Missatge d'error

  • Quota Error: profileId ga:74226706 has exceeded the daily request limit.
  • Quota Error: profileId ga:74226706 has exceeded the daily request limit.
  • Quota Error: profileId ga:74226706 has exceeded the daily request limit.
  • Quota Error: profileId ga:74226706 has exceeded the daily request limit.

Quantificar-se per viure a través de les dades: les dades massives (big data) aplicades a l'àmbit personal

 

[Versión castellana]


Aina Giones-Valls

Documentalista
Nubilum

Ferran Giones

Investigador
La Salle - Universitat Ramon Llull

 

Resum

Objectius: aquest article reflexiona sobre el sorgiment dels fenòmens lifelogging i quantified self com una forma de viure a través de les dades personals generades pel mateix usuari. S'analitza la perspectiva social i tecnològica fent èmfasi en la gestió de les dades, i es descriu com els principis de les dades massives (big data) permeten entendre les oportunitats i complexitats que generen aquests fenòmens.

Metodologia: s'ha revisat la bibliografia publicada sobre els fenòmens lifelogging i quantified self des de la seva aparició fins als nostres dies. La recerca bibliogràfica s'ha fet mitjançant bases de dades bibliogràfiques pels articles i cercadors generalistes per a la informació dels productes i aplicacions, així com per les notícies d'actualitat aparegudes a la premsa local i internacional.

Resultats: el resultat és una taxonomia d'usos, aplicacions i eines de lifelogging i quantified self. Es conclou que un factor determinant en la seva evolució serà la capacitat de generar informació de "qualitat" a partir de les dades generades per l'usuari. En els dos casos es veu necessari establir estàndards i protocols que permetin una estructuració, gestió i anàlisi de les dades per tal d'optimitzar els potencials impactes positius que pot generar el fenomen del quantified self a la societat.

Resumen

Objetivos: este artículo reflexiona sobre el surgimiento de los fenómenos lifelogging y quantified self como una forma de vivir a través de los datos personales generados por el propio usuario. Se analizan la perspectiva social y tecnológica haciendo énfasis en la gestión de los datos, y se describe cómo los principios de la inteligencia de datos (big data) permiten entender las oportunidades y complejidades que generan estos fenómenos.

Metodología: se ha revisado la bibliografía publicada sobre los fenómenos lifelogging y quantified self desde su aparición hasta nuestros días. La búsqueda bibliográfica se ha realizado en bases de datos bibliográficas para los artículos y mediante buscadores generalistas para la información de los productos y aplicaciones, así como para las noticias de actualidad aparecidas en la prensa local e internacional.

Resultados: el resultado es una taxonomía de usos, aplicaciones y herramientas de lifelogging y quantified self. Se concluye que un factor determinante en su evolución será la capacidad de generar información de "calidad" a partir de los datos generados por el usuario. En ambos casos se ve necesario establecer estándares y protocolos que permitan una estructuración, gestión y análisis de los datos con el fin de optimizar los potenciales impactos positivos que puede generar el fenómeno del quantified self a la sociedad.

Abstract

Objectives: This paper uses data generated by users to reflect on the emergent paradigm of lifelogging or quantified self as a lifestyle. It analyses the social and technological aspects of this phenomenon, focusing on data management, and it describes how the principles of big data enable us to understand the opportunities and complexities that quantified self is responsible for.

Methodology: The paper revises the bibliography published on lifelogging and quantified self from its beginnings to the present. The bibliographic search was completed  using bibliographic databases for the articles and general search engines for information on products and applications and for news articles in the local and international press.

Results: The result is a taxonomy of uses, applications and tools for lifelogging and quantified self. The researchers conclude that the ability to generate quality information from  user-generated data will be key in the development of this paradigm. It will also be necessary to establish standards and protocols to organize, manage and analyse the data so that the potentially positive impact of quantified self on society can be optimized.

 

Ja no és tant sobre small data o big data, sinó sobre les nostres dades.

