Data-Science-For-Beginners/translations/tl/1-Introduction/02-ethics/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "3a34157cc63516eba97c89a0b2f8c3e6",
  "translation_date": "2025-09-03T21:39:41+00:00",
  "source_file": "1-Introduction/02-ethics/README.md",
  "language_code": "tl"
}
-->
# Panimula sa Etika ng Datos

|![ Sketchnote ni [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/02-Ethics.png)|
|:---:|
| Etika sa Agham ng Datos - _Sketchnote ni [@nitya](https://twitter.com/nitya)_ |

---

Tayo ay mga mamamayan ng datos na nabubuhay sa isang mundo na puno ng datos.

Ayon sa mga trend ng merkado, sa taong 2022, 1 sa bawat 3 malalaking organisasyon ay bibili at magbebenta ng kanilang datos sa pamamagitan ng online na [Marketplaces at Exchanges](https://www.gartner.com/smarterwithgartner/gartner-top-10-trends-in-data-and-analytics-for-2020/). Bilang mga **App Developers**, mas madali at mas mura para sa atin na isama ang mga insight na nakabatay sa datos at automation na pinapatakbo ng algorithm sa pang-araw-araw na karanasan ng mga gumagamit. Ngunit habang nagiging laganap ang AI, kailangan din nating maunawaan ang mga posibleng pinsala na dulot ng [weaponization](https://www.youtube.com/watch?v=TQHs8SA1qpk) ng ganitong mga algorithm sa malawakang saklaw.

Ipinapakita rin ng mga trend na tayo ay lilikha at gagamit ng mahigit [180 zettabytes](https://www.statista.com/statistics/871513/worldwide-data-created/) ng datos sa taong 2025. Bilang mga **Data Scientists**, nagbibigay ito sa atin ng walang kapantay na antas ng access sa personal na datos. Nangangahulugan ito na maaari tayong bumuo ng mga behavioral profile ng mga gumagamit at impluwensyahan ang kanilang mga desisyon sa paraang lumilikha ng [ilusyon ng malayang pagpili](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) habang posibleng itinutulak sila sa mga resulta na mas gusto natin. Nagdudulot din ito ng mas malawak na mga tanong tungkol sa privacy ng datos at proteksyon ng mga gumagamit.

Ang etika ng datos ay ngayon ay _kinakailangang gabay_ para sa agham ng datos at engineering, na tumutulong sa atin na mabawasan ang mga posibleng pinsala at hindi sinasadyang mga resulta mula sa ating mga aksyon na nakabatay sa datos. Ang [Gartner Hype Cycle para sa AI](https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/) ay tumutukoy sa mga kaugnay na trend sa digital ethics, responsableng AI, at pamamahala ng AI bilang mga pangunahing salik para sa mas malalaking megatrends sa _demokratisasyon_ at _industrialisasyon_ ng AI.

![Gartner's Hype Cycle para sa AI - 2020](https://images-cdn.newscred.com/Zz1mOWJhNzlkNDA2ZTMxMWViYjRiOGFiM2IyMjQ1YmMwZQ==)

Sa araling ito, ating susuriin ang kamangha-manghang larangan ng etika ng datos - mula sa mga pangunahing konsepto at hamon, hanggang sa mga case study at mga applied AI na konsepto tulad ng pamamahala - na tumutulong sa pagtatatag ng kultura ng etika sa mga koponan at organisasyon na nagtatrabaho gamit ang datos at AI.

## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/2) 🎯

## Mga Pangunahing Depinisyon

Magsimula tayo sa pag-unawa sa mga pangunahing terminolohiya.

Ang salitang "etika" ay nagmula sa [salitang Griyego na "ethikos"](https://en.wikipedia.org/wiki/Ethics) (at ang ugat nito na "ethos") na nangangahulugang _karakter o moral na kalikasan_.

**Etika** ay tungkol sa mga pinagsasaluhang halaga at prinsipyo ng moralidad na gumagabay sa ating pag-uugali sa lipunan. Ang etika ay hindi nakabatay sa mga batas kundi sa malawakang tinatanggap na mga pamantayan ng kung ano ang "tama vs. mali". Gayunpaman, ang mga konsiderasyong etikal ay maaaring maka-impluwensya sa mga inisyatibo ng corporate governance at mga regulasyon ng gobyerno na lumilikha ng mas maraming insentibo para sa pagsunod.

