每個(gè)人都有不厭其煩突然爆發(fā)的時(shí)候。受不了。監(jiān)聽聊天內(nèi)容，上傳地理信息，搜什么廣告就立刻跟著推送……Facebook你XX，Twitter我去▇▇。社交應(yīng)用統(tǒng)統(tǒng)滾蛋，再次做一個(gè)人吧。

可悲的是，根據(jù)一項(xiàng)新的研究，即便物理斷網(wǎng)，也無法保護(hù)自己的隱私。

佛蒙特大學(xué)的研究人員發(fā)現(xiàn)，通過您所處的社交圈子——您與之互動(dòng)的網(wǎng)絡(luò)好友——甚至可以比您自己以前發(fā)布在網(wǎng)絡(luò)上的內(nèi)容，更能揭示出您的各種信息。

他們的論文中寫道：“只需分析目標(biāo)個(gè)體的8-9個(gè)網(wǎng)絡(luò)好友，就能拼湊出足夠精確的信息——等效于直接分析目標(biāo)本身。我們的結(jié)果具有明顯的隱私寓意：個(gè)人信息如此強(qiáng)烈地嵌入到社交網(wǎng)絡(luò)中，原則上，即使個(gè)體脫離了平臺(tái)，也可以將個(gè)人放到其可用的社交關(guān)系中進(jìn)行分析?！?/p>

為了分析社交回音現(xiàn)象的可預(yù)測(cè)性，該團(tuán)隊(duì)選出了13905名Twitter用戶的超過3000萬條公共推文。

龐大的數(shù)據(jù)集通過被稱為信息理論估算器的計(jì)算機(jī)系統(tǒng)——這是一種機(jī)器學(xué)習(xí)形式，通過帖子中的語言數(shù)據(jù)進(jìn)行篩選，同時(shí)參考用戶活動(dòng)的時(shí)間順序——進(jìn)行分析。

利用這些數(shù)據(jù)，研究人員確定了927個(gè)“自我網(wǎng)絡(luò)”，每個(gè)網(wǎng)絡(luò)代表一個(gè)用戶(自我)和他們最常提到的15個(gè)Twitter聯(lián)系人(改變者)。

在這些自我網(wǎng)絡(luò)中，具有學(xué)習(xí)能力的算法，能夠預(yù)測(cè)出“自我”以后發(fā)布的大約60％的內(nèi)容。

這個(gè)數(shù)字可能聽起來不太可怕，但顯然比靠投硬幣做決策好多了；它反映出，我們無意中在社交網(wǎng)絡(luò)上泄露了大量的個(gè)人信息。

現(xiàn)在，該團(tuán)隊(duì)表示60％的可預(yù)測(cè)性是他們的方法所能達(dá)到的上限，但令人驚訝的是，一旦你將“自我”先前的推文從數(shù)據(jù)集中刪除——并且只給算法輸入“改變者”所說的內(nèi)容——可預(yù)測(cè)性只會(huì)下降到57％左右。

換句話說，即使你根本不在某個(gè)特定的社交媒體平臺(tái)上，機(jī)器學(xué)習(xí)系統(tǒng)也能夠借由其他人拼湊出你的“影子形象”，這種影像來自于你最近和最親愛的人所泄露出的大量只言片語。

如維也納醫(yī)科大學(xué)的計(jì)算機(jī)科學(xué)家David Garcia(他的研究方向相同，但沒有參與這項(xiàng)研究)所說，在保護(hù)隱私方面，這些令人敬畏的預(yù)測(cè)能力使現(xiàn)行的游戲規(guī)則面目全非。

“雖然我們知道從個(gè)人的公開信息中能分析出很多隱秘的內(nèi)容，同時(shí)這也使得保護(hù)隱私的法規(guī)捉襟見肘，但是大規(guī)模陰影輪廓描摹和社會(huì)形態(tài)推理的可能性指向了更嚴(yán)重的問題。考慮到信息會(huì)從他人處流出，我們不要以為個(gè)人遵從了保護(hù)隱私安全的指導(dǎo)意見就萬事大吉，而應(yīng)該建設(shè)全隱私模式的網(wǎng)絡(luò)結(jié)構(gòu)?！?/p>

該研究結(jié)果發(fā)表在Nature Human Behavior上。

本文譯自 sciencealert，由譯者 majer 基于創(chuàng)作共用協(xié)議(BY-NC)發(fā)布。