Gary Wolf

 

1 Introducció

Al llarg de la història, la humanitat ha conservat dades, documents i efectes personals com a testimonis de la seva trajectòria vital; a l'actualitat, la tecnologia ha fet que el volum de les dades en format digital s'hagi disparat al mateix temps que ho ha fet la capacitat per compartir, emmagatzemar i explotar aquestes dades matemàticament per fer inferències o visions sintètiques de la nostra vida.

Entenem el lifelogging com la forma generalitzada de capturar informació multimodal (Dodge; Kitchin, 2007). El fenomen del lifelogging es caracteritza per ser un procés de recollida de dades fet per sensors que capturen dades ambientals i de l'usuari, que té un rol passiu en el procés. Els sensors són incorporats, per exemple, en rellotges, ulleres o roba que l'usuari porta perquè en vagin enregistrant l'activitat vital.

Vinculat amb el lifelogging ha aparegut el moviment del quantified self (Wolf, 2010a), terme genèric que agrupa tant el registre de dades com la seva explotació amb una finalitat concreta (per exemple, generar una síntesi de les principals activitats dutes a terme durant el dia), amb l'objectiu d'identificar patrons de comportament, tant a escala individual com en comparació amb altres usuaris o referències.

L'article s'estructura en tres blocs principals: primer, es descriu la perspectiva des de les dades massives (big data) d'aquests nous fenòmens; després, es presenta en detall el concepte de quantified self i les seves aplicacions analitzades, i es finalitza amb la descripció dels reptes de futur que es plantegen.

 

2 El lifelogging i el quantified self: els principis de les dades massives aplicats a la persona

Viktor Mayer-Schönberger deia en una entrevista que les dades massives eren el nou or.1 Es consideren dades massives quan el volum, la veracitat, la velocitat i la varietat de les dades (les 4 V de les dades massives)2 superen la capacitat establerta pels mecanismes tradicionals de capturar, gestionar i processar les dades en un temps raonable.

  • Volum: fa referència a les quantitats massives de dades que automàticament emmagatzemen els sensors que incorporen els telèfons mòbils o rellotges que monitoritzen l'activitat de l'individu.
  • Veracitat: la incertesa de les dades és present en la seva recollida al lifelogging o quantified self; tota la informació derivada dels sentiments de l'individu (sentiment analysis) o les mesures automàtiques de sensors GPS poden no ser del tot fiables.
  • Velocitat: les dades d'entrada es generen de forma continuada; per exemple, les aplicacions que mesuren en temps real les pulsacions de l'usuari.
  • Varietat: les eines de lifelogging i quantified self integren diferents tipus i fonts, i combinen mesures de múltiples sensors amb dades generades per l'usuari.

Per tant, s'observa com el quantified self o lifelogging generen dades massives a petita escala en l'àmbit personal, on l'usuari esdevé responsable de les seves dades. La popularització d'aquests moviments ha generat posicions enfrontades. Mentre que hi ha els grups que defensen aquestes activitats com a reflex de la curiositat humana (Wolf, 2010a), n'hi ha d'altres que les veuen com una tendència egocentrista que posa de relleu riscos com ara l'exposició permanent a la xarxa, la vulnerabilitat dels menors d'edat, la pèrdua de control individual, etc. En aquest últim cas, es plantegen què passa amb la capacitat memorística natural, i on queda la privacitat de les persones quan les dades deixen l'àmbit individual i passen a pertànyer a un tercer (Gordo López; De Rivera; López Losada, 2013).

 

3 El quantified self

A diferència del lifelogging el quantified self (QS) fa referència no només al registre de les dades sinó també a la seva explotació amb una finalitat concreta per crear patrons de conducta. El QS és descrit com una forma avançada de recollir dades d'un individu utilitzant aplicacions i eines tecnològiques per a una finalitat concreta (Wolf, 2010b). Les dades recollides tant són inputs (menjar, aigua, etc.) com estats d'ànim (alegria, neguit, tristesa, etc.), i queden emmagatzemades per a un objectiu concret.

