်း သို့မဟုတ် မော်ဒယ်များကို ပြန်လည်လေ့ကျင့်ပေးနိုင်ပါသလား။
|
|
|
|
|
|
[AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) ကဲ့သို့သော အရင်းအမြစ်များကို လေ့လာရန် စဉ်းစားပါ။
|
|
|
|
|
|
#### 2.9 အချက်အလက်မှားယွင်းမှု
|
|
|
|
|
|
[Data Misrepresentation](https://www.sciencedirect.com/topics/computer-science/misrepresentation) သည် အချက်အလက်များကို သမာဓိရှိစွာ တင်ပြထားသည့် အချက်အလက်မှ အလွဲသုံးစားလုပ်၍ လိုချင်သောအကြောင်းအရာကို ထောက်ခံရန် မျှော်မှန်းချက်များကို မေးမြန်းခြင်းနှင့် ဆက်နွယ်သည်။
|
|
|
|
|
|
ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ:
|
|
|
* မပြည့်စုံသော သို့မဟုတ် မမှန်ကန်သော အချက်အလက်များကို တင်ပြနေပါသလား။
|
|
|
* အချက်အလက်များကို လွဲမှားသော အကျိုးဆောင်ချက်များကို ဖြစ်ပေါ်စေသော ပုံစံဖြင့် ရှင်းလင်းပြသနေပါသလား။
|
|
|
* ရလဒ်များကို လွဲမှားစေသော ရွေးချယ်ထားသော စက်မှုဇုန်နည်းလမ်းများကို အသုံးပြုနေပါသလား။
|
|
|
* အခြားသော အကြောင်းပြချက်များသည် ကွဲပြားသော အကျိုးဆောင်ချက်များကို ပေးနိုင်မည်ဖြစ်ပါသလား။
|
|
|
|
|
|
#### 2.10 လွတ်လပ်စွာရွေးချယ်မှု
|
|
|
|
|
|
[Illusion of Free Choice](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) သည် စနစ်၏ "ရွေးချယ်မှုအဆောက်အအုံများ" သည် ဆုံးဖြတ်ချက်အယ်လဂိုရစ်သမ်များကို အသုံးပြု၍ လူများကို ရွေးချယ်မှုများနှင့် ထိန်းချုပ်မှုရှိသည်ဟု ထင်ရစေသော်လည်း သဘောတူသော ရလဒ်ကို ရယူရန် အားပေးသည့်အခါ ဖြစ်ပေါ်သည်။ ဤ [dark patterns](https://www.darkpatterns.org/) သည် အသုံးပြုသူများအတွက် လူမှုရေးနှင့် စီးပွားရေးဆိုင်ရာ အန္တရာယ်များကို ဖြစ်စေနိုင်သည်။ အသုံးပြုသူ၏ ဆုံးဖြတ်ချက်များသည် အပြုအမူပရိုဖိုင်များကို သက်ရောက်စေပြီး ဤအန္တရာယ်များ၏ သက်ရောက်မှုကို တိုးမြှင့် သို့မဟုတ် တိုးချဲ့နိုင်သည်။
|
|
|
|
|
|
ဤနေရာတွင် စဉ်းစားရန်မေးခွန်းများမှာ:
|
|
|
* အသုံးပြုသူသည် ဤရွေးချယ်မှုကို ပြုလုပ်ခြင်း၏ သက်ရောက်မှုများကို နားလည်ခဲ့ပါသလား။
|
|
|
* အသုံးပြုသူသည် (အခြား) ရွေးချယ်မှုများနှင့် ၎င်းတို့၏ အားသာချက်များနှင့် အားနည်းချက်များကို သိရှိခဲ့ပါသလား။
|
|
|
* အသုံးပြုသူသည် အလိုအလျောက် သို့မဟုတ် သက်ရောက်မှုရှိသော ရွေးချယ်မှုကို နောက်ပိုင်းတွင် ပြန်လည်ပြင်ဆင်နိုင်ပါသလား။
