孕妇自白:我如何在大数据前隐藏自己怀孕的事实
Janet Vertesi是普林斯顿大学社会学研究的一名副教授,在她怀孕的九个月里她尽量在网上隐藏自己怀孕的事实——结果证明并不容易。
对于商家来说,孕妇是摇钱树。孕妇决定使用好奇还是帮宝适会决定日后的长期消费习惯,这是一大笔钱。Vertesi说,如果普通人的营销数据价值10美分,孕妇的可以高达1.5美元。而且定向广告一旦发现孕妇,就不会轻易松手。
Vertesi在周五布鲁克林举办的Theorizing the Web大会上阐述了自己是如何隐匿怀孕的事实的,她在这九个月里遇到的困难和经历对数据收集机器人和Cookies的整体政治 社交影响都很有意义。“我的故事是关于大数据,但是是从下至上,”她说,“从个人角度分析如何避免自己的信息被收集、被跟踪、被植入数据库。”
首先Vertesi确保自己绝对不会在社交网络上公布自己怀孕的消息,这也是市场信息收集的最大来源。她直接打电话或用电子邮件告诉家人怀孕的好消息,同时也告诉他们不要在脸书上发布任何有关她怀孕的消息。她的伯父因为在脸书上给她发了一封祝贺私信被她取消关注。
所有和怀孕相关的商品她全部用现金支付,所以也不会有任何信息通过信用卡或店铺会员卡泄露出去。有些商品她很想在网上买怎么办?她用私人服务器注册了一个电子邮件地址,用这个电子邮件地址注册了Amazon账号,所有的包裹会快递到当地一家储物服务商,支付时只用Amazon礼品卡,都是她用现金购买的。
“终于,我今天站在这里应该颁给我Tor最具创意用途奖。”
她坦言隐匿自己怀孕的消息还是多亏了匿名网络工具Tor,因为Tor是唯一能够完全避免浏览器追踪的办法,虽然Tor的口碑不是很好,但是Vertesi还是靠Tor在BabyCenter.com上买到了自己需要的商品。
Vertesi说要避开广告的袭击和传统的消费主义攻势,给她带来了许多麻烦。有一次她的丈夫去药店买500美元Amazon的礼品卡来买一辆婴儿推车,但是药店收银员说他买的数额过大,根据法律要求,必须将交易信息上报当局。
Vertesi说自己偷偷摸摸买婴儿用品的行为好像在犯罪。Vertesi认为我们应该可以对交给商家的信息做出选择。但是Vertesi研究小组的同事,也是Facebook的数据科学家Winter Mason在今天这种想法已经不太可能。
原文发布时间为:2014-05-04
本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号
相关文章
- MySQL 复制表结构和表数据
- spring学习笔记(17)数据库配置[1]spring数据连接池详解
- 【华为云技术分享】云图说|第三方云厂商数据如何迁移至华为云OBS?真相在这里......
- iOS开发之网络数据解析(一)--JSON解析简介
- 【系统架构】如何解决热点数据更新问题
- mysql之workbench如何只导出(insert语句)数据
- 使用SqlAlchemy时如何方便的取得dict数据、dumps成Json
- 没有基础,如何成为数据分析师?
- 人们应该如何理性认识大数据
- 在大数据时代,我们需要数据售货员
- java hibernate Criteria 删除数据 delete data 2种方法
- data.frame类型数据如何将第一列值替换为行号
- 大数据基础之HDFS
- 如何在SAP里创建configurable material物料主数据
- 如何创建自己的SAP CRM产品主数据search scenario
- Cloud for Customer work center的数据是如何从ABAP Netweaver返回给前端的
- 从SAP客户主数据里直接创建商机(Opportunity)
- 如何使用 Node.js 访问 SAP HANA Cloud 数据库里的数据
- 如何从WebSocket服务器收到的数据判断出有哪些客户端需要广播
- TF之Transformer:基于tensorflow和Keras框架(特征编码+Tokenizer处理文本+保存模型)针对UCI新闻数据集利用Transformer算法实现新闻文本多分类案例
- Python数据分析项目:分析世界五百强企业数据
- 如何使用小数据集对大模型进行微调(迁移学习)-微迁移
- 基于灰狼算法优化的Elman神经网络数据预测
- 130:vue+openlayers 加载中国边界JSON数据(EPSG:4326)
- python 私有和保护成员变量如何实现?—— "单下划线 " 开始的成员变量叫做保护变量,意思是只有类实例和子类实例能访问到这些变量;" 双下划线 " 开始的是私有成员,意思是只有类对象自己能访问,连子类对象也不能访问到这个数据
- HTTP请求方法之POST请求的三种常见数据提交格式
- Swin-Transformer 图像分割实战:使用Swin-Transformer-Semantic-Segmentation训练ADE20K数据集(语义分割)
- Faster RCNN网络源码解读(Ⅲ) --- 如何搭建自己的数据集
- 基于深度学习的三维重建(一):三维重建简介、patchmatchNet环境部署、用colmap如何测试自己的数据集