世界経済フォーラム (WEF) データの公平性の推進： 行動指向のフレームワーク (2024.09.11)

こんにちは、丸山満彦です。

世界経済フォーラム (WEF) が、「データの公平性の推進： 行動指向のフレームワーク」を公表していますね...

アルゴリズムとデータに基づく自動意思決定システムが普及すると、社会に重大な影響を及ぼしていくことになるわけですが、そうなるとデータの公平性　（Data Equality) が重要となってきますね。。。ということで、このフレームワークが作成したということのようですね...

● World Economic Forum

・2024.09.11 Advancing Data Equity: An Action-Oriented Framework

Advancing Data Equity: An Action-Oriented Framework	データの公平性の推進:行動志向のフレームワーク
Automated decision-making systems based on algorithms and data are increasingly common today, with profound implications for individuals, communities and society. More than ever before, data equity is a shared responsibility that requires collective action to create data practices and systems that promote fair and just outcomes for all.	アルゴリズムとデータに基づく自動化された意思決定システムは、今日ますます一般的になっており、個人、コミュニティ、社会に重大な影響を及ぼしている。これまで以上に、データの公平性は共有責任であり、すべての人にとって公平で公正な結果を促進するデータ慣行とシステムを構築するための集団行動が必要とされている。
This paper, produced by members of the Global Future Council on Data Equity, proposes a data equity definition and framework for inquiry that spurs ongoing dialogue and continuous action towards implementing data equity in organizations. This framework serves as a dynamic tool for stakeholders committed to operationalizing data equity, across various sectors and regions, given the rapidly evolving data and technology landscapes.	本稿は、データの公平性に関するグローバル・フューチャー・カウンシル(Global Future Council on Data Equity)のメンバーによって作成されたもので、データの公平性の定義と、組織におけるデータの公平性の実現に向けた継続的な対話と行動を促すための調査の枠組みを提案している。この枠組みは、急速に進化するデータとテクノロジーの状況を踏まえ、さまざまなセクターや地域において、データの公平性の実現に取り組むステークホルダーにとって、ダイナミックなツールとなる。

データの公平性フレームワークの図...

Data equity	データの公平性
Data	データ
Sensitivity	機密性
Privacy	プライバシー
Regulation	規制
Cultural sensitivity	文化的感受性
Commercial sensitivity	商業上の配慮
Accessibility	アクセシビリティ
Fairness	公正
Open access	オープンアクセス
Digital inclusion	デジタルインクルージョン
Purpose	目的
Trust	信頼
Transparency	透明性
Accuracy	正確性
Value	価値
Equity	公正
Justice	正義
Benefit	利益
Understanding	理解
Sustainable well-being	持続可能な幸福
Originality	独創性
Auditability	監査可能性
Provenance	由来
Attribution	帰属
Acknowledgment	承認
Applicatio	適用
Appropriateness	適切性
Specificity	特異性
Completeness	完全性
Robustness	頑健性
Metadata	メタデータ
People	人
Responsibility	責任
Timeliness	適時性
Lawfulness	合法性
Ethics	倫理
Accountability	説明責任
Accountability	説明責任
Security	セキュリティ
Safety	安全性
Expertise	専門性
Diversity	多様性
Resources	リソース
Relationship	関係性
Usage rights	利用権
Intellectual Property (IP)	知的財産(IP)
Indigenous Cultural IP	先住文化に関する知財
Public domain	パブリックドメイン
Copyright	著作権

・[PDF]