|
|
|
|
|
|
### 3. ကိစ္စလေ့လာမှုများ
|
|
|
|
|
|
ဤကျင့်ဝတ်အခက်အခဲများကို အမှန်တကယ်သော ကွန်တက်စ်များတွင် ထည့်သွင်းစဉ်းစားရန်အတွက် ကျင့်ဝတ်ချိုးဖောက်မှုများကို မလေးစားခြင်းကြောင့် လူများနှင့် လူမှုအဖွဲ့အစည်းများအပေါ် ဖြစ်နိုင်သော အန္တရာယ်များနှင့် ဆိုးကျိုးများကို ဖော်ပြသည့် ကိစ္စလေ့လာမှုများကို ကြည့်ရှုရန် အထောက်အကူဖြစ်စေသည်။
|
|
|
|
|
|
ဤနေရာတွင် ဥပမာအချို့ကို ဖော်ပြထားသည်-
|
|
|
|
|
|
| ကျင့်ဝတ်အခက်အခဲ | ကိစ္စလေ့လာမှု |
|
|
|
|--- |--- |
|
|
|
| **သတိပေးချက်ပေးခြင်း** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - ဤလေ့လာမှုတွင် ပါဝင်ခဲ့သော အာဖရိကန်-အမေရိကန်လူမျိုးများကို အခမဲ့ ဆေးဘက်ဆိုင်ရာစောင့်ရှောက်မှုကို ကတိပေးခဲ့သော်လည်း ၎င်းတို့၏ရောဂါအခြေအနေ သို့မဟုတ် ကုသမှုရရှိနိုင်မှုအကြောင်းကို မသိစေဘဲ သုတေသနသူများက လိမ်လည်ခဲ့သည်။ အများအပြားသော ပါဝင်သူများ သေဆုံးခဲ့ပြီး ၎င်းတို့၏ အိမ်ထောင်ဖော်များ သို့မဟုတ် ကလေးများကိုလည်း သက်ရောက်မှုရှိခဲ့သည်။ ဤလေ့လာမှုသည် 40 နှစ်ကြာခဲ့သည်။ |
|
|
|
| **အချက်အလက်ကိုယ်ရေးအချက်အလက်လုံခြုံရေး** | 2007 - [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) သည် သုတေသနသူများကို _50,000 customer များ၏ 10M အမည်မဖော်ထားသော ရုပ်ရှင်အဆင့်သတ်မှတ်မှုများ_ ဖြင့် အကြံပြုချက်အယ်လဂိုရစ်သမ်များကို တိုးတက်စေရန် အထောက်အကူဖြစ်စေခဲ့သည်။ သို့သော် သုတေသနသူများသည် အမည်မဖော်ထားသော အချက်အလက်များကို _IMDb မှ မှတ်ချက်များ_ ကဲ့သို့သော အပြင်အဆင့်အချက်အလက်များနှင့် ဆက်စပ်နိုင်ခဲ့သည်။ ၎င်းသည် Netflix စာရင်းသွင်းသူများအချို့ကို "အမည်ဖော်ပြခြင်း" ဖြစ်စေခဲ့သည်။ |
|
|
|
| **အချက်အလက်စုဆောင်းမှုဘက်လိုက်မှု** | 2013 - Boston မြို့သည် [Street Bump](https://www.boston.gov/transportation/street-bump) ကို ဖန်တီးခဲ့သည်။ ဤ app သည် မြို့သားများကို potholes များကို အစီရင်ခံရန် ခွင့်ပြုခဲ့ပြီး မြို့တော်ကို လမ်းများ၏ ပြဿနာများကို ရှာဖွေပြီး ပြုပြင်ရန် ပိုမိုကောင်းမွန်သော လမ်းအချက်အလက်များကို ပေးခဲ့သည်။ သို့သော် [နိမ့်ကျသောဝင်ငွေအုပ်စုများရှိသူများသည် ကားများနှင့် ဖုန်းများကို နည်းလမ်းနည်းလမ်း ရရှိနိုင်မှုရှိခဲ့သည်](https://hbr.org/2013/04/the-hidden-biases-in-big-data)။ ၎င်းသည် app တွင် ၎င်းတို့၏ လမ်းများပြဿနာများကို မမြင်နိုင်စေခဲ့သည်။ ဖွံ့ဖြိုးသူများသည် တရားမျှတမှုအတွက် _လက်လှမ်းမီမှုနှင့် ဒစ်ဂျစ်တယ်ကွာဟမှုများ_ ပြဿနာများကို ဖြေရှင်းရန် ပညာရှင်များနှင့် ပူးပေါင်းခဲ့သည်။ |
