چکیده

با رشد سریع فناوری‌های داده‌محور، چالش‌های نوینی در حوزه امنیت اطلاعات پدید آمده‌اند که یکی از مهم‌ترین آن‌ها، ادعاهای افزودنی[1] است. این ادعاها به اطلاعاتی اشاره دارند که در ظاهر وجود ندارند، اما از طریق تجزیه وتحلیل داده‌های موجود می‌توان آن‌ها را برداشت نمود. در این مطلب، مفهوم ادعاهای افزودنی به صورت میان رشته‌ای بررسی می‌شود و با تمرکز بر مباحث فنی، حقوقی، اخلاقی و سازمانی، راهکارهای پیشگیرانه‌ای برای مدیریت آن‌ها ارائه می‌گردد. ضمن تحلیل رویکردهای سیاست‌گذاری، فناوری‌هایی همچون زنجیره بلوکی[2]، هوش مصنوعی، رمزنگاری و حریم خصوصی تفاضلی[3]، به عنوان ابزارهای کلیدی معرفی شده‌اند. همچنین، با تکیه بر تحلیل موردی، تأثیر این ادعاها در صنایع سلامت و مالی، واکاوی و در نهایت چشم‌اندازی برای آینده ارائه شده است.

کلیدواژه‌ها: ادعای افزودنی، امنیت داده، هوش مصنوعی، زنجیره بلوکی، حریم خصوصی، GDPR، رمزنگاری[4]

۱. مقدمه

با تبدیل اطلاعات به سرمایه راهبردی[5] در قرن بیست ویکم، حفظ امنیت و حریم خصوصی داده‌ها، بیش از پیش اهمیت یافته است. یکی از مسائل کمترشناخته‌شده، اما در حال رشد، پدیده‌ای به نام «ادعاهای افزودنی » است. برخلاف اطلاعات صریح و آشکار، این نوع ادعاها از درون داده‌های متنوع و از طریق تحلیل زمینه‌ای یا الگوریتمی، استخراج می‌شوند. چنین ادعاهایی می‌توانند منجر به سوء برداشت، نقض قوانین، افشای ناخواسته اطلاعات حساس یا ایجاد مسئولیت‌های قانونی برای سازمان‌ها شوند.

پیشگیری از چنین تهدیداتی، نیازمند رویکردی چندبُعدی است که در عینِ توجه به جنبه‌های فناورانه، ابعاد حقوقی، اخلاقی و سازمانی را نیز لحاظ می‌نماید. مطلب حاضر، با هدف ارائه بینشی یکپارچه و عملی، به بررسی همه جانبه این پدیده می‌پردازد.

۲. مفهوم‌شناسی ادعای افزودنی

اصطلاح ادعای افزودنی به محتوای استنتاج‌پذیری اطلاق می‌شود که به طور صریح در داده‌های اصلی ذکر نشده است، اما با تحلیل و ترکیب داده‌های موجود، قابلیت استخراج دارد. برای مثال، اگر فردی به طور مداوم از داروخانه خاصی، داروی معینی خریداری کند و موقعیت مکانی او با مراکز درمانی روان‌پزشکی، هم‌پوشانی داشته باشد، ممکن است ادعای ضمنی درباره وضعیت سلامت روان او شکل بگیرد.

ادعاهای افزودنی به چهار دسته عمده تقسیم می شوند:

• ادعاهای استنباطی [6]:  استخراج شده از ترکیب داده‌ها.

• ادعاهای رفتاری [7]:  ناشی از الگوهای رفتاری کاربران.

• ادعاهای متنی [8] : برداشت‌هایی که از متن‌ها استنباط می‌شوند.

• ادعاهای متقاطع  [9]: حاصل تحلیل چند منبع مختلف داده.