Preface	序文
In 2023, as generative artificial intelligence (genAI) and other technologies expanded their adoption and impact on society, the World Economic Forum established a Global Future Council focusing on the issue of data equity.1 Through research and discussions with experts in technology, data, business and social science, it became clear that a foundational definition and approach needed to be created to allow organizations of all types to build more equitable systems, processes, practices and outcomes. Our initial thoughts on this topic were published in our first white paper titled “Data Equity: Foundational Concepts for Generative AI”.2	2023年、生成的人工知能(genAI)やその他のテクノロジーの採用と社会への影響が拡大する中、世界経済フォーラムはデータの公平性の問題に焦点を当てたグローバル・フューチャー・カウンシルを設立した。1 テクノロジー、データ、ビジネス、社会科学の専門家との研究と議論を通じて、あらゆる種類の組織がより公平なシステム、プロセス、慣行、成果を構築できるように、基礎となる定義とアプローチを作成する必要があることが明らかになった。このテーマに関する当社の当初の考えは、最初のホワイトペーパー「データの公平性:生成的AIの基礎概念」2で発表された。
As our work evolved, it became clear that our datadriven world was not created in a manner that drives equitable outcomes, simply because it was not designed with equity in mind. It was created with all of our societal varieties, historical inequities, biases and differences. While we want these differences to be reflected in our technological solutions, we do not want those differences perpetuated, amplified or extended in our technology solutions. We want technology to create a better and more inclusive future, one where we solve problems, not repeat past ones.	私たちの研究が進むにつれ、データ主導の世界は公平な結果をもたらすように意図されて作られたものではないため、公平な結果をもたらすように作られていないことが明らかになった。それは、社会のあらゆる多様性、歴史的な不公平、バイアス、相違を反映して作られたものだった。 私たちは、これらの相違がテクノロジーによるソリューションに反映されることを望んでいるが、テクノロジーによるソリューションにおいて、それらの相違が永続化、増幅、拡大されることを望んではいない。 私たちは、テクノロジーがより良く、より包括的な未来を創り出すことを望んでいる。それは、私たちが問題を解決し、過去の過ちを繰り返さない未来である。
Our research and consultations revealed that data equity impacts diverse sectors, industries and regions. This complexity necessitates a flexible approach. In response, we developed a framework for responsible data practices that adapts to specific contexts while ensuring consistency and compliance with global regulations.	私たちの調査と協議により、データの公平性がさまざまなセクター、産業、地域に影響を及ぼすことが明らかになった。この複雑性に対応するには、柔軟なアプローチが必要である。これを受けて当社は、特定の状況に適応しながら、一貫性とグローバルな規制への準拠を確保する、責任あるデータ活用の枠組みを開発した。
The present white paper provides the global community with a baseline definition and a data equity framework for inquiry to be used as a guide to help spur conversations and self-assessment inside organizations as they seek to use AI more broadly. This report builds on the four types of equity proposed in our initial briefing paper (representation, feature, access and outcome equity)3 and proposes 10 characteristics that need to be considered by organizations as they build out systems, products and solutions via a framework for action.	本ホワイトペーパーでは、グローバルコミュニティに対して、AI のより広範な利用を目指す組織内での会話や自己アセスメントを促進するためのガイドとして使用できる、基本的な定義とデータの公平性のフレームワークを提示する。本レポートは、最初のブリーフィングペーパーで提案された4つのエクイティ(表現、機能、アクセス、成果のエクイティ)3を基に、組織がアクションのフレームワークを通じてシステム、製品、ソリューションを構築する際に考慮すべき10の特徴を提案する。
It is our hope that as organizations utilize our data equity definition and framework, the issues and considerations required for equitable outcomes will become clear. It is our recommendation that all organizations, no matter their nature (commercial, civil society, academic or governmental), recognize that we must increase our understanding and improve our design methodology in order to design a future that ensures outcomes for a balanced and equity-driven world.	私たちは、組織が私たちのデータの公平性の定義と枠組みを活用することで、公平な成果を得るために必要な問題や考慮事項が明らかになることを期待している。私たちは、あらゆる組織(営利、市民社会、学術、政府など)が、バランスのとれた公平な世界を実現する成果を確保する未来を設計するためには、私たちの理解を深め、設計手法を改善しなければならないことを認識すべきであると提言する。