|
|
|
| **အယ်လဂိုရစ်သမ်တရားမျှတမှု** | 2018 - MIT [Gender Shades Study](http://gendershades.org/overview.html) သည် လိင်အတိအကျသတ်မှတ်မှု AI ထုတ်ကုန်များ၏ တိကျမှုကို သုံးသပ်ခဲ့ပြီး အမျိုးသမီးများနှင့် အရောင်ရှိသူများအတွက် တိကျမှုကွာဟမှုများကို ဖော်ထုတ်ခဲ့သည်။ [2019 Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) သည် အမျိုးသမီးများထက် အမျိုးသားများကို ပိုမိုအကြွေးပေးသည့်ပုံစံကို ဖော်ပြခဲ့သည်။ ၎င်းတို့သည် အယ်လဂိုရစ်သမ်ဘက်လိုက်မှုကြောင့် လူမှုစီးပွားရေးဆိုင်ရာ အန္တရာယ်များကို ဖော်ပြခဲ့သည်။ |
|
|
|
| **အချက်အလက်မှားယွင်းမှု** | 2020 - [Georgia Department of Public Health released COVID-19 charts](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) သည် အတည်ပြုထားသော ကူးစက်မှုများ၏ လမ်းကြောင်းများအကြောင်းကို ပြည်သူများကို လွဲမှားစေသော ပုံစံဖြင့် ပြသခဲ့သည်။ x-axis တွင် အချိန်စဉ်အတိုင်းမဟုတ်သော အစီအစဉ်ဖြင့် ဤအချက်အလက်ကို ဖော်ပြခဲ့သည်။ ၎င်းသည် visualization tricks ဖြင့် အချက်အလက်မှားယွင်းမှုကို ဖော်ပြသည်။ |
|
|
|
| **လွတ်လပ်စွာရွေးချယ်မှု၏ အလွဲသုံးစားမှု** | 2020 - [ABCmouse paid $10M to settle an FTC complaint](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) သည် မိဘများကို ၎င်းတို့ cancel မရနိုင်သော subscription များကို ပေးဆောင်ရန် ဖမ်းဆီးခဲ့သည်။ ၎င်းသည် အသုံးပြုသူများကို အန္တရာယ်ရှိသော ရွေးချယ်မှုများကို အားပေးသည့် dark patterns ကို ဖော်ပြသည်။ |
|
|
|
| **အချက်အလက်လုံခြုံရေးနှင့် အသုံးပြုသူအခွင့်အရေးများ** | 2021 - Facebook [Data Breach](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) သည် 530M အသုံးပြုသူများ၏ အချက်အလက်များကို ဖော်ထုတ်ခဲ့ပြီး FTC သို့ $5B settlement ပေးခဲ့သည်။ သို့သော် အသုံးပြုသူများကို breach အကြောင်း မသတိပေးခဲ့ပါ။ ၎င်းသည် အသုံးပြုသူအခွင့်အရေးများကို ချိုးဖောက်ခဲ့သည်။ |
|
|
|
|
|
|
ပိုမိုကိစ္စလေ့လာမှုများကို စဉ်းစားလိုပါသလား? ဤအရင်းအမြစ်များကို ကြည့်ရှုပါ:
