Все данные, используемые в исследовании, должны быть собраны с явного, информированного согласия участников. Это означает, что каждый человек, чьи данные используются, должен знать, как и для чего они будут обработаны, а также какие ИИ-инструменты будут применяться.

Например, если вы используете данные респондентов для обучения модели, необходимо убедиться, что участники исследования дали согласие на их использование в контексте ИИ-технологий, а не только для традиционного анализа.

Исследователи должны собирать только те данные, которые необходимы для достижения целей исследования, т. е. следует избегать сбора избыточной информации, которая не имеет прямого отношения к исследованию. Например, если для исследования поведения пользователей достаточно обобщенных данных о возрасте и регионе проживания, сбор дополнительных сведений (например, об уровне дохода или точном адресе) будет избыточным.

Перед передачей данных для обработки ИИ алгоритмами необходимо их обезличить (анонимизировать). Обезличивание предполагает удаление всех признаков, которые могут позволить идентифицировать личность человека — таких, как имя, адрес, номер телефона или другие уникальные данные. Псевдонимизация, в свою очередь, предполагает замену идентифицирующих данных на псевдонимы или коды, которые могут быть расшифрованы только при наличии специального ключа. Эти методы особенно важны при использовании ИИ, так как они снижают риск идентификации личности в случае утечки данных.

Защита персональных данных должна быть обеспечена на всех этапах работы с ними: от сбора и хранения до обработки и анализа. Это включает использование шифрования данных, защищенных каналов передачи информации, а также регулярное обновление программного обеспечения для предотвращения кибератак. При использовании ИИ важно также учитывать, что модели машинного обучения могут быть уязвимы к атакам, направленным на извлечение данных, поэтому необходимо применять методы защиты, такие как дифференциальная приватность.

Исследователь обязан подробно описать, как именно обрабатываются персональные данные, какие алгоритмы ИИ используются и какие меры безопасности применяются для защиты информации. Это необходимо для обеспечения доверия со стороны участников исследования и коллег-ученых. Например, в отчете об исследовании следует указать, что данные были зашифрованы перед передачей на сервера для обработки, а ИИ-модель обучалась исключительно на обезличенных данных.

Исследователь должен подробно описать все этапы работы, включая сбор данных, предобработку, выбор модели, обучение и оценку результатов, что включает указание параметров модели, используемых библиотек и версий программного обеспечения.

Для обеспечения воспроизводимости рекомендуется публиковать не только результаты исследования, но и исходные данные, а также код, использованный для анализа. Применение стандартных методов и инструментов, таких как библиотеки машинного обучения (например, scikit-learn, TensorFlow, PyTorch), упрощает воспроизведение результатов. Такой подход позволяет другим исследователям повторить эксперимент и лучше понять, как был проведен анализ.

Кросс-валидация — это метод, который позволяет оценить устойчивость модели к различным наборам данных. Проведение кросс-валидации помогает убедиться, что результаты не являются случайными и могут быть воспроизведены на других данных.