L'aparició del terme quantified self es vincula al naixement del blog de Gary Wolf i Kevin Kelly el 2007 ("The quantified self...", 2012; Wolf, 2010b). Al voltant del blog es va crear una comunitat meetup3 per organitzar trobades periòdiques d'interessats a desenvolupar projectes dins d'aquest àmbit i on compartir metodologies relacionades amb les dades personals. El QS és un moviment nascut a San Francisco (EUA), afavorit per l'evolució tecnològica tant dels sensors que capturen les dades com de les aplicacions que en permeten una anàlisi i visualització. Actualment ja és un fenomen d'escala global. Un dels exemples més destacats del potencial d'anàlisi i visualització de les dades són els anuaris d'infografies que Nicolas Felton ha anat recollint des del 2005 a partir d'aplicacions de QS i de blocs de notes manuscrits.4 Els orígens del QS es remunten (Wolf, 2010a) a la motivació personal de quantificar-se i recollir dades, per tenir una informació que permeti substituir intuïcions per proves i, alhora, millorar en la presa de decisions. Gràcies a la popularització d'aquest moviment i a la incorporació de sensors de baix cost, el QS és la forma ideal d'analitzar dades d'un mateix de manera continuada (Swan, 2012).

El 2010 Wolf explicava què era el QS en un TED5 i el descrivia com una mena de joc amb què es distreien els early adopters que veien interessant monitoritzar-se, rastrejar-se i analitzar-se a partir dels patrons de dades que mesuraven. El que va començar com un joc s'ha anat desenvolupant amb contribucions destacades com ara la de Dave Asprey, propietari de Bulletproof, que ha creat una comunitat que té cura del benestar físic individual i aconsella sobre temes de salut; la de Gordon Bell, que capitaneja MyLifeBits, projecte que guardant tot el que es troba en un ordinador, pot arribar a analitzar el comportament global a Internet, o, finalment, però no menys importants, les aportacions del ja mencionat Nicholas Felton en l'àmbit de la visualització de grans conjunts de dades. Aquest moviment minoritari en els inicis s'ha convertit en una tendència social global fins al punt de tenir un impacte revolucionari en àrees de coneixement com les de la salut o l'educació (Lee, 2013; Swan, 2013). No obstant això, la ràpida evolució i adopció de sensors no s'ha vist acompanyada d'un desenvolupament equivalent en les capacitats d'anàlisi i generació d'informació a escala col·lectiva, i el QS ha quedat limitat principalment a l'autoconsum d'informació (Swan, 2013). Actualment ja es poden veure solucions basades en el quantified self presents en el nostre dia a dia, com ara la incorporació de sensors en els vehicles6 que permet conèixer els patrons de mobilitat i així oferir als conductors assegurances adaptades7 a les seves necessitats. Es tracta d'aplicacions i eines que ens ajuden a quantificar les dades generades per la nostra activitat quotidiana.

 

3.1 Aplicacions i eines del quantified self

A partir de la recerca bibliogràfica i les aplicacions presents en aquests moments al mercat, els autors volen proposar una taxonomia a partir de les aplicacions existents més populars i originals basades en el quantified self. Depenent de les activitats quotidianes de l'usuari les dades recollides són diferents. A continuació es detallen els tipus de dades recollides dins de cada activitat:

  • Hàbits lectors: comptabilitzen la quantitat i el tipus de llibres que ha llegit un usuari.
  • Activitat física: recullen dades com ara el temps que es dedica a l'activitat física (bicicleta, córrer, nedar, etc.).
  • Cicles nocturns: monitoritzen les hores de son.
  • Alimentació: suggereixen plats o establiments que s'adeqüin als gustos alimentaris personals o plats que ja sap l'aplicació que han agradat.
  • Accions financeres: permeten dur un control monetari dels ingressos i les despeses d'un individu.
  • Sentiment analysis: ajuden a saber com se sent algú mitjançant preguntes referents a l'estat d'ànim.
  • Gestió del temps: permeten comptabilitzar les hores que es dediquen a una certa activitat.
  • Geolocalització: mitjançant un GPS recullen on es troba l'usuari.
  • Dades cardíaques: mesuren la freqüència cardíaca quan es fa exercici.