۳. سیر تاریخی و نظریه‌پردازان کلیدی در امنیت ضمنی داده‌ها

۳.۱. آغاز مفهوم امنیت ضمنی[10]: دهه‌های ۱۹۷۰ و ۱۹۸۰

مفهوم امنیت ضمنی در داده‌ها، ریشه در دهه‌های ۱۹۷۰ و ۱۹۸۰ دارد، زمانی که کاربرد گسترده فناوری اطلاعات در سازمان‌ها، آغاز شد. در آن دوران، تمرکز اصلی پژوهشگران و متخصصان امنیت اطلاعات بیشتر بر محافظت صریح از داده‌هایی نظیر رمزنگاری محتوا و کنترل دسترسی مستقیم، معطوف بود. با این حال، تهدیدات ناشی از «داده‌های غیرصریح»[11] یا همان اطلاعاتی که به طور مستقیم قابل رؤیت نیستند، اما از طریق تحلیل و پردازش، قابل‌استنباط هستند، کمتر مورد توجه قرار می‌گرفت  (Denning, 1982).

۳.۲. انقلاب اینترنت و تشدید تهدیدات غیرصریح: دهه ۱۹۹۰

با گسترش اینترنت، ظهور سیستم‌های توزیع‌شده و توسعه فناوری‌هایی مانند رایانش ابری[12] و کلان داده‌ها [13] در دهه ۱۹۹۰، مسأله امنیت داده‌ها وارد فاز جدیدی شد. در این دوره، مشخص شد که داده‌های ظاهراً بی‌ضرر می‌توانند در ترکیب با سایر منابع، اطلاعات حساس را افشا نمایند — پدیده‌ای که امروزه به عنوان استخراج ادعاهای پنهان یا افزودنی شناخته می‌شود  (Sweeney, 2002).

۳.۳. نظریه‌پردازان کلیدی و توسعه بنیادهای نظری

یکی از شخصیت‌های برجسته در این عرصه، بروس اشنایر [14]است. او در کتاب‌ها و مقالات خود )از جمله رازها و دروغ‌ها)[15]همواره بر لزوم طراحی امنیت از مراحل آغازین توسعه سامانه‌ها، تأکید کرده است. به عقیده او، امنیت باید جزء ذاتی طراحی باشد، نه افزوده‌ای پسینی. این رویکرد، زمینه‌ساز مفاهیمی مانند امنیت مبتنی بر طراحی [16]و حریم خصوصی مبتنی بر طراحی [17]شد.

از سوی دیگر، ویتفیلد دیفی [18] و مارتین هلمن [19]با ارائه الگوریتم رمزنگاری کلید عمومی[20] در مقاله تاریخی خود در سال ۱۹۷۶، انقلابی در امنیت داده‌ها پدید آوردند. این الگوریتم، امکان مبادله امن اطلاعات را حتی در بسترهای ناامن فراهم ساخت و زیربنای بسیاری از سامانه های کنترل امنیتی و محرمانگی امروزی محسوب می شود  (Diffie & Hellman, 1976).

۳.۴. دوران معاصر: حریم خصوصی تفاضلی و امنیت آماری

در دهه ۲۰۰۰ به بعد، توجه پژوهشگران به تهدیدات ناشی از تحلیل‌های آماری و یادگیری ماشینی بر روی داده‌های بزرگ معطوف شد. در این زمینه، سینتیا دوور[21] با معرفی مفهوم حریم خصوصی تفاضلی، در سال ۲۰۰۶ نقش مهمی ایفا کرد. این مفهوم، روشی ریاضیاتی به منظور کنترل احتمال افشای اطلاعات شخصی در خروجی‌های آماری است، حتی زمانی که داده‌های شخصی به صورت مستقیم در سیستم وجود ندارند  (Dwork, 2008).

حریم خصوصی تفاضلی به ویژه در محیط‌هایی که حجم عظیمی از داده‌ها تحلیل می شود (مانند سرویس های گوگل، اپل یا مؤسسات ‌‌پژوهشی) کاربرد دارد و از سازوکارهای کلیدی برای مقابله با ادعاهای استخراج شده از داده‌ها محسوب می‌شود.

