早期的人体实验是科学家们为了全人类的利益，不顾受试者个人的福利，一心只想推动医学的发展。这些实验通常由白人科学家在黑人实验对象身上进行。在本单元中，我们将讨论有关知情同意原则的法律。我们还将讨论为什么知情同意不能很好地用于回顾性研究或电子商务的客户。

谁拥有关于您的数据？我们将在本模块中探讨这个问题。个人数据的几个例子包括传记的版权、网上发布照片的所有权、Yelp、Trip Advisor、公共数据采集和数据销售。我们还将探讨记录和使用数据的限制。

隐私是人类的基本需求。隐私意味着控制自己信息的能力，而不一定是隐藏事物的能力。在隐私问题上，我们看到了不同价值体系的兴起。例如，现在的孩子更倾向于在社交媒体上分享个人信息。因此，虽然价值观正在发生变化，但这并没有消除控制个人信息的基本需求。在本单元中，我们将研究我们所获得的服务与我们作为交换而提供的数据之间的关系：例如，手机定位。我们还将对比 "数据 "和 "元数据"。

某些交易可以匿名进行。但许多交易不能匿名，包括有实物交付的交易。我们将研究的与匿名交易有关的两个例子是 "区块链 "和 "比特币"。我们还将了解匿名交易的一些缺点。

数据有效性并不是一个新问题。我们经常看到，数据科学方法的不当使用会导致错误的结论。本模块用适合统计学知识有限的学生的语言指出常见错误。我们将重点讨论代表性样本的概念：例如，有主见的客户并不一定代表所有客户。

还有什么比数据驱动的分析更公平呢？傻瓜计算机当然不会怀有偏见或成见。鉴于假设、模型、训练数据等因素，分析技术的确可能是完全中立的，但所有这些边界条件都是由人类设定的，人类可能会在分析结果中反映出自己的偏见，甚至可能无意中这样做。直到最近，人们才开始思考算法决策是如何变得不公平的。请看这篇发表在《纽约时报》上的文章。本模块将讨论这一前沿问题。

在模块 8 中，我们将考虑即使不存在公平性、有效性、匿名性、隐私性、所有权或人体研究等问题，我们也应该关注的数据科学的社会后果。这些 "系统性 "问题往往最难解决，但与之前讨论的其他问题一样重要。例如，我们考虑了僵化问题，即算法方法学习和编纂世界现状的趋势，从而使其更难改变。长期以来，信息不对称一直被利用，对某些人有利，对另一些人则不利。信息技术使信息传播更加容易，从而普遍减少了信息不对称。然而，大数据集和复杂的分析增加了不对称，有利于那些有能力获得/获取信息的人。

最后，在第 9 单元中，我们将把所有考虑过的问题归纳为一个简单的、两点式的从业人员道德准则。

本模块包含整个课程中使用的外部视听资源的出处列表。