Executive summary	エグゼクティブサマリー
Data equity requires collective action throughout the data life cycle to ensure fair, just and beneficial outcomes for all.	データの公平性を実現するには、データ・ライフサイクル全体を通じての集団的な行動が必要であり、そうすることで、すべての人々にとって公平で公正かつ有益な成果を確保することができる。
Data equity is a shared responsibility that requires collective action to create data practices and systems that promote fair and just outcomes for all. Continuously considering the human impact of data is of critical importance given the everexpanding role of data-driven systems in today’s increasingly digital societies. By considering data equity throughout the data life cycle, data practices can be improved to promote fair, just and beneficial outcomes for all individuals, groups and communities.	データの公平性は、すべての人々にとって公平かつ公正な成果を促進するデータ慣行とシステムを構築するための集団行動を必要とする、共有責任である。 デジタル化が進む現代社会において、データ主導型システムの役割が拡大し続けていることを踏まえると、データが人間に与える影響を継続的に考慮することは極めて重要である。 データライフサイクル全体を通じてデータの公平性を考慮することで、個人、グループ、コミュニティのすべてにとって公平、公正、有益な成果を促進するデータ慣行を改善することができる。
The Global Future Council (GFC) on Data Equity, a multistakeholder group of experts, has come together during 2023-2024 to define and create a “framework of inquiry” for data equity. This data equity framework is designed to prompt reflection, focus research and guide corrective action. This unique framework offers a culturally-grounded perspective on data management and governance. It is based on the Te Mana o te Raraunga Model, a Māori data sovereignty model that describes the internal logic that traditional knowledge-keepers use when deciding to share knowledge with others. Additionally, the framework is aligned with existing data governance guidelines and principles, including FAIR, CARE, TRUST, to demonstrate how data equity complements existing modalities and enriches the broader discussion of the appropriate use of data in modern life.	データの公平性に関するグローバル・フューチャー・カウンシル(GFC)は、2023年から2024年にかけて、多様な利害関係者からなる専門家グループが結集し、データの公平性のための「調査の枠組み」を定義し、構築した。このデータの公平性の枠組みは、考察を促し、研究に焦点を当て、是正措置を導くことを目的としている。このユニークな枠組みは、データ管理とガバナンスに関する文化的に根差した視点を提供している。これは、伝統的な知識保持者が他者と知識を共有する際に用いる内部論理を説明するマオリ族のデータ主権モデルである「Te Mana o te Raraunga Model」に基づいている。さらに、このフレームワークは、FAIR、CARE、TRUST などの既存のデータガバナンスのガイドラインや原則と整合しており、データの公平性が既存の方式を補完し、現代生活におけるデータの適切な利用に関するより広範な議論を豊かにする様子を示している。
The framework consists of 10 characteristics and related key issues, grouped into three main categories: data, purpose and people. As part of the framework, a series of questions have been developed to evaluate data and initial actions suggested to guide stakeholders in implementing data equity in their organizations. Though this framework is rooted in Indigenous data sovereignty, it provides guidance and encourage reflection for advancing data equity across sectors, communities and geographies. Six case studies demonstrate the use of the framework through real-world examples, and serve as inspiration for putting this tool into practice in other contexts.	このフレームワークは、データ、目的、人々という3つの主要カテゴリーに分類された10の特徴と関連する主要課題で構成されている。この枠組みの一部として、データ評価のための一連の質問と、ステークホルダーが組織内でデータの公平性を導入する際に役立つ初期行動が提案されている。この枠組みは、先住民のデータ主権に根ざしているが、セクター、コミュニティ、地理的領域を越えてデータの公平性を推進するための指針と考察を促すものとなっている。6つのケーススタディでは、現実の事例を通じてこの枠組みの活用方法を示しており、このツールを他の状況で実践する際のインスピレーションとなる。
Defining data equity	データの公平性の定義
A shared definition of data equity is essential  to advance collaboration and coordinated action to put this concept into practice.	データの公平性の共有された定義は、この概念を実践に移すための協働と協調的な行動を促進するために不可欠である。