Tot seguint es presenta un mapa conceptual on, imitant un mapa de metro, es dibuixa una mostra de les aplicacions presents al mercat. Unides pel mateix color es destaquen les que formen part de la mateixa categoria i destacades amb un punt groc les que intersequen dades de dues categories.

Mapa conceptual de les aplicacions presents al mercat actualment

Figura 1. Mapa conceptual de les aplicacions presents al mercat actualment

En tots els casos presents al mapa, l'usuari pren un rol d'agent actiu, quan voluntàriament és l'emissor, o d'agent passiu, quan les dades vénen donades per l'entorn. Cal destacar la proliferació d'iniciatives que es proposen fer un ús socialment responsable de les dades generades a través del quantified self. La plataforma DataDonors permet als usuaris cedir les seves dades sobre l'estil de vida que segueixen o sobre el seu estat de salut per a futures investigacions en el camp mèdic o de la ciència en general. Aquesta plataforma es compromet a no vendre la informació, ni fer-ne un ús no ètic. La finalitat de les dades per a la recerca és un tema que genera polèmica a Catalunya per part de la Consellaria de Sanitat, fins al punt que hi ha hagut d'intervenir el Parlament de Catalunya per frenar el pla que tenia el conseller de Sanitat per vendre les dades sanitàries dels usuaris.8

 

3.2 Aplicacions i eines del quantified self

Les aplicacions i eines per quantificar-se són tan variades com les dades que una persona genera en el seu dia a dia. A partir de la taxonomia de l'apartat anterior, s'ha triat una mostra d'eines i aplicacions i se n'ha analitzat el cicle de les dades: quin tipus de dades recull (cardíaques, patrons de son, etc.), com les recull (amb una aplicació o un sensor), com s'emmagatzemen les dades, com es transmet la informació i, finalment, com és el format de sortida, de visualització i de publicació.

Descripció del cicle de dades de diferents aplicacions

Taula 1. Descripció del cicle de dades de diferents aplicacions

 

3.3 Precaucions amb vista al futur del quantified self com a dades massives personals

Tot i que el fenomen del quantified self parteix de la base que és l'usuari el que conscientment recull i analitza les dades, la ràpida evolució dels darrers anys i les perspectives de futur fan preveure que una de les amenaces més importants serà la que afecta també les dades massives.
 
El fet que la majoria d'aplicacions de QS funcionin com altres serveis digitals (cosa que facilita l'adopció d'aquestes eines) exposa els usuaris (i el seu històric de dades) a vulnerabilitats que queden relativitzades en els entorns digitals. A continuació es detallen diferents elements que formen part de l'ús de les eines i aplicacions del QS:

  • Navegadors: el nostre historial de navegació és una dada molt preuada per a qui es dedica a la mineria de dades. Apareixen alternatives per donar resposta a aquesta problemàtica, com ara la utilització de navegadors alternatius com Tor o Startpage, o fins i tot l'opció de navegar amb mode incògnit, que pot evitar la utilització de les nostres dades per part de tercers.
  • Emmagatzematge al núvol: se sap que hi ha "granges" de servidors interconnectats que es dediquen a fer backlogs dels nostres arxius. Com a recomanació s'aconsella que si es fa servir un servei dels que integren també correu es facin servir opcions com SpiderOak, Tresorit o DocumentCloud.
  • Paquets de privacitat: per donar resposta a aquest problema hi ha Disconnect, un conjunt d'eines amb navegació privada per a nens i de connexió segura sense fil, o Freedome, que permet la navegació fiable per dispositius mòbils.
  • Xarxes socials: empreses com Facebook, Tuenti, Twitter o MySpace ofereixen serveis gratuïts que paguem amb les nostres dades. Per aprofitar al màxim tots aquests serveis es tracta d'ajustar la identitat digital a la real, perquè així les empreses puguin fer un perfil més acurat de tots nosaltres. En aquest entorn i amb la idea d'oferir altres xarxes socials, on els sistemes hagin de creuar menys nodes, ja siguin menys jerarquitzats i lliures de vigilància comercial, apareixen altres xarxes socials com ara Diaspora, gestionada per una comunitat, que es descriu com a descentralitzada, distribuïda i respectuosa i que permet als usuaris tenir control de les seves dades.
 