۴. کاربردهای میان رشته‌ای و پیامدهای ادعاهای افزودنی

ادعاهای افزودنی در داده‌ها، پدیده‌ای نوظهور در تقاطع امنیت داده، اخلاق فناوری و تحلیل آماری است که پیامدهای جدی برای صنعت بیمه به همراه دارد. این ادعاها، برخلاف اطلاعات آشکار، از طریق پردازش و ترکیب داده‌های غیرمستقیم استخراج می‌شوند و می‌توانند به افشای ویژگی‌های حساس افراد منجر شوند — بدون آنکه این اطلاعات به طور صریح در سامانه‌ها ثبت شده باشند. در این بخش، ابتدا پیامدهای مستقیم این پدیده در صنعت بیمه بررسی می‌شود و سپس به طور تطبیقی، کاربردهای آن در سایر صنایع کلیدی اشاره خواهد شد.

۴.۱. صنعت بیمه: تحلیل ریسک یا نقض حریم خصوصی؟

شرکت‌های بیمه در فرآیندهای ارزیابی ریسک، قیمت‌گذاری حق بیمه و شناسایی تقلب، به طور گسترده از داده‌های ثانویه و تحلیل‌های غیرمستقیم استفاده می‌کنند. داده‌هایی همچون تاریخچه درمانی، رفتار خرید برخط، فعالیت در شبکه‌های اجتماعی، موقعیت مکانی و الگوهای تردد، ممکن است به استنتاج هایی درباره سبک زندگی، وضعیت سلامت یا حتی گرایش‌های رفتاری فرد بینجامد.

برای مثال، یک فردی که از باشگاه ‌ای بدنسازی خاصی بازدید مکرر دارد، ممکن است به طور ضمنی به عنوان «فعال» و دارای سبک زندگی سالم طبقه‌بندی شود، در حالی که فردی که در محله‌هایی با نرخ جرم بالا، سکونت دارد، ممکن است بدون‌اطلاع خود، در گروه پرریسک قرار گیرد. این نوع استنتاج‌های خودکار، که بر اساس الگوریتم‌های یادگیری ماشین انجام می‌شود، ادعاهای پنهانی درباره متقاضی بیمه تولید می‌کنند که می‌توانند تأثیری مستقیم بر نرخ حق بیمه یا حتی دسترسی به خدمات بیمه ای داشته باشند (Taylor et al., 2021).

اگرچه استفاده از این روش ها ممکن است دقت ارزیابی‌های بیمه‌ای را افزایش دهد، اما در صورت نبود چارچوب‌های شفاف اخلاقی و حقوقی، می‌توانند منجر به تبعیض آماری، نقض حریم خصوصی و حتی محرومیت ناعادلانه از خدمات شوند. بسیاری از قوانین از جمله مقررات عمومی حفاظت از داده‌ها در اتحادیه اروپا ( GDPR )[22] و مقررات حفاظت از داده‌ها در آمریکا، هنوز پاسخ روشنی به پیچیدگی‌های این نوع تحلیل های ضمنی ندارند.

۴.۲. صنعت سلامت: زمینه‌ساز تبعیض بیمه‌ای

در صنایع درمانی و سلامت، داده‌های پرونده‌های الکترونیکی از اهمیت بالایی برخوردارند. با اینکه اطلاعات هویتی بسیاری از بیماران حذف می‌شود، همچنان می‌توان از طریق ترکیب داده‌های مرتبط با دارو، زمان مراجعه، یا موقعیت مکانی، به وضعیت بیماری، اختلالات ژنتیکی یا سبک زندگی بیماران پی برد  (El Emam & Malin, 2009).

این استنباط‌ها می‌توانند از طریق تبادل داده میان سامانه‌های سلامت و بیمه، به طور غیرمستقیم در محاسبات ریسک بیمه‌گر وارد شوند و باعث افزایش نرخ بیمه یا رد درخواست پوشش بیمه‌ای گردند.Top of Form

۵. سیاست‌گذاری و چارچوب‌های قانونی در مواجهه با ادعاهای افزودنی

با گسترش پدیده «ادعاهای افزودنی » در سیستم‌های داده‌محور، نیاز به سیاست‌گذاری‌های هوشمندانه برای حفاظت از حریم خصوصی افراد، شفاف‌سازی فرآیندهای تصمیم‌گیری خودکار و کنترل استفاده از تحلیل‌های غیرصریح بیش از پیش احساس می‌شود. این نیاز در صنعت بیمه، که به شدت بر تحلیل داده‌ها متکی است، از اهمیت دوچندانی، برخوردار است. در این بخش، دو رویکرد اصلی در حوزه سیاست‌گذاری — مقررات الزام‌آور و مدل‌های خودتنظیمی — با تمرکز بر کاربرد آن‌ها در صنعت بیمه و صنایع هم راستا بررسی می‌شود.

