À une époque où la confidentialité des réseaux sociaux - ou son absence - fait la une des journaux, deux chercheurs de Stanford ont des conclusions qui donnent à réfléchir sur la façon dont les données personnelles deviennent de plus en plus difficiles à cacher si nous avons une présence publique en ligne.

Dans un article publié ce mois-ci dans Nature Comportement Humain , Johan Ougander, professeur assistant en sciences de gestion et ingénierie, et Kristen Altenburger, un doctorat étudiant dans son laboratoire, ont montré qu'il existe plus de moyens qu'on ne le pensait auparavant pour révéler des traits démographiques que les gens pourraient essayer de dissimuler. Ce travail s'appuie sur l'un des principaux fils conducteurs de la recherche sur la protection de la vie privée, qui est de comprendre comment les différents traits sont corrélés.

L'article de Stanford est basé sur des bases de données mises à disposition spécifiquement pour la recherche. Ceux-ci reflètent les types d'informations que les sites Web mettent à la disposition des annonceurs ou révèlent à des groupes extérieurs lorsque des personnes autorisent des tiers à accéder à leurs profils sociaux. Compte tenu de la prévalence de telles données, les chercheurs ont cherché à mieux comprendre quelles sortes d'inférences statistiques pourraient finir par révéler des traits que les gens ont cherché à dissimuler.

« Dans les données sociales, certaines choses sont plus prévisibles que d'autres, " a déclaré Ugander. "Nous avons entrepris d'étudier la relation entre les réseaux d'amis et la prévisibilité, et a fini par découvrir un mécanisme d'inférence qui n'avait pas été remarqué auparavant."

Niveaux d'inférence

Au niveau le plus simple, les gens révèlent des informations sur eux-mêmes en fonction de leur comportement en ligne. Si une personne achète des couches en ligne, par exemple, ils ont probablement un bébé. C'est une déduction directe.

Une deuxième forme d'inférence est basée sur l'observation de nos amis, ou inférence indirecte. Les chercheurs qui ont étudié les relations avec les médias sociaux ont découvert que nous avons tendance à nous lier d'amitié avec des personnes à peu près du même âge, la race et les convictions politiques. Donc même si une personne ne révèle pas son âge, race ou opinions politiques, ces traits sont facilement et précisément déduits des études d'amitié. Les chercheurs appellent cette tendance l'homophilie, qui vient des mots grecs pour l'amour de la similitude.

Mais tous les traits inconnus ne sont pas faciles à prédire à l'aide d'études d'amis. Genre, par exemple, présente ce que les chercheurs appellent une homophilie faible dans des contextes en ligne.

"Si une personne inconnue dans un réseau social a principalement des amis masculins, il y a presque autant de chances qu'ils soient des femmes, ou vice versa, " a déclaré Altenburger.

Amis d'amis

Les nouvelles recherches du groupe montrent qu'il est possible de déduire certains traits cachés – le sexe étant le premier – en étudiant les amis de nos amis.

Cette technique fonctionne parce qu'Ugander et Altenburger ont décrit une nouvelle structure sociale qu'ils appellent la monophilie, Grec pour "l'amour d'un, " où les gens ont des préférences extrêmes pour les traits mais pas nécessairement leur propre trait. " Par exemple, " Ougander a dit, « en moyenne, il se peut que les hommes n'aient pas une nette préférence pour les amis masculins ou féminins, mais cette moyenne peut masquer le fait que certains hommes ont de fortes préférences pour les amis masculins tandis que d'autres ont de fortes préférences pour les amies féminines."

Ils constatent que lorsqu'il y a de la monophilie dans un réseau, il devient possible de prédire les traits des individus à partir des amis des amis, même dans les situations où il n'y a pas d'homophilie.

L'équipe de Stanford s'est appuyée sur des ensembles de données de réseau standard largement étudiés par les universitaires. Ces ensembles de données cartographient les réseaux d'amitié et contiennent des informations complètes sur tous les traits de tous les traits individuels, y compris le genre. Les chercheurs ont ensuite effacé les données de genre pour certains individus, créer des inconnues artificielles, puis ils ont utilisé leur analyse des « amis d'amis » pour voir s'il pouvait faire une prédiction.

"C'est un problème de remplissage, " dit Ugander. " Et même si nous constatons que vos amis n'ont pas tendance à prédire votre sexe, les personnes avec lesquelles ces amis choisissent de s'associer, tes amis d'amis, ont tendance à vous ressembler davantage que même vos amis. »

Les chercheurs ont déclaré que la puissance de leur nouvelle perspective, de regarder les amis de nos amis, souligne l'importance de protéger les données du réseau des mains indiscrètes. Toute solution de politique visant à préserver la confidentialité du réseau devra tenir compte des informations contenues parmi les amis de ses amis. Ils réappliquent maintenant leur technique à d'autres inconnus pour voir ce que les amis d'amis pourraient révéler d'autre.

"Nous ne savons pas quoi d'autre pourrait être révélé de cette façon, " Ougander a dit, ajoutant :"Malheureusement, il semble que le domaine de la confidentialité du réseau soit encore plus petit que ce que nous pensions auparavant."