|
|
|
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - စက်မှုလုပ်ငန်းများအမျိုးမျိုးတွင် ကျင့်ဝတ်အခက်အခဲများ။
|
|
|
* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - အရေးပါသော ကိစ္စလေ့လာမှုများကို စဉ်းစားထားသည်။
|
|
|
* [Where things have gone wrong](https://deon.drivendata.org/examples/) - deon checklist နှင့် ဥပမာများ။
|
|
|
|
|
|
> 🚨 သင်ကြည့်ရှုခဲ့သော ကိစ္စလေ့လာမှုများကို စဉ်းစားပါ - သင်၏ဘဝတွင် အလားတူကျင့်ဝတ်အခက်အခဲတစ်ခုခုကို ကြုံတွေ့ခဲ့ပါသလား။ ဤအပိုင်းတွင် ဆွေးနွေးထားသော ကျင့်ဝတ်အခက်အခဲတစ်ခုကို ဖော်ပြသည့် ကိစ္စလေ့လာမှုတစ်ခုခုကို သင်စဉ်းစားနိုင်ပါသလား။
|
|
|
|
|
|
## ကျင့်ဝတ်များကို လက်တွေ့ကျကျအသုံးချခြင်း
|
|
|
|
|
|
ကျင့်ဝတ်အယူအဆများ၊ အခက်အခဲများနှင့် အမှန်တကယ်သော ကွန်တက်စ်များတွင် ကိစ္စလေ့လာမှုများကို ဆွေးနွေးခဲ့ပါသည်။ သို့သော် ကျင့်ဝတ်အခြေခံအယူအဆများနှင့် လုပ်ထုံးလုပ်နည်းများကို _အသုံးချ_ စတင်ရန် သင်ဘယ်လိုလုပ်ရမလဲ? သင်၏စီမံကိန်းများအတွက် ဤလုပ်ထုံးလုပ်နည်းများကို _စနစ်တကျ_ လုပ်ဆောင်ရန် ဘယ်လိုလုပ်ရမလဲ? အမှန်တကယ်သော ဖြေရှင်းချက်များကို စဉ်းစားကြည့်ရအောင်:
|
|
|
|
|
|
### 1. ပရော်ဖက်ရှင်နယ်ကျင့်ဝတ်များ
|
|
|
|
|
|
ပရော်ဖက်ရှင်နယ်ကျင့်ဝတ်များသည် အဖွဲ့အစည်းများအနေဖြင့် ၎င်းတို့၏ ကျင့်ဝတ်အခြေခံအယူအဆများနှင့် မစ်ရှင်အဆိုပြုချက်များကို ထောက်ခံရန် အဖွဲ့ဝင်များကို "အားပေး" ရန် ရွေးချယ်မှုတစ်ခုကို ပေးသည်။ ကျင့်ဝတ်များသည် ပရော်ဖက်ရှင်နယ်အပြုအမူအတွက် _ကျင့်ဝတ်လမ်းညွှန်ချက်များ_ ဖြစ်ပြီး ၎င်းတို့၏အဖွဲ့အစည်း၏ အခြေခံအယူအဆများနှင့် ကိုက်ညီသော ဆုံးဖြတ်ချက်များကို လုပ်ဆောင်ရန် ဝန်ထမ်းများ သို့မဟုတ် အဖွဲ့ဝင်များကို အကူအညီပေးသည်။ ၎င်းတို့သည် အဖွဲ့ဝင်များ၏ အလိုအလျောက်လိုက်နာမှုအပေါ်တွင်သာ အကျိုးရှိသည်။ သို့သော် အဖွဲ့အစည်းများသည် အဖွဲ့ဝင်များ၏လိုက်နာမှုကို အားပေးရန် အပိုဆုများနှင့် ပြစ်ဒဏ်များကို ပေးသည်။
|
|
|
|
|
|
ဥပမာများမှာ:
|
|
|
* [Oxford Munich](http://www.code-of-ethics.org/code-of-conduct/) Code of Ethics
|
|
|
* [Data Science Association](http://datascienceassn.org/code-of-conduct.html) Code of Conduct (2013 တွင် ဖန်တီးခဲ့သည်)
|
|
|
* [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (1993 ကတည်းက ရှိသည်)