**Etika ng Datos** ay isang [bagong sangay ng etika](https://royalsocietypublishing.org/doi/full/10.1098/rsta.2016.0360#sec-1) na "nag-aaral at nag-e-evaluate ng mga moral na problema na may kaugnayan sa _datos, algorithm, at mga kaugnay na praktis_". Dito, ang **"datos"** ay nakatuon sa mga aksyon na may kaugnayan sa paglikha, pagrekord, pag-curate, pagproseso, pagkalat, pagbabahagi, at paggamit; ang **"algorithm"** ay nakatuon sa AI, mga ahente, machine learning, at mga robot; at ang **"praktis"** ay nakatuon sa mga paksa tulad ng responsableng inobasyon, programming, hacking, at mga code ng etika.

**Applied Ethics** ay ang [praktikal na aplikasyon ng mga konsiderasyong moral](https://en.wikipedia.org/wiki/Applied_ethics). Ito ang proseso ng aktibong pagsisiyasat sa mga isyung etikal sa konteksto ng _mga aksyon, produkto, at proseso sa totoong mundo_, at pagkuha ng mga hakbang na nagwawasto upang matiyak na ang mga ito ay nananatiling naaayon sa ating tinukoy na mga halaga ng etika.

**Kultura ng Etika** ay tungkol sa [_pagpapatakbo_ ng applied ethics](https://hbr.org/2019/05/how-to-design-an-ethical-organization) upang matiyak na ang ating mga prinsipyo at praktis ng etika ay tinatanggap sa isang pare-pareho at nasusukat na paraan sa buong organisasyon. Ang matagumpay na kultura ng etika ay nagtatakda ng mga prinsipyo ng etika sa buong organisasyon, nagbibigay ng makabuluhang insentibo para sa pagsunod, at pinapalakas ang mga pamantayan ng etika sa pamamagitan ng paghikayat at pagpapalakas ng mga ninanais na pag-uugali sa bawat antas ng organisasyon.

## Mga Konsepto ng Etika

Sa seksyong ito, tatalakayin natin ang mga konsepto tulad ng **pinagsasaluhang halaga** (mga prinsipyo) at **mga hamon sa etika** (mga problema) para sa etika ng datos - at susuriin ang **mga case study** na tumutulong sa iyong maunawaan ang mga konseptong ito sa mga konteksto ng totoong mundo.

### 1. Mga Prinsipyo ng Etika

Ang bawat estratehiya sa etika ng datos ay nagsisimula sa pagtukoy ng _mga prinsipyo ng etika_ - ang "pinagsasaluhang halaga" na naglalarawan ng mga katanggap-tanggap na pag-uugali, at gumagabay sa mga aksyon na sumusunod, sa ating mga proyekto sa datos at AI. Maaari mong tukuyin ang mga ito sa antas ng indibidwal o koponan. Gayunpaman, karamihan sa malalaking organisasyon ay nagbabalangkas ng mga ito sa isang _misyon ng etikal na AI_ o framework na tinutukoy sa antas ng korporasyon at ipinatutupad nang pare-pareho sa lahat ng koponan.

**Halimbawa:** Ang [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai) na misyon ng Microsoft ay nagsasaad: _"Kami ay nakatuon sa pagpapalaganap ng AI na pinapatakbo ng mga prinsipyo ng etika na inuuna ang tao"_ - na tumutukoy sa 6 na prinsipyo ng etika sa framework sa ibaba:

![Responsible AI sa Microsoft](https://docs.microsoft.com/en-gb/azure/cognitive-services/personalizer/media/ethics-and-responsible-use/ai-values-future-computed.png)

Saglit nating suriin ang mga prinsipyong ito. Ang _Transparency_ at _Accountability_ ay mga pundasyong halaga na binubuo ng iba pang mga prinsipyo - kaya magsimula tayo dito:

* [**Accountability**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ay ginagawang _responsable_ ang mga practitioner para sa kanilang mga operasyon sa datos at AI, at pagsunod sa mga prinsipyong etikal.
* [**Transparency**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) ay tinitiyak na ang mga aksyon sa datos at AI ay _naiintindihan_ (interpretable) ng mga gumagamit, ipinaliliwanag ang ano at bakit sa likod ng mga desisyon.
* [**Fairness**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) - nakatuon sa pagtiyak na ang AI ay patas sa _lahat ng tao_, tinutugunan ang anumang sistemiko o implicit na socio-technical biases sa datos at mga sistema.
* [**Reliability & Safety**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - tinitiyak na ang AI ay kumikilos nang _pare-pareho_ sa tinukoy na mga halaga, binabawasan ang mga posibleng pinsala o hindi sinasadyang resulta.
* [**Privacy & Security**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - tungkol sa pag-unawa sa pinagmulan ng datos, at pagbibigay ng _privacy ng datos at kaugnay na proteksyon_ sa mga gumagamit.
* [**Inclusiveness**](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1:primaryr6) - tungkol sa pagdidisenyo ng mga solusyon sa AI nang may intensyon, inaangkop ang mga ito upang matugunan ang _malawak na hanay ng mga pangangailangan at kakayahan ng tao_.