۵.۱. مقررات الزام آور: از جی‌دی‌پی‌آر تا  مقررات هیپا

در سطح جهانی، مهم‌ترین تلاش‌های قانونی برای محدودسازی استفاده غیراخلاقی یا ناآگاهانه از اطلاعات شخصی در قالب مقررات الزام‌آور تبلور یافته‌اند. دو نمونه بارز این مقررات عبارتند از:

· مقررات عمومی حفاظت از داده‌ها (GDPR) در اتحادیه اروپا که از سال ۲۰۱۸ اجرایی شد که بر اصولی نظیر هدف‌مندی پردازش داده‌ها، رضایت آگاهانه کاربران، حق دسترسی و اصلاح داده‌ها و حق فراموشی تأکید دارد (European Parliament, 2016).  در صنعت بیمه، این قوانین باعث شده‌اند تا شرکت‌ها در استفاده از داده‌های ثانویه و تحلیل‌های خودکار، موظف به شفاف‌سازی در فرآیندها و دریافت رضایت صریح باشند — حتی زمانی‌که استنتاج ها از طریق الگوریتم و بدون داده مستقیم انجام می‌شود.

· قانون قابلیت انتقال و پاسخگویی بیمه سلامت (HIPPA - هیپا) [23] در ایالات متحده آمریکا، تمرکز ویژه‌ای بر حفاظت از داده‌های بهداشتی و جلوگیری از افشای ناخواسته یا تحلیل‌های بدون مجوز دارد. با توجه به هم‌پوشانی گسترده صنعت بیمه سلامت با سامانه‌های درمانی، هیپا، الزاماتی را برای بیمه‌گران در خصوص کنترل استفاده از داده‌های کلینیکی و تحلیل‌های ثانویه تعیین کرده است.

این مقررات به ویژه زمانی اهمیت می‌یابند که سامانه‌های بیمه‌ای به طور فزاینده از الگوریتم‌های یادگیری ماشین برای تحلیل داده‌های غیرساختاریافته (مانند تعاملات تلفنی، پیام‌ها یا موقعیت مکانی) استفاده می‌کنند. در چنین شرایطی، بدون چارچوب‌های حقوقی الزام‌آور، احتمال سو استفاده یا تبعیض آماری به شدت افزایش می‌یابد (Wachter et al., 2017).

۵.۲. مدل خودتنظیمی[24]: اخلاق داده به جای اجبار قانونی

در بسیاری از کشورهای دارای اقتصاد باز و فناوری‌محور، برخی صنایع به جای پذیرش کامل مقررات سخت‌گیرانه، به دنبال اجرای مدل‌های خودتنظیمی داوطلبانه هستند. این رویکرد، به ویژه در شرکت‌های بزرگ فناوری مانند اپل و گوگل نمود یافته است که با تدوین کدهای رفتاری داده‌ای، منشورهای اخلاقی هوش مصنوعی و نیز تضمین شفافیت الگوریتمی، تلاش می‌کنند استقلال نوآوری را با مسئولیت‌پذیری اجتماعی ترکیب نمایند.

در صنعت بیمه نیز،  برخی شرکت‌های پیشرو در حوزه فناوری بیمه، چارچوب‌های داخلی برای ارزیابی اثرات اخلاقی تصمیم‌گیری‌های خودکار تدوین کرده‌اند. این چارچوب‌ها شامل موارد ذیل ‌می‌شود:

· محدودسازی استفاده از تحلیل‌های پیش‌بینی‌گر بر داده‌های حساس

· ارزیابی دوره‌ای سوگیری الگوریتم‌ها در تعیین نرخ بیمه

· ایجاد واحدهای مستقل برای نظارت اخلاقی بر مدل‌های هوش مصنوعی

مزیت این مدل آن است که با کاهش فشار مقرراتی، می‌تواند سرعت نوآوری را حفظ نماید و در عین حال، اعتماد عمومی را نیز جلب کند. با این حال، خطر اصلی مدل خودتنظیمی در نبود نظارت بیرونی، عدم‌پاسخ‌گویی مؤثر در صورت بروز نقض حریم خصوصی یا تبعیض‌های نظام‌مند است.