4 Reptes de futur per a l'explotació de dades personals en el quantified self

Actualment vivim la naixença i la creixença del quantified self; però amb els anys que fa que hi convivim ja comencen a fer-se palesos diferents aspectes que estan repercutint al nucli d'aquesta disciplina, que es preveu que sigui una font d'intel·ligència col·lectiva. Gràcies a les dades generades pels early adopters, els sistemes i les aplicacions cada cop vindran més programats i ens ajudaran a una millor presa de decisions. Per arribar a aquest punt no només hauran d'avançar els sistemes (i nosaltres amb ells) sinó que també caldrà donar solució i reflexionar sobre diferents aspectes que afecten la disciplina, com ara la fuga d'informació, les dades massives o la privacitat de les dades, que no són propis del QS.

 

4.1 Dades massives

L'anàlisi de les dades que fan les aplicacions de quantificació són simples. Existeixen poques aplicacions que puguin integrar les dades captades i les dels sensors que pot tenir un mateix usuari. En aquest moment, les aplicacions que hi ha al mercat es limiten a reproduir les dades, sense fer-ne una anàlisi i la correlació real, tasca que actualment ha de fer l'usuari mateix, ja que existeixen pocs protocols per a l'intercanvi de dades.

 

4.2 Fugues i privacitat de la informació

La Unió Europea sap que el reglament del 1995 no dóna resposta al moment que estem vivint. És per això que des del 2012 treballa en un nou reglament, que es preveu que estigui finalitzat el 2016 i sigui aplicable el 2018.9 En aquesta línia, s'obre un món de possibilitats per explorar i discutir. Qui és propietari de les dades personals, un mateix o l'aplicació? L'aplicació en pot fer l'ús que vulgui? Pot fer negoci amb dades que un mateix ha generat "gratuïtament"? Totes aquestes qüestions no queden gens clares en aquest moment.

El tema de les fugues d'informació afecta el nostre dia a dia com a usuaris. Els mitjans de comunicació s'han fet ressò de com les empreses perden informació personal dels seus clients, tant en casos d'aplicacions com de sistemes operatius o dispositius mòbils: Dropbox,10 Gmail,11 Windows,12 Apple13 o Android14 recentment.

 

4.3 Interoperabilitat

La manca de protocols estàndards d'intercanvi de dades fa feixuga la interoperabilitat entre sistemes en el cicle de vida de les dades. La majoria d'aplicacions de quantified self no han estat pensades per integrar-se amb l'historial mèdic d'un hospital ni amb els cercadors. No obstant això, recentment hem vist l'anunci de grans empreses tecnològiques que prometen canviar aquesta situació. Per exemple, Apple ha anunciat fa poc que el HealthKit serà integrat als sistemes de la Clínica Mayo,15 fet que obre possibilitats fins ara difícils d'imaginar. El QS dóna una informació contextual rica i actual per recuperar la informació. Probablement, els nous motors de cerca contextuals es basaran en informació tant en temps real com històrica de l'usuari per satisfer les seves necessitats informatives.

La conseqüència d'aquesta manca d'homogeneïtzació i estandardització fa que les dades diversificades no estiguin lligades entre elles i, per tant, que en molts casos la informació que es dóna sigui de poc valor per a l'usuari final. En el moment que es comencin a encreuar les dades dels diferents conjunts farà que s'enriqueixi l'anàlisi i, segurament, es modificarà la percepció de l'usuari sobre la validesa i confiança de les recomanacions que genera l'aplicació. No obstant això, aquest mateix potencial positiu pot ser susceptible d'atreure usos per part de tercers d'aquestes dades enriquides, fet que en entorns com l'actual podria no ser sempre beneficiós per a l'usuari.