> 🚨 Pag-isipan kung ano ang maaaring maging misyon ng etika ng datos para sa iyo. Suriin ang mga framework ng etikal na AI mula sa ibang mga organisasyon - narito ang mga halimbawa mula sa [IBM](https://www.ibm.com/cloud/learn/ai-ethics), [Google](https://ai.google/principles), at [Facebook](https://ai.facebook.com/blog/facebooks-five-pillars-of-responsible-ai/). Anong mga pinagsasaluhang halaga ang mayroon sila? Paano nauugnay ang mga prinsipyong ito sa produktong AI o industriya na kanilang kinabibilangan?

### 2. Mga Hamon sa Etika

Kapag natukoy na ang mga prinsipyo ng etika, ang susunod na hakbang ay suriin ang ating mga aksyon sa datos at AI upang makita kung naaayon ang mga ito sa mga pinagsasaluhang halaga. Pag-isipan ang iyong mga aksyon sa dalawang kategorya: _koleksyon ng datos_ at _disenyo ng algorithm_.

Sa koleksyon ng datos, ang mga aksyon ay malamang na may kaugnayan sa **personal na datos** o personal na makikilalang impormasyon (PII) para sa mga makikilalang buhay na indibidwal. Kasama rito ang [iba't ibang uri ng hindi personal na datos](https://ec.europa.eu/info/law/law-topic/data-protection/reform/what-personal-data_en) na _sama-samang_ nakikilala ang isang indibidwal. Ang mga hamon sa etika ay maaaring may kaugnayan sa _privacy ng datos_, _pagmamay-ari ng datos_, at mga kaugnay na paksa tulad ng _informed consent_ at _mga karapatan sa intelektwal na ari-arian_ para sa mga gumagamit.

Sa disenyo ng algorithm, ang mga aksyon ay may kaugnayan sa pagkolekta at pag-curate ng **datasets**, pagkatapos ay ginagamit ang mga ito upang sanayin at i-deploy ang **data models** na nagpo-predict ng mga resulta o nag-a-automate ng mga desisyon sa mga konteksto ng totoong mundo. Ang mga hamon sa etika ay maaaring lumitaw mula sa _bias sa dataset_, mga isyu sa _kalidad ng datos_, _hindi pagiging patas_, at _maling representasyon_ sa mga algorithm - kabilang ang ilang mga isyung sistemiko.

Sa parehong kaso, ang mga hamon sa etika ay nagha-highlight ng mga lugar kung saan ang ating mga aksyon ay maaaring makaranas ng salungatan sa ating mga pinagsasaluhang halaga. Upang matukoy, mabawasan, mapaliit, o maalis ang mga alalahaning ito - kailangan nating magtanong ng moral na "oo/hindi" na mga tanong na may kaugnayan sa ating mga aksyon, pagkatapos ay kumuha ng mga hakbang na nagwawasto kung kinakailangan. Tingnan natin ang ilang mga hamon sa etika at ang mga moral na tanong na kanilang itinatampok:

#### 2.1 Pagmamay-ari ng Datos

Ang koleksyon ng datos ay madalas na may kaugnayan sa personal na datos na maaaring makilala ang mga data subjects. Ang [pagmamay-ari ng datos](https://permission.io/blog/data-ownership) ay tungkol sa _kontrol_ at [_mga karapatan ng gumagamit_](https://permission.io/blog/data-ownership) na may kaugnayan sa paglikha, pagproseso, at pagkalat ng datos.

Ang mga moral na tanong na dapat itanong ay:
 * Sino ang nagmamay-ari ng datos? (gumagamit o organisasyon)
 * Anong mga karapatan ang mayroon ang mga data subjects? (hal: access, erasure, portability)
 * Anong mga karapatan ang mayroon ang mga organisasyon? (hal: pagwawasto ng mga mapanirang review ng gumagamit)

#### 2.2 Informed Consent

Ang [Informed consent](https://legaldictionary.net/informed-consent/) ay tumutukoy sa kilos ng mga gumagamit na pumapayag sa isang aksyon (tulad ng koleksyon ng datos) na may _buong pag-unawa_ sa mga kaugnay na katotohanan kabilang ang layunin, mga posibleng panganib, at mga alternatibo.