نتیجه‌گیری این بخش

در مجموع، صنعت بیمه برای حفظ تعادل میان دقت در ارزیابی ریسک و حفاظت از حقوق متقاضیان بیمه، ناگزیر از پذیرش چارچوب‌های قانونی الزام‌آور در کنار بهره‌گیری از ظرفیت‌های خودتنظیمی حرفه‌ای است. بهره‌گیری از رویکرد ترکیبی[25] که مسئولیت حقوقی و مسئولیت اخلاقی را باهم در بر می‌گیرد، می‌تواند زمینه‌ساز توسعه پایدار و عادلانه در عصر الگوریتم‌های پیش‌بینی‌گر و داده‌محور باشد.

۶. فناوری‌های نوین با هدف پیشگیری از ادعاهای افزودنی

با پیچیده‌تر شدن سازوکارهای تحلیل داده و گسترش یادگیری ماشین، خطر استخراج ادعاهای پنهان از داده‌های ظاهراً بی‌ضرر افزایش یافته است. این روند به ویژه در صنعت بیمه، که بر تحلیل داده‌های رفتاری، زیستی و اقتصادی متکی است، می‌تواند منجر به تبعیض، نقض حریم خصوصی، و اختلال در عدالت بیمه‌ای شود. در واکنش به این چالش، مجموعه‌ای از فناوری‌های نوین در حال توسعه و پیاده‌سازی است که می‌تواند نقش مؤثری در پیشگیری از استنتاج ناخواسته و کنترل استفاده از داده‌ها ایفا کند. این فناوری‌ها در ادامه معرفی می‌شوند.

۶.۱. زنجیره بلوکی و قراردادهای هوشمند: شفافیت و کنترل داده‌ها

فناوری زنجیره بلوکی با ایجاد ساختارهای توزیع‌شده، غیرقابل تحریف و قابل‌ردیابی، امکان ثبت و مدیریت تراکنش‌های داده‌ای را با سطح بالایی از شفافیت فراهم می‌سازد. در صنعت بیمه، از این فناوری می‌توان برای ثبت ایمن و شفاف داده‌های مشتریان، سوابق ادعاها و تراکنش‌های حساس استفاده نمود.

به علاوه، قراردادهای هوشمند[26]  امکان تعریف و اجرای خودکار شرایط توافقات بیمه‌ای را فراهم می‌سازند، به گونه‌ای که تنها در صورت تحقق شروط مشخص، اطلاعات حساس قابل‌دسترسی خواهد بود. این سازوکارها با محدودسازی دسترسی غیرمجاز به داده‌ها و تعیین مسیرهای واضح برای تحلیل، می‌توانند از تولید ادعاهای پنهان یا سوءبرداشت‌های الگوریتمی جلوگیری نمایند (Christidis & Devetsikiotis, 2016).

در حوزه سلامت نیز، زنجیره بلوکی برای مدیریت ایمن پرونده‌های سلامت و کنترل دسترسی بیمه‌گران به داده‌های بیمار بدون افشای بیش ازحد، کارآمد بوده است.

۶.۲. هوش مصنوعی و پردازش زبان طبیعی :[27]تحلیل محتوا برای کشف ادعاهای نهفته

فناوری پردازش زبان طبیعی ،امکان تحلیل هوشمند پیام‌ها، گزارش‌ها، فرم‌های بیمه‌ای و تعاملات دیجیتال را از منظر وجود ادعاهای ضمنی فراهم می‌سازد. در صنعت بیمه، می‌توان از تحلیل زبان طبیعی برای شناسایی داده‌هایی استفاده کرد که به ظاهر بی‌خطر هستند، اما در ترکیب با سایر داده‌ها می‌توانند اطلاعات حساسی را آشکار سازند.

