Tóm tắt Chương 26: Data Ethics, Data Bias and Professional Scepticism

Môn Sustainability and Ethics (SE), chương 26/27

Data ethics và sáu nguyên tắc

  • Data ethics: các nguyên tắc đạo đức chi phối việc sử dụng, thu thập, quản lý và phổ biến dữ liệu có trách nhiệm; xét dữ liệu lấy từ đâu, xử lý thế nào, ai được tiếp cận, dùng để quyết định gì.
  • AI, blockchain, data analytics: nhanh hơn, chính xác hơn, ít lỗi do con người; nhưng AI có thể vô tình đưa bias vào phân tích, blockchain làm nảy sinh lo ngại về bảo vệ và an toàn dữ liệu.
  • Không có nguồn chuẩn duy nhất; đề thi dùng sáu nguyên tắc: accuracy, transparency, consent, privacy, fairness, accountability.
  • Cân lợi ích với rủi ro: hành động cần để bảo vệ một người khỏi fraud vẫn có thể hợp đạo đức dù có vẻ xâm phạm một nguyên tắc.
  • Data ethics rộng hơn tuân thủ pháp luật: đòi hỏi tư duy đạo đức chủ động, khớp với giá trị xã hội và chuẩn mực của nghề.

Accuracy, transparency và consent

  • Accuracy: dữ liệu đúng, phù hợp, cập nhật, không gây hiểu nhầm; đối chiếu nhiều nguồn, thu thập nhất quán, cập nhật định kỳ; dựa vào dữ liệu bên thứ ba thì giữ inquiring mind; kiểm lại thông tin từ web hay generative AI với nguồn độc lập đáng tin.
  • Transparency: cởi mở, trung thực, rõ ràng về cách thu thập, sử dụng, xử lý, chia sẻ dữ liệu; giải thích phương pháp và tiêu chí, ghi nguồn và giới hạn; công bố giả định, giới hạn, điểm chưa chắc chắn trong báo cáo.
  • Consent: xin phép rõ ràng trước khi thu thập hoặc sử dụng thông tin cá nhân; người đồng ý được thông báo đủ, đồng ý tự nguyện, có quyền từ chối hoặc rút lại bất cứ lúc nào; chỉ dùng trong phạm vi đã cho phép.

Privacy, fairness, accountability và áp dụng

  • Privacy: bảo vệ thông tin cá nhân và thông tin nhạy cảm khỏi truy cập, lạm dụng, tiết lộ trái phép; gồm data minimisation (chỉ thu dữ liệu cần, không lưu lâu hơn cần). Data maximisation không phải nguyên tắc.
  • Fairness: cách dùng dữ liệu không dẫn tới phân biệt đối xử hay kết quả bất công; dùng nguồn đa dạng, đối chiếu chéo, phương pháp trung lập; tính tới mọi stakeholder. Data and AI Ethics Framework của Chính phủ Anh coi việc thúc đẩy fairness là nguyên tắc chính, nhấn mạnh tránh bias và tác động bất công.
  • Accountability: chịu trách nhiệm về xử lý dữ liệu và quyết định dựa trên dữ liệu; ghi nguồn, các bước phân tích, audit trail; data governance policy (vai trò, trách nhiệm, kiểm tra thuật toán, truy nguồn dữ liệu, chief data ethics officer); chủ động thừa nhận và khắc phục khi có sự cố.
  • Áp dụng: thu dữ liệu cá nhân (consent, privacy, transparency); phân tích cho báo cáo thường niên (fairness, transparency, accuracy); dữ liệu lương (consent, privacy); cấp tín dụng, nhận nhà cung cấp (fairness, transparency); lưu hồ sơ (privacy, accountability); điều tra sự cố lộ dữ liệu (accountability, transparency).

Vai trò của kế toán viên

  • Không chấp nhận dữ liệu theo bề ngoài; hỏi ba câu: dữ liệu có chính xác, đáng tin; có được thu thập hợp đạo đức; có bias ẩn không.
  • Chất vấn dữ liệu là thể hiện professional scepticism với inquiring mind: xem xét nguồn, phương pháp, bối cảnh.
  • Sáu lý do chất vấn: giảm rủi ro (hệ thống tự động mang rủi ro mới như nguồn dữ liệu sai), giảm data bias, bảo đảm kết quả đúng và hợp đạo đức, cải thiện quyết định, củng cố niềm tin và data integrity, nhận diện threats gắn với việc sử dụng dữ liệu (đủ hiểu biết, chuyên môn để dùng, giải thích dữ liệu và mức phù hợp với mục đích).

Data bias

  • Data bias: dữ liệu không đại diện cho tổng thể đang phân tích; nằm sẵn trong dữ liệu hoặc do người phân tích đưa vào.
  • Objectivity (ICAEW Code of Ethics): xét đoán không bị tổn hại bởi bias, conflict of interest, hay ảnh hưởng quá mức của, hoặc undue reliance vào, cá nhân, tổ chức, công nghệ, yếu tố khác; phải nhận ra bias mới tuân thủ được objectivity.
  • Sáu loại: selection bias (không đại diện), survivorship bias (dạng của selection: chỉ đối tượng sống sót qua sự kiện), confirmation bias (ưu tiên dữ liệu khớp niềm tin), algorithmic bias (AI học từ dữ liệu lịch sử lệch), omitted variable bias (mô hình thống kê bỏ sót biến), automation bias (tin thông tin do máy tạo dù có thông tin trái chiều).
  • Hậu quả: làm méo phân tích; quyết định sai; hậu quả tài chính, pháp lý cho khách hàng hoặc doanh nghiệp; kết quả bất công, kéo dài bất bình đẳng.
  • Bias có thể xuất hiện ở khâu thu thập, phân tích hoặc diễn giải kết quả.

Professional scepticism với dữ liệu

  • Inquiring mind: luôn sẵn sàng hỏi lại thông tin, đánh giá độ tin cậy, thách thức giả định; cần nhất khi dữ liệu đi qua hệ thống tự động.
  • Professional scepticism là chủ động dò xét dữ liệu, không đọc lướt; không phải coi mọi dữ liệu là sai.
  • Bốn thách thức: dữ liệu thiếu hoặc sai (kiểm tra, đối chiếu, người kiểm tra bất thường phần mềm tìm ra); data bias (kiểm tra đầu vào, kiểm tra định kỳ mô hình AI); nhiều nguồn dữ liệu (xác minh, đối chiếu chéo, điều tra và đối chiếu khớp chênh lệch); quá tải dữ liệu (tập trung dữ liệu liên quan, công cụ quản lý dữ liệu, data visualisation).

Bản đầy đủ gồm

Bài giảng chi tiết, flashcard lặp lại ngắt quãng, ngân hàng câu hỏi luyện thi, lộ trình theo ngày thi và trợ lý AI theo từng chương (có giới hạn). Dùng trọn 1 năm.

690.000đ545.000đdùng 1 năm

Hoàn 100% trong 7 ngày nếu bạn chưa dùng quá 30% khoá học.

Giá ưu đãi early bird 545.000đ

690.000đ545.000đdùng 1 năm
Mua ngay