Mga tanong na dapat suriin dito:
 * Nagbigay ba ng pahintulot ang gumagamit (data subject) para sa pagkuha at paggamit ng datos?
 * Naiintindihan ba ng gumagamit ang layunin kung bakit kinukuha ang datos?
 * Naiintindihan ba ng gumagamit ang mga posibleng panganib mula sa kanilang pakikilahok?

#### 2.3 Intelektwal na Ari-arian

Ang [Intelektwal na ari-arian](https://en.wikipedia.org/wiki/Intellectual_property) ay tumutukoy sa mga hindi materyal na likha na resulta ng inisyatibo ng tao, na maaaring _may ekonomikong halaga_ sa mga indibidwal o negosyo.

Mga tanong na dapat suriin dito:
 * May ekonomikong halaga ba ang nakolektang datos sa isang gumagamit o negosyo?
 * May intelektwal na ari-arian ba ang **gumagamit** dito?
 * May intelektwal na ari-arian ba ang **organisasyon** dito?
 * Kung umiiral ang mga karapatang ito, paano natin pinoprotektahan ang mga ito?

#### 2.4 Privacy ng Datos

Ang [Privacy ng datos](https://www.northeastern.edu/graduate/blog/what-is-data-privacy/) o impormasyon privacy ay tumutukoy sa pangangalaga ng privacy ng gumagamit at proteksyon ng pagkakakilanlan ng gumagamit na may kaugnayan sa personal na makikilalang impormasyon.

Mga tanong na dapat suriin dito:
 * Ang datos ba ng mga gumagamit (personal) ay ligtas laban sa mga hack at leaks?
 * Ang datos ba ng mga gumagamit ay naa-access lamang sa mga awtorisadong gumagamit at konteksto?
 * Ang anonymity ba ng mga gumagamit ay napapanatili kapag ang datos ay ibinabahagi o ikinakalat?
 * Maaari bang ma-deidentify ang isang gumagamit mula sa mga anonymized datasets?

#### 2.5 Karapatan na Maging Nakalimutan

Ang [Karapatan na Maging Nakalimutan](https://en.wikipedia.org/wiki/Right_to_be_forgotten) o [Karapatan sa Pagbura](https://www.gdpreu.org/right-to-be-forgotten/) ay nagbibigay ng karagdagang proteksyon sa personal na datos ng mga gumagamit. Partikular, binibigyan nito ang mga gumagamit ng karapatang humiling ng pagbura o pag-alis ng personal na datos mula sa mga Internet search at iba pang lokasyon, _sa ilalim ng mga partikular na pangyayari_ - na nagbibigay-daan sa kanila ng bagong simula online nang hindi hinahawakan laban sa kanila ang mga nakaraang aksyon.

Mga tanong na dapat suriin dito:
 * Pinapayagan ba ng sistema ang mga data subjects na humiling ng pagbura?
 * Dapat bang awtomatikong mag-trigger ng pagbura ang pag-withdraw ng pahintulot ng gumagamit?
 * Ang datos ba ay nakolekta nang walang pahintulot o sa pamamagitan ng ilegal na paraan?
 * Tayo ba ay sumusunod sa mga regulasyon ng gobyerno para sa privacy ng datos?

#### 2.6 Bias sa Dataset

Ang Bias sa Dataset o [Bias sa Koleksyon](http://researcharticles.com/index.php/bias-in-data-collection-in-research/) ay tungkol sa pagpili ng isang _hindi representatibong_ subset ng datos para sa pag-develop ng algorithm, na lumilikha ng posibleng hindi pagiging patas sa mga resulta para sa iba't ibang grupo. Ang mga uri ng bias ay kinabibilangan ng bias sa pagpili o sampling, bias sa boluntaryo, at bias sa instrumento.

Mga tanong na dapat suriin dito:
 * Nag-recruit ba tayo ng representatibong set ng mga data subjects?
 * Nasuri ba natin ang nakolekta o na-curate na dataset para sa iba't ibang bias?
 * Maaari ba nating mabawasan o alisin ang anumang natuklasang bias?

