Les données recueillies auprès de connaissances et même d’inconnus peuvent prédire votre position

Les données recueillies auprès de connaissances et même d'inconnus peuvent prédire votre position

Entropie et prévisibilité dans les quatre ensembles de données sur la mobilité. UN La distribution de l’entropie SUN (Eq. 1) pour chacun des quatre ensembles de données. B La distribution correspondante de prévisibilité ΠUN, calculé en inversant l’Eq. 2, nous indique dans quelle mesure un algorithme idéal peut prédire l’emplacement futur d’un individu compte tenu de son historique de mobilité. Crédit: Communication Nature (2022). DOI : 10.1038/s41467-022-29592-y

Les données sur nos habitudes et nos mouvements sont constamment collectées via des applications de téléphonie mobile, des trackers de fitness, des journaux de cartes de crédit, des sites Web visités et d’autres moyens.

Mais si nous désactivons le suivi des données sur nos appareils, ne sommes-nous pas introuvables ?

Non, selon une nouvelle étude.

“Désactiver vos données de localisation ne vous aidera pas entièrement”, déclare Gourab Ghoshal, professeur agrégé de physique, de mathématiques et d’informatique et boursier Stephen Biggar ’92 et Elizabeth Asaro ’92 en science des données à l’Université de Rochester.

Ghoshal, rejoint par des collègues de l’Université d’Exeter, de l’Université fédérale de Rio de Janeiro, de l’Université du Nord-Est et de l’Université du Vermont, a appliqué des techniques de la théorie de l’information et de la science des réseaux pour découvrir à quel point les données d’une personne pouvaient être étendues. Les chercheurs ont découvert que même si les utilisateurs individuels désactivaient le suivi des données et ne partageaient pas leurs propres informations, leurs schémas de mobilité pouvaient toujours être prédits avec une précision surprenante sur la base des données collectées auprès de leurs connaissances.

“Pire”, dit Ghoshal, “presque autant d’informations latentes peuvent être extraites de parfaits inconnus avec lesquels l’individu a tendance à cohabiter”.

Les chercheurs ont publié leurs découvertes dans Communication Nature.

La preuve irréfutable : votre « réseau de colocation »

Les chercheurs ont analysé quatre ensembles de données : trois ensembles de données de réseaux sociaux basés sur la localisation composés de millions de vérifications sur des applications telles que Brightkite, Facebook et Foursquare, et un enregistrement de données d’appel contenant plus de 22 millions d’appels de près de 36 000 utilisateurs anonymes.

Ils ont développé un réseau de « colocation » pour distinguer les schémas de mobilité de deux groupes de personnes :

  • les personnes qui sont socialement liées à un individu, comme les membres de la famille, les amis ou les collègues
  • les personnes qui ne sont pas socialement liées à un individu, mais qui se trouvent à un endroit au même moment que l’individu. Il peut s’agir de personnes travaillant dans le même immeuble mais avec des entreprises différentes, de parents dont les enfants fréquentent les mêmes écoles mais qui ne se connaissent pas ou de personnes qui font leurs courses dans la même épicerie.

En appliquant la théorie de l’information et des mesures d’entropie – le degré d’aléatoire ou de structure dans une séquence de visites de lieux – les chercheurs ont appris que les schémas de déplacement des personnes socialement liées à un individu contiennent jusqu’à 95% des informations nécessaires pour prédire que les schémas de mobilité des individus. Cependant, encore plus surprenant, ils ont découvert que des étrangers non liés socialement à un individu pouvaient également fournir des informations importantes, prédisant jusqu’à 85% des mouvements d’un individu.

“Un récit édifiant”

La capacité de prédire l’emplacement d’individus ou de groupes peut être bénéfique dans des domaines tels que l’urbanisme et la lutte contre les pandémies, où la recherche des contacts basée sur les schémas de mobilité est un outil clé pour arrêter la propagation de la maladie. En outre, de nombreux consommateurs apprécient la capacité de l’exploration de données à proposer des recommandations personnalisées pour les restaurants, les émissions de télévision et les publicités.

Cependant, dit Ghoshal, l’exploration de données est une pente glissante, en particulier parce que, comme l’ont montré les recherches, les personnes partageant des données via des applications mobiles peuvent involontairement fournir des informations sur les autres.

“Nous proposons un récit édifiant selon lequel les gens devraient être conscients de l’étendue de leurs données”, dit-il. “Cette recherche a de nombreuses implications pour les problèmes de surveillance et de confidentialité, en particulier avec la montée des impulsions autoritaires. Nous ne pouvons pas simplement dire aux gens d’éteindre leur téléphone ou de se déconnecter du réseau. Nous devons avoir des dialogues pour mettre en place des lois. et des lignes directrices qui régissent la façon dont les personnes qui collectent vos données les utilisent.”


Les chercheurs développent un outil de modélisation très précis pour prédire le risque localisé de COVID-19


Plus d’information:
Zexun Chen et al, Sources sociales et non sociales contrastées de prévisibilité dans la mobilité humaine, Communication Nature (2022). DOI : 10.1038/s41467-022-29592-y

Fourni par l’Université de Rochester

Citation: Les données recueillies auprès de connaissances et même d’inconnus peuvent prédire votre position (13 avril 2022) récupéré le 13 avril 2022 sur https://techxplore.com/news/2022-04-acquaintances-strangers.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.