 

5 Conclusions

Aquest article planteja com el lifelogging i, en concret, el quantified self són dos fenòmens que estan transformant la gestió de les dades en l'àmbit personal. Fent servir una perspectiva de dades massives l'article analitza com les aplicacions actuals presenten oportunitats i reptes socials i tecnològics. La revisió bibliogràfica duta a terme mostra que el creixent interès i popularitat de les aplicacions de quantified self contrasta amb el coneixement limitat que tenim dels impactes socials i tecnològics que aquests fenòmens generen. Per tant, es pot dir que, tot i que és difícil preveure, els moviments del lifelogging i quantified self, seran pràctiques socials, efectives, eficients i habituals els pròxims anys. A dia d'avui, s'identifiquen els beneficis individuals però no l'impacte que poden tenir a la societat en global; per exemple, queden aspectes poc clars com el nivell d'interoperabilitat necessari entre aplicacions i sistemes.

La popularització creixent de les aplicacions de quantified self fa que a curt termini una de les prioritats sigui avançar en l'educació i formació en privacitat, seguretat i protecció de dades dels usuaris, sobretot si anem cap a una societat que espera fer dades massives en l'àmbit personal. Ara mateix els límits no estan regulats i hem de ser nosaltres mateixos els que hem de vetllar pels nostres drets i la gestió de les nostres dades.

 

Bibliografia

De Vicente, José Luis; Galdón, Gemma (2014). Anonimízate: manual de defensa electrónica = Anonymise yourself: electronic self-defence handbook. <http://issuu.com/cccb/docs/manual_de_defensa_-_cast_ang?e=1287205/9478560#/signin>. [Consulta: 17/04/2015].

Dodge, Martin; Kitchin, Rob (2007). "'Outlines of a world coming into existence': persuasive computing and the ethics of forgetting". Environmental and planning B: planning and design, vol. 34, no. 3, p. 431435. <http://personalpages.manchester.ac.uk/staff/m.dodge/cv_files/epb_ethics_of_forgetting.pdf>. [Consulta: 17/04/2015].

Gordo López, Ángel; De Rivera, Javier; López Losada, Yago (2013). "Sociogénesis de las nuevas enfermedades tecnológicas y los dispositivos de auto-cuantificación". Quaderns de psicologia, vol. 15, núm. 1, p. 8193. <http://www.quadernsdepsicologia.cat/article/view/1166>. [Consulta: 17/04/2015].

Gurrin, Canthal; Smeaton, Alan F.; Doherty, Aiden R. (2014). "LifeLogging: personal big data". Foundations and trends in information retrieval, vol. 8, no. 1, p. 1–107. DOI: 10.1561/1500000033.

Lee, Victor R. (2013). "The Quantified Self (QS) movement and some emerging opportunities for the educational technology field". Education technology. Fall 2013 (Nov.-Dec.), p. 3942. <http://digitalcommons.usu.edu/itls_facpub/480/>. [Consulta: 17/04/2015].

Li, Ian.; Dey, Anind K.; Forlizzi, Jodi (2011). "Understanding my data, myself". Proceedings of the 13th international conference on Ubiquitous computing - UbiComp '11. New York, USA: ACM Press, p. 405414. DOI: 10.1145/2030112.2030166.

Mayer-Schönger, Viktor; Cukier, Kenneth (2013). Big data: la revolución de los datos masivos. Madrid: Turner.

McFedries, Paul (2013). "Tracking the quantified self: we are data-generating and language-generating machines". IEEE Spectrum. <http://spectrum.ieee.org/at-work/test-and-measurement/tracking-the-quantified-self>. [Consulta: 09/12/2014].

Nafus, Dawn; Sherman, Jamie (2014). "This one does not go up to 11: the quantified self movement as an alternative big data practice". International journal of communication, vol. 8, p. 17841794. <http://ijoc.org/index.php/ijoc/article/view/217>.[Consulta: 09/12/2014].

 Nagy, Peter; Koles, Bernadett (2014). "The digital transformation of human identity: towards a conceptual model of virtual identity in virtual worlds". Convergence: the international journal of research into new media technologies, vol. 20, no. 3, p. 276–292. DOI: 10.1177/1354856514531532.