#### 2.7 Kalidad ng Datos

Ang [Kalidad ng Datos](https://
[Algorithm Fairness](https://towardsdatascience.com/what-is-algorithm-fairness-3182e161cf9f) ay tumutukoy sa pagsusuri kung ang disenyo ng algorithm ay sistematikong nagdidiskrimina laban sa partikular na mga subgroup ng data subjects, na nagdudulot ng [mga posibleng pinsala](https://docs.microsoft.com/en-us/azure/machine-learning/concept-fairness-ml) sa _allocation_ (kung saan ang mga resources ay tinatanggihan o hindi ibinibigay sa grupong iyon) at _quality of service_ (kung saan ang AI ay hindi kasing-eksakto para sa ilang subgroup kumpara sa iba).

Mga tanong na dapat pag-isipan:
 * Nasuri ba natin ang katumpakan ng modelo para sa iba't ibang subgroup at kondisyon?
 * Sinuri ba natin ang sistema para sa mga posibleng pinsala (hal., stereotyping)?
 * Maaari ba nating baguhin ang data o muling sanayin ang mga modelo upang mabawasan ang mga natukoy na pinsala?

Suriin ang mga mapagkukunan tulad ng [AI Fairness checklists](https://query.prod.cms.rt.microsoft.com/cms/api/am/binary/RE4t6dA) upang matuto pa.

#### 2.9 Misrepresentation

[Data Misrepresentation](https://www.sciencedirect.com/topics/computer-science/misrepresentation) ay tumutukoy sa tanong kung tayo ba ay nagpapahayag ng mga insight mula sa tapat na iniulat na data sa isang mapanlinlang na paraan upang suportahan ang isang nais na naratibo.

Mga tanong na dapat pag-isipan:
 * Nag-uulat ba tayo ng hindi kumpleto o hindi tamang data?
 * Nagpapakita ba tayo ng data sa paraang nagdudulot ng maling konklusyon?
 * Gumagamit ba tayo ng piling mga teknik sa estadistika upang manipulahin ang mga resulta?
 * Mayroon bang alternatibong paliwanag na maaaring magbigay ng ibang konklusyon?

#### 2.10 Free Choice
Ang [Illusion of Free Choice](https://www.datasciencecentral.com/profiles/blogs/the-illusion-of-choice) ay nangyayari kapag ang "choice architectures" ng sistema ay gumagamit ng mga algorithm sa paggawa ng desisyon upang itulak ang mga tao na pumili ng isang nais na resulta habang tila binibigyan sila ng mga opsyon at kontrol. Ang mga [dark patterns](https://www.darkpatterns.org/) na ito ay maaaring magdulot ng panlipunan at pang-ekonomiyang pinsala sa mga gumagamit. Dahil ang mga desisyon ng gumagamit ay nakakaapekto sa mga profile ng pag-uugali, ang mga aksyong ito ay maaaring magdulot ng mga susunod na pagpipilian na maaaring palalain o palawigin ang epekto ng mga pinsalang ito.

Mga tanong na dapat pag-isipan:
 * Naiintindihan ba ng gumagamit ang mga implikasyon ng paggawa ng desisyong iyon?
 * Alam ba ng gumagamit ang (mga alternatibong) pagpipilian at ang mga pros & cons ng bawat isa?
 * Maaari bang baligtarin ng gumagamit ang isang automated o naimpluwensiyahang desisyon sa hinaharap?

### 3. Mga Pag-aaral ng Kaso

Upang mailagay ang mga hamon sa etika sa mga konteksto ng totoong mundo, makakatulong ang pagtingin sa mga pag-aaral ng kaso na nagha-highlight ng mga posibleng pinsala at kahihinatnan sa mga indibidwal at lipunan kapag ang mga paglabag sa etika ay hindi napapansin.

Narito ang ilang halimbawa:

