Big Data, Bad Data: Kan EU's Databeskyttelsesforordning Imødegå Udfordringerne fra Big Data?
Oversat titel
Big Data, Bad Data?
Forfatter
Mikkelsen, Nicklas Møller
Semester
4. semester
Uddannelse
Udgivelsesår
2017
Antal sider
112
Resumé
Afhandlingen undersøger, hvilke udfordringer big data skaber for databeskyttelsen i EU, og om EU’s databeskyttelsesforordning (GDPR) kan imødegå disse udfordringer, eller om den allerede er forældet ved sin ikrafttræden. Med udgangspunkt i en historisk ramme for EU’s databeskyttelse kortlægges big datas skyggeside: øget datavejledning (dataveillance), sekundære anvendelser, profilering, weblining, den “sorte boks” i algoritmiske systemer samt trusler mod datasikkerhed, ligesom traditionelle værn som oplysning/samtykke, opt‑out og anonymisering udhules. På baggrund af teoretiske perspektiver udvikles en fempunktsmodel med strategierne: privacy through accountability, foranstaltninger mod big data‑forudsigelser, åbning af big datas sorte boks, featurization af big data og redefinering af personoplysningsbegrebet. En dokumentanalytisk indholdsanalyse af GDPR vurderer, i hvilket omfang disse strategier afspejles i forordningen. Analysen finder, at to strategier – foranstaltninger mod forudsigelser og featurization – er indarbejdet, mens accountability kun delvist er til stede, og hverken åbning af den sorte boks eller redefinering af personoplysningsbegrebet kan identificeres. Konklusionen er, at selv om GDPR på flere punkter styrker databeskyttelsen, efterlader den centrale spørgsmål ubesvarede og fremstår utilstrækkelig over for big data‑udfordringerne, med risiko for at blive indhentet af den teknologiske udvikling.
This thesis examines the challenges big data poses for data protection in the EU and whether the General Data Protection Regulation (GDPR) can address them or is already outdated at the time of application. Building on the evolution of EU data protection, it maps big data’s darker side: expanded dataveillance, secondary uses, profiling, weblining, the algorithmic “black box,” and data security threats, alongside the erosion of traditional safeguards such as notice and consent, opt‑out, and anonymization. Drawing on theoretical perspectives, the study develops a five‑point model comprising: privacy through accountability, measures against big data predictions, opening the black box, featurization of big data, and redefining the concept of personal data. A document‑analytical content analysis of the GDPR assesses how far these strategies are reflected in the regulation. The analysis indicates that two strategies—measures against predictions and featurization—are incorporated, accountability is only partially present, and neither opening the black box nor redefining personal data is identifiable. The thesis concludes that while the GDPR strengthens protection in several respects, it leaves key questions unanswered and is insufficient to counter big data challenges, risking being overtaken by technological developments.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet (PDF)]
Emneord