برای نمونه، بررسی شرح مشتری از حادثه یا سبک نوشتاری فرم‌ها می‌تواند منجر به استنتاج‌هایی درباره وضعیت روحی، موقعیت مکانی یا سبک زندگی وی شود. با آموزش الگوریتم‌های یادگیری نظارت‌شده بر روی مجموعه‌ای از نمونه‌های واقعی، می‌توان این ادعاهای نهفته را به صورت پیشگیرانه شناسایی و کنترل نمود  (Zhang et al., 2020).

این رویکرد در سایر صنایع نیز مورد استفاده قرار گرفته است، مانند تحلیل نظرات کاربران در بن‌سازه‌های فروش به منظور تشخیص تمایلات سیاسی یا جنسیتی پنهان.

۶.۳. حریم خصوصی تفاضلی و رمزنگاری پیشرفته: حفاظت از داده بدون افشا

یکی از نوآورانه‌ترین روش‌های پیشگیری از ادعاهای افزودنی، بهره‌گیری از حریم خصوصی تفاضلی است. این روش، امکان تحلیل آماری داده‌ها را بدون افشای اطلاعات شخصی افراد فراهم می‌کند، به گونه‌ای که خروجی نهایی، تفاوت محسوسی در صورت وجود یا عدم وجود یک فرد خاص در مجموعه داده نخواهد داشت  (Dwork, 2008).

در صنعت بیمه، این مفهوم می‌تواند در توسعه مدل‌های کلان داده‌ای با هدف پیش‌بینی ریسک جمعیتی، بدون ایجاد ادعاهای نهفته درباره افراد خاص، بسیار سودمند باشد.

همچنین، فناوری رمزنگاری هم‌ریخت[28] به الگوریتم‌ها اجازه می‌دهد تا بر روی داده‌های رمزنگاری‌شده عملیات انجام دهند، بدون آنکه نیاز به رمزگشایی آن‌ها باشد. در نتیجه، بیمه‌گر می‌تواند تحلیل‌های خود را انجام دهد، در حالی که اطلاعات شناسایی‌کننده هیچ‌گاه افشا نشود (Gentry, 2009) . این شیوه، به ویژه در همکاری‌های میان‌سازمانی یا انتقال داده بین بیمه‌گر و بیمارستان‌ها، کاربرد چشمگیری دارد.

۷. تحلیل موردی: شرکت بیمه دیجیتال تهران پوشش

۷.۱. معرفی شرکت و زمینه فعالیت

شرکت بیمه فرضی «تهران پوشش» از جمله شرکت‌های پیشرو در زمینه فناوری بیمه در ایران است که از سال ۱۴۰۱ با هدف تحول دیجیتال در خدمات بیمه‌ای فعالیت خود را آغاز کرده است. این شرکت با بهره‌گیری از فناوری‌های نوینی همچون یادگیری ماشین، کلان داده و تحلیل رفتاری، تلاش دارد تا ارزیابی ریسک، قیمت‌گذاری حق بیمه و مدیریت خسارت را به صورت خودکار و دقیق‌تر انجام دهد.

در سال ۱۴۰۳، این شرکت طرحی را موسوم به «تحلیل سبک زندگی بیمه‌گزاران» راه‌اندازی کرد که هدف آن، پیش‌بینی ریسک بیمه‌نامه ‌ای عمر و سلامت از طریق داده‌های غیرسنتی بود.

۷.۲. اقدام مسئله‌ساز: استفاده از داده‌های رفتاری و مکانی

در این طرح، «تهران پوشش» با تحلیل داده‌هایی همچون موقعیت جغرافیایی محل زندگی، ساعات فعالیت برخط در اپلیکیشن، میزان مراجعه به باشگاه‌های ورزشی یا مراکز درمانی، نوع تغذیه تخمینی[29] (بر اساس خریدهای ثبت شده در برنامه‌های همکاری)، به الگوریتم‌هایی دست یافت که می‌توانستند احتمال ابتلا به بیماری‌های مزمن مانند دیابت نوع ۲، افسردگی یا بیماری قلبی را پیش‌بینی کنند. این پیش بینی‌ها به صورت مستقیم در تعیین نرخ حق بیمه عمر و سلامت مشتریان جدید لحاظ شد — بدون آن که مشتری از وجود این تحلیل‌ها مطلع باشد یا فرصت اعتراض به نتایج الگوریتم داشته باشد.