|
|
|
|
|
|
> 🚨 သင်သည် ပရော်ဖက်ရှင်နယ်အင်ဂျင်နီယာ သို့မဟုတ် အချက်အလက်သိပ္ပံအဖွဲ့အစည်းတစ်ခု၏ အဖွဲ့ဝင်ဖြစ်ပါသလား? ၎င်းတို့၏ site ကို လေ့လာပြီး ပရော်ဖက်ရှင်နယ်ကျင့်ဝတ်များကို သတ်မှတ်ထားပါသလားဆိုတာ ကြည့်ပါ။ ၎င်းတို့၏ ကျင့်ဝတ်အခြေခံအယူအဆများအကြောင်း ဘာများပြောထားပါသလဲ? အဖွဲ့ဝင်များကို ကျင့်ဝတ်ကိုလိုက်နာရန် "အားပေး" နည်းလမ်းများကို ဘယ်လိုလုပ်ဆောင်နေပါသလဲ?
|
|
|
|
|
|
### 2. ကျင့်ဝတ်စစ်ဆေးစာရင်းများ
|
|
|
|
|
|
ပရော်ဖက်ရှင်နယ်ကျင့်ဝတ်များသည် ကျင့်ဝတ်အပြုအမူ _လိုအပ်ချက်များ_ ကို သတ်မှတ်ပေးသော်လည်း [အကန့်အသတ်များ](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) ရှိသည်။ အထူးသဖြင့် အကြီးစားစီမံကိန်းများတွင် enforcement အတွက် အကန့်အသတ်များရှိသည်။ ထို့အပြင် အချက်အလက်သိပ္ပံပညာရှင်များသည်
|
|
|
* [တရားဝင် AI အခြေခံသဘောတရားများ](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - Microsoft Learn မှ အခမဲ့သင်ကြားမှုလမ်းကြောင်း။
|
|
|
* [Ethics and Data Science](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason et. al)
|
|
|
* [Data Science Ethics](https://www.coursera.org/learn/data-science-ethics#syllabus) - မီချီဂန်တက္ကသိုလ်မှ အွန်လိုင်းသင်တန်း။
|
|
|
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - တက္ကဆက်တက္ကသိုလ်မှ ကိစ္စလေ့လာမှုများ။
|
|
|
|
|
|
# လုပ်ငန်းတာဝန်
|
|
|
|
|
|
[ဒေတာကျင့်ဝတ်ဆိုင်ရာ ကိစ္စလေ့လာမှုရေးသားပါ](assignment.md)
|
|
|
|
|
|
---
|
|
|
|
|
|
**အကြောင်းကြားချက်**:
|
|
|
ဤစာရွက်စာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) ကို အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှုအတွက် ကြိုးစားနေသော်လည်း၊ အလိုအလျောက် ဘာသာပြန်ခြင်းတွင် အမှားများ သို့မဟုတ် မမှန်ကန်မှုများ ပါဝင်နိုင်သည်ကို သတိပြုပါ။ မူရင်းစာရွက်စာတမ်းကို ၎င်း၏ မူရင်းဘာသာစကားဖြင့် အာဏာတရားရှိသော အရင်းအမြစ်အဖြစ် သတ်မှတ်သင့်ပါသည်။ အရေးကြီးသော အချက်အလက်များအတွက် လူက ဘာသာပြန်ခြင်းကို အသုံးပြုရန် အကြံပြုပါသည်။ ဤဘာသာပြန်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော အလွဲအလွတ်များ သို့မဟုတ် အနားယူမှားမှုများအတွက် ကျွန်ုပ်တို့သည် တာဝန်မယူပါ။ |