| Hamon sa Etika | Pag-aaral ng Kaso  | 
|--- |--- |
| **Informed Consent** | 1972 - [Tuskegee Syphilis Study](https://en.wikipedia.org/wiki/Tuskegee_Syphilis_Study) - Ang mga African American na lalaki na lumahok sa pag-aaral ay pinangakuan ng libreng pangangalagang medikal _ngunit nilinlang_ ng mga mananaliksik na hindi ipinaalam sa kanila ang kanilang diagnosis o ang pagkakaroon ng paggamot. Maraming namatay, at naapektuhan ang mga partner o anak; tumagal ang pag-aaral ng 40 taon. | 
| **Data Privacy** |  2007 - Ang [Netflix data prize](https://www.wired.com/2007/12/why-anonymous-data-sometimes-isnt/) ay nagbigay sa mga mananaliksik ng _10M anonymized movie rankings mula sa 50K customer_ upang mapabuti ang mga algorithm sa rekomendasyon. Gayunpaman, nagawa ng mga mananaliksik na i-correlate ang anonymized data sa personal na makikilalang data sa _mga panlabas na dataset_ (hal., IMDb comments) - epektibong "de-anonymizing" ang ilang subscriber ng Netflix.|
| **Collection Bias**  | 2013 - Ang Lungsod ng Boston ay [nag-develop ng Street Bump](https://www.boston.gov/transportation/street-bump), isang app na nagpapahintulot sa mga mamamayan na mag-ulat ng mga potholes, na nagbibigay sa lungsod ng mas mahusay na data sa kalsada upang mahanap at maayos ang mga isyu. Gayunpaman, [ang mga tao sa mas mababang kita ay may mas kaunting access sa mga kotse at telepono](https://hbr.org/2013/04/the-hidden-biases-in-big-data), na ginagawang hindi nakikita ang kanilang mga isyu sa kalsada sa app na ito. Nakipagtulungan ang mga developer sa mga akademiko upang tugunan ang _equitable access at digital divides_ para sa patas na paggamit. |
| **Algorithmic Fairness**  | 2018 - Ang MIT [Gender Shades Study](http://gendershades.org/overview.html) ay nagsuri sa katumpakan ng mga produkto ng AI sa gender classification, na naglantad ng mga kakulangan sa katumpakan para sa mga kababaihan at mga taong may kulay. Ang isang [2019 Apple Card](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/) ay tila nagbigay ng mas mababang credit sa mga kababaihan kaysa sa mga lalaki. Parehong nagpakita ng mga isyu sa bias ng algorithm na nagdudulot ng socio-economic harms.|
| **Data Misrepresentation** | 2020 - Ang [Georgia Department of Public Health ay naglabas ng mga COVID-19 charts](https://www.vox.com/covid-19-coronavirus-us-response-trump/2020/5/18/21262265/georgia-covid-19-cases-declining-reopening) na tila nililinlang ang mga mamamayan tungkol sa mga trend ng kumpirmadong kaso gamit ang non-chronological ordering sa x-axis. Ipinapakita nito ang maling representasyon sa pamamagitan ng mga trick sa visualization. |
| **Illusion of free choice** | 2020 - Ang learning app na [ABCmouse ay nagbayad ng $10M upang ayusin ang reklamo ng FTC](https://www.washingtonpost.com/business/2020/09/04/abcmouse-10-million-ftc-settlement/) kung saan ang mga magulang ay na-trap sa pagbabayad para sa mga subscription na hindi nila ma-cancel. Ipinapakita nito ang dark patterns sa choice architectures, kung saan ang mga gumagamit ay itinulak sa mga posibleng mapanirang desisyon. |
| **Data Privacy & User Rights** | 2021 - Ang Facebook [Data Breach](https://www.npr.org/2021/04/09/986005820/after-data-breach-exposes-530-million-facebook-says-it-will-not-notify-users) ay naglantad ng data mula sa 530M na gumagamit, na nagresulta sa $5B settlement sa FTC. Gayunpaman, tumanggi itong ipaalam sa mga gumagamit ang breach, na lumalabag sa mga karapatan ng gumagamit sa transparency ng data at access. |

Gusto mo bang mag-explore ng higit pang mga pag-aaral ng kaso? Tingnan ang mga mapagkukunang ito:
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - mga dilemmas sa etika sa iba't ibang industriya. 
* [Data Science Ethics course](https://www.coursera.org/learn/data-science-ethics#syllabus) - landmark na mga pag-aaral ng kaso na tinalakay.
* [Where things have gone wrong](https://deon.drivendata.org/examples/) - checklist ng deon na may mga halimbawa.

> 🚨 Pag-isipan ang mga pag-aaral ng kaso na iyong nakita - nakaranas ka na ba, o naapektuhan ng, katulad na hamon sa etika sa iyong buhay? Makakaisip ka ba ng kahit isang karagdagang pag-aaral ng kaso na naglalarawan ng isa sa mga hamon sa etika na tinalakay natin sa seksyong ito?