۸. پیامدهای اجتماعی و اخلاقی

ادعاهای افزودنی علاوه بر جنبه‌های فنی و قانونی، تبعات اجتماعی و اخلاقی نیز در پی دارند:

• ایجاد بی‌اعتمادی عمومی: کاربران ممکن است به دلیل احساس استخراج اطلاعات نهفته، اعتماد خود را به سامانه‌ها از دست بدهند.

• تبعیض الگوریتمی: الگوریتم‌هایی که از داده‌های پنهان استفاده می‌کنند، ممکن است به تبعیض نژادی، جنسیتی یا طبقاتی منجر شوند.

• نقض کرامت انسانی: تحلیل های غیرمجاز می‌تواند حریم روانی و حیثیتی افراد را تهدید کند، حتی علیرغم این‌که اطلاعات قانونی باشند.

۹. نتیجه‌گیری و پیشنهادها

ادعاهای افزودنی، به عنوان تهدیداتی پنهان اما پرخطر، نیازمند رویکردی چندبُعدی هستند. سازمان‌ها باید ترکیبی از فناوری، آموزش، سیاست‌گذاری و اخلاق حرفه‌ای را برای کنترل آن‌ها به کار گیرند. توصیه‌های کلیدی برای آینده عبارتند از:

• پیاده‌سازی مدل‌های تبیین‌پذیر[30] در هوش مصنوعی؛

• ارتقاء سواد داده‌ای مدیران؛

• تدوین دستورالعمل‌های صریح در مورد تحلیل‌های زمینه‌ای؛

• تقویت چارچوب‌های نظارتی داخلی؛

• استفاده ترکیبی از رمزنگاری، زنجیره بلوکی و هوش مصنوعی.

با اجرای این پیشنهادها، می‌توان زمینه‌ای برای مدیریت هوشمندانه ادعاهای افزودنی و افزایش اعتماد عمومی به سامانه‌های داده‌محور ایجاد کرد.

منابع

• Christidis, K., & Devetsikiotis, M. (2016). Blockchains and smart contracts for the internet of things. IEEE Access, 4, 2292–2303.

•   Denning, D. E. (1982). Cryptography and data security. Addison-Wesley.

• Diffie, W., & Hellman, M. E. (1976). New directions in cryptography. IEEE Transactions on Information Theory, 22(6), 644–654.

•   Dwork, C. (2008). Differential privacy: A survey of results. In M. Agrawal, D. Du, Z. Duan, & A. Li (Eds.), Theory and applications of models of computation (pp. 1–19). Springer.

•   El Emam, K., & Malin, B. (2009). Anonymizing data for privacy-preserving data mining. ACM Computing Surveys, 41(4), 1–59.

•   European Parliament and Council of the European Union. (2016). General Data Protection Regulation (GDPR), Regulation (EU) 2016/679.

•   Gentry, C. (2009). Fully homomorphic encryption using ideal lattices. In Proceedings of the 41st Annual ACM Symposium on Theory of Computing (STOC ’09) (pp. 169–178). ACM.

• HIPAA. (1996). Health Insurance Portability and Accountability Act of 1996, Public Law 104-191.

•   IBM Security. (2021). Cost of a Data Breach Report 2021.

•   Schneier, B. (2000). Secrets and lies: Digital security in a networked world. John Wiley & Sons.

•   Sweeney, L. (2002). k-anonymity: A model for protecting privacy. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(5), 557–570.

•   Taylor, L., Floridi, L., & van der Sloot, B. (2021). Group privacy: New challenges of data technologies. Philosophy & Technology, 34, 1–5.

•   Wachter, S., Mittelstadt, B., & Floridi, L. (2017). Why a right to explanation of automated decision-making does not exist in the general data protection regulation. International Data Privacy Law, 7(2), 76–99.

•   Zhang, Y., Chen, M., Mao, S., & Leung, V. C. M. (2020). Data-driven AI technologies for smart cities. IEEE Transactions on Industrial Informatics, 16(12), 7756–7767.

نکته: بخشی از این اثر با کمک چت‌جی‌پی‌تی تهیه شده است.