Serrano-Cobos, Jorge (2014). "Big data y analítica web. Estudiar las corrientes y pescar en un océano de datos". El Profesional de la informacion, vol. 23, n.º 6, p. 561–566. DOI: 10.3145/epi.2014.nov.0.1

Swan, Melanie (2012). "Sensor Mania! The Internet of things, wearable computing, objective metrics, and the quantified self 2.0". Journal of sensor and actuator networks, vol. 1, no. 3, p. 217–253. DOI: 10.3390/jsan1030217.

—— (2013). "The Quantified self: fundamental disruption in big data science and biological discovery!. Big Data, vol. 1, no. 2, p. 85–99. DOI: 10.1089/big.2012.0002.

"The quantified self: counting every moment" (2012). Technology Quarterly - The Economist, Mar 3rd. <http://www.economist.com/node/21548493>. [Consulta: 20/03/2015].

Wolf, Gary (2010a). "The Data-Driven Life". The New York Times magazine, April. <http://www.nytimes.com/2010/05/02/magazine/02self-measurement-t.html?_r=0>. [Consulta: 20/03/2015].

—— (2010b). "The quantified self". TED: Ideas worth spreading, June. <http://www.ted.com/talks/gary_wolf_the_quantified_self?language=en>. [Consulta: 20/03/2015].

Whitson, Jennifer R. (2013). "Gaming the quantified self". Surveillance & society, vol. 11, no. 1/2, p. 163–176. <http://click4it.org/images/1/1f/Gaming_the_Quantified_Self_Whitson.pdf>. [Consulta: 20/03/2015].

 

Notes

1 Viktor Mayer-Schönberger és professor de regulació i gestió d'Internet a l'Oxford University i un dels experts més reconeguts internacionalment en temes de dades massives. L'entrevista es va publicar al Diario.es (05/08/2013).

2 Big Data: what it is and why it matters.

3 Els meetup són xerrades per discutir diferents temes d'interès. La del QS es fa a escala mundial i té una molt bona acollida.

4 A la pàgina personal de Nicholas Felton es poden veure tots els gràfics i estadístiques fets a partir de les dades que ha anat recollint sobre ell mateix.

5 El TED és una organització sense ànim de lucre que difon idees dignes de ser difoses. En una d'aquestes xerrades (juny de 2010), Gary Wolf presentava què era el quantified self i quina relació tenia amb les dades massives. <http://www.ted.com/talks/gary_wolf_the_quantified_self>

6 Ron Lieber explica a The New York Times (15/04/2014) l'experiència amb la seva asseguradora: "Lower your car insurance bill, at the price of some privacy".

7 Entrevista a Kelly Barnes, responsable de salut de PriceWaterhouseCoopers a Forbes (19/06/2014): "Wearable tech is plugging into health insurance".

8 Notícia publicada a El País (30/10/2011): "El Parlament frena el plan de Boi Ruiz para vender datos sanitarios".

9 "Reglamento de protección de datos se aplicará en el 2018 según experto". La Vanguardia (22/10/2014).

10 Notícia de The Independent sobre la fuga d'informació de passwords de Dropbox. "Dropbox passwords leak: Hundreds of accounts hacked after third-party security breach" (14/10/2014).

11 La CNN es fa ressò de la pèrdua de credencials que va patir el Gmail (10/09/2014) <http://money.cnn.com/2014/09/10/technology/security/gmail-hack/index.html>.

12 "Nueva vulnerabilidad 0-day afecta a casi todas las versiones de Windows" (22/10/2014).

13 "Apple issues seven updates, fixes more than 40 vulnerabilities in iOS 8, OS X 10.9.5" (19/09/2014).

14 "Android Devices Are Leaking Location Data Over Wi-Fi: EFF Report" (04/07/2014).

15 "Apple Gives Epic And Mayo Bear Hug With HealthKit" (06/03/2014).

Citació recomanada

Giones Valls, Aina; Giones, Ferran (2015). "Quantificar-se per viure a través de les dades : les dades massives (big data) aplicades a l'àmbit personal". BiD: textos universitaris de biblioteconomia i documentació, núm. 34 (juny) . <http://bid.ub.edu/34/giones.htm>. DOI: http://dx.doi.org/10.1344/BiD2015.34.16 [Consulta: 21-11-2017].