## Applied Ethics

Napag-usapan natin ang mga konsepto ng etika, mga hamon, at mga pag-aaral ng kaso sa mga konteksto ng totoong mundo. Ngunit paano tayo magsisimula sa _paglalapat_ ng mga prinsipyo at kasanayan sa etika sa ating mga proyekto? At paano natin _maisasagawa_ ang mga kasanayang ito para sa mas mahusay na pamamahala? Tuklasin natin ang ilang mga solusyon sa totoong mundo:

### 1. Professional Codes

Ang Professional Codes ay nag-aalok ng isang opsyon para sa mga organisasyon upang "hikayatin" ang mga miyembro na suportahan ang kanilang mga prinsipyo sa etika at misyon. Ang mga code ay _moral guidelines_ para sa propesyonal na pag-uugali, na tumutulong sa mga empleyado o miyembro na gumawa ng mga desisyon na naaayon sa mga prinsipyo ng kanilang organisasyon. Ang mga ito ay kasing ganda lamang ng boluntaryong pagsunod mula sa mga miyembro; gayunpaman, maraming organisasyon ang nag-aalok ng karagdagang mga gantimpala at parusa upang hikayatin ang pagsunod mula sa mga miyembro.

Mga halimbawa:
 * [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 (nilikha noong 2013)
 * [ACM Code of Ethics and Professional Conduct](https://www.acm.org/code-of-ethics) (mula noong 1993)

> 🚨 Miyembro ka ba ng isang propesyonal na organisasyon sa engineering o data science? Suriin ang kanilang site upang makita kung tinutukoy nila ang isang propesyonal na code of ethics. Ano ang sinasabi nito tungkol sa kanilang mga prinsipyo sa etika? Paano nila "hinihikayat" ang mga miyembro na sundin ang code?

### 2. Ethics Checklists

Habang ang mga professional codes ay tumutukoy sa kinakailangang _ethical behavior_ mula sa mga practitioner, [mayroon itong mga kilalang limitasyon](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) sa pagpapatupad, partikular sa malalaking proyekto. Sa halip, maraming eksperto sa data science ang [nagpapayo ng mga checklist](https://resources.oreilly.com/examples/0636920203964/blob/master/of_oaths_and_checklists.md) na maaaring **ikonekta ang mga prinsipyo sa mga kasanayan** sa mas deterministiko at maaksiyong paraan.

Ang mga checklist ay nagko-convert ng mga tanong sa "yes/no" na mga gawain na maaaring maisagawa, na nagpapahintulot sa mga ito na masubaybayan bilang bahagi ng standard na workflows sa pag-release ng produkto.

Mga halimbawa:
 * [Deon](https://deon.drivendata.org/) - isang general-purpose data ethics checklist na nilikha mula sa [mga rekomendasyon ng industriya](https://deon.drivendata.org/#checklist-citations) na may command-line tool para sa madaling integrasyon.
 * [Privacy Audit Checklist](https://cyber.harvard.edu/ecommerce/privacyaudit.html) - nagbibigay ng pangkalahatang gabay para sa mga kasanayan sa paghawak ng impormasyon mula sa legal at panlipunang pananaw.
 * [AI Fairness Checklist](https://www.microsoft.com/en-us/research/project/ai-fairness-checklist/) - nilikha ng mga practitioner ng AI upang suportahan ang pag-aampon at integrasyon ng fairness checks sa mga development cycle ng AI.
 * [22 questions for ethics in data and AI](https://medium.com/the-organization/22-questions-for-ethics-in-data-and-ai-efb68fd19429) - mas bukas na framework, na naka-structure para sa paunang pagsusuri ng mga isyu sa etika sa disenyo, implementasyon, at mga konteksto ng organisasyon.

### 3. Ethics Regulations

Ang etika ay tungkol sa pagtukoy ng mga pinagsasaluhang halaga at paggawa ng tama _boluntaryo_. **Compliance** ay tungkol sa _pagsunod sa batas_ kung saan ito tinukoy. Ang **Governance** ay sumasaklaw sa lahat ng paraan kung paano nagpapatakbo ang mga organisasyon upang ipatupad ang mga prinsipyo sa etika at sumunod sa mga itinatag na batas.

Sa kasalukuyan, ang pamamahala ay may dalawang anyo sa loob ng mga organisasyon. Una, ito ay tungkol sa pagtukoy ng **ethical AI** principles at pagtatatag ng mga kasanayan upang maisagawa ang pag-aampon sa lahat ng AI-related na proyekto sa organisasyon. Pangalawa, ito ay tungkol sa pagsunod sa lahat ng government-mandated **data protection regulations** para sa mga rehiyon kung saan ito nagpapatakbo.

Mga halimbawa ng data protection at privacy regulations:

 * `1974`, [US Privacy Act](https://www.justice.gov/opcl/privacy-act-1974) - nagre-regulate sa _federal govt._ collection, paggamit, at pag-disclose ng personal na impormasyon.
 * `1996`, [US Health Insurance Portability & Accountability Act (HIPAA)](https://www.cdc.gov/phlp/publications/topic/hipaa.html) - pinoprotektahan ang personal na health data.
 * `1998`, [US Children's Online Privacy Protection Act (COPPA)](https://www.ftc.gov/enforcement/rules/rulemaking-regulatory-reform-proceedings/childrens-online-privacy-protection-rule) - pinoprotektahan ang data privacy ng mga bata sa ilalim ng 13.
 * `2018`, [General Data Protection Regulation (GDPR)](https://gdpr-info.eu/) - nagbibigay ng mga karapatan ng gumagamit, proteksyon ng data, at privacy.
 * `2018`, [California Consumer Privacy Act (CCPA)](https://www.oag.ca.gov/privacy/ccpa) - nagbibigay sa mga consumer ng mas maraming _karapatan_ sa kanilang (personal) na data.
 * `2021`, China's [Personal Information Protection Law](https://www.reuters.com/world/china/china-passes-new-personal-data-privacy-law-take-effect-nov-1-2021-08-20/) - kamakailan lamang naipasa, na lumilikha ng isa sa pinakamalakas na online data privacy regulations sa buong mundo.

> 🚨 Ang European Union na nagtakda ng GDPR (General Data Protection Regulation) ay nananatiling isa sa mga pinaka-maimpluwensiyang data privacy regulations ngayon. Alam mo ba na tinutukoy din nito ang [8 user rights](https://www.freeprivacypolicy.com/blog/8-user-rights-gdpr) upang protektahan ang digital privacy at personal na data ng mga mamamayan? Alamin kung ano ang mga ito, at bakit mahalaga ang mga ito.

### 4. Ethics Culture

Tandaan na may natitirang hindi nakikitang agwat sa pagitan ng _compliance_ (paggawa ng sapat upang matugunan ang "letra ng batas") at pagtugon sa [mga sistematikong isyu](https://www.coursera.org/learn/data-science-ethics/home/week/4) (tulad ng ossification, information asymmetry, at distributional unfairness) na maaaring magpabilis sa weaponization ng AI.

Ang huli ay nangangailangan ng [collaborative approaches sa pagtukoy ng ethics cultures](https://towardsdatascience.com/why-ai-ethics-requires-a-culture-driven-approach-26f451afa29f) na bumubuo ng emosyonal na koneksyon at pare-parehong pinagsasaluhang halaga _sa mga organisasyon_ sa industriya. Ito ay nangangailangan ng mas [pormalisadong data ethics cultures](https://www.codeforamerica.org/news/formalizing-an-ethical-data-culture/) sa mga organisasyon - na nagpapahintulot sa _sinuman_ na [hilahin ang Andon cord](https://en.wikipedia.org/wiki/Andon_(manufacturing)) (upang itaas ang mga alalahanin sa etika nang maaga sa proseso) at gawing _ethical assessments_ (hal., sa pagkuha ng empleyado) isang pangunahing pamantayan sa pagbuo ng team sa mga proyekto ng AI.

---
## [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ds/) 🎯
## Review & Self Study 

Ang mga kurso at libro ay tumutulong sa pag-unawa sa mga pangunahing konsepto ng etika at mga hamon, habang ang mga pag-aaral ng kaso at mga tool ay tumutulong sa mga kasanayan sa etika sa totoong mundo. Narito ang ilang mga mapagkukunan upang magsimula:

* [Machine Learning For Beginners](https://github.com/microsoft/ML-For-Beginners/blob/main/1-Introduction/3-fairness/README.md) - aralin tungkol sa Fairness, mula sa Microsoft.
* [Mga Prinsipyo ng Responsable AI](https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/) - libreng learning path mula sa Microsoft Learn.
* [Etika at Data Science](https://resources.oreilly.com/examples/0636920203964) - O'Reilly EBook (M. Loukides, H. Mason et. al)
* [Etika sa Data Science](https://www.coursera.org/learn/data-science-ethics#syllabus) - online na kurso mula sa University of Michigan.
* [Ethics Unwrapped](https://ethicsunwrapped.utexas.edu/case-studies) - mga case study mula sa University of Texas.

# Takdang-Aralin

[Sumulat ng Isang Case Study Tungkol sa Etika ng Data](assignment.md)

---

**Paunawa**:  
Ang dokumentong ito ay isinalin gamit ang AI translation service na [Co-op Translator](https://github.com/Azure/co-op-translator). Bagama't sinisikap naming maging tumpak, tandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang katutubong wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na dulot ng paggamit ng pagsasaling ito.