Advancing data equity is essential. We live in an era where automated decision-making systems based on algorithms and data are increasingly common, with profound implications for individuals, communities and society. Those designing and using such systems must carefully consider the potential social impact, with all-round equity as a core concern.	データの公平性の推進は不可欠である。アルゴリズムとデータに基づく自動意思決定システムがますます一般的になりつつある現代において、個人、コミュニティ、社会に重大な影響が及んでいる。このようなシステムを設計し、使用する者は、あらゆる側面における公平性を重視し、潜在的な社会的影響を慎重に考慮しなければならない。
Despite its burgeoning significance, the concept of “data equity” lacks a clear, widely accepted definition in policy circles and academic literature.4 Perhaps the most widely-known definition defines data equity as the social concept of fairness applied to computer science and machine learning, and identifies various aspects of data equity, including representation, feature, access and outcome equity.5	「データの公平性」という概念は、その重要性が急速に高まっているにもかかわらず、政策関係者や学術文献では明確な定義が広く受け入れられているとは言えない。4 最も広く知られている定義では、データの公平性をコンピュータ科学や機械学習に適用される社会的な公平性の概念と定義し、代表性、特徴、アクセス、成果の公平性など、データの公平性のさまざまな側面を識別している。5
This ambiguity does not only impede progress but also risks exacerbating the very inequities that stakeholders aim to address. Without a shared understanding, stakeholders are left to interpret and implement data equity measures based on their own, potentially conflicting, perspectives, and without a clear benchmark against which to measure their efforts. Moreover, as technological advancements accelerate and data becomes increasingly critical, new challenges to data equity continue to emerge. And on a global scale, the absence of a common understanding hampers international collaboration on this crucial issue.	この曖昧さは進歩を妨げるだけでなく、ステークホルダーが対処しようとしている不公正そのものを悪化させるリスクもある。共通の理解がなければ、ステークホルダーは、潜在的に相反する可能性のある各自の視点に基づいてデータの公平性対策を解釈し、実施することになり、また、各自の取り組みを評価するための明確な基準もないままとなる。さらに、技術の進歩が加速し、データがますます重要になるにつれ、データの公平性に関する新たな課題が次々と生じている。そして、世界規模で共通の理解が欠如していることが、この重要な問題に関する国際的な協力の妨げとなっている。
Recognizing this critical gap, the GFC on Data Equity has crafted a comprehensive definition to foster alignment and drive meaningful progress:	この重大なギャップを認識し、データの公平性に関するグローバル・フォーラムは、足並みを揃え、有意義な進展を促すための包括的な定義を策定した。
Data equity is the shared responsibility for fair data practices that respect and promote human rights, opportunity and dignity. Data equity is a fundamental responsibility that requires strategic, participative, inclusive and proactive collective and coordinated action to create a world where data-based systems promote fair, just and beneficial outcomes for all individuals, groups and communities. It recognizes that data practices – including collection, curation, processing, retention, analysis, stewardship and responsible application of resulting insights – significantly impact human rights and the resulting access to social, economic, natural and cultural resources and opportunities.6 Data equity seeks to address historical, current and potential imbalances in datasets that are used in a variety of domains in data-driven decisions and algorithmic and AI systems. In addition, data equity is concerned with access to datasets as well as how, and by whom, they are used in societally impactful decision-making and systems. Participative and collective responsibility and decision-making, especially by individual and collective data subjects, is a central tenet. Therefore, data equity serves as the foundation of fairness and justness in the development and application of a host of technologies and for earning trust for digital systems – as described in the World Economic Forum’s Digital Trust Framework.7	データの公平性とは、人権、機会、尊厳を尊重し促進する公正なデータ慣行に対する共同責任である。データの公平性は、データに基づくシステムがすべての人々、グループ、コミュニティにとって公正で公平かつ有益な結果をもたらすような世界を実現するために、戦略的、参加型、包括的、かつ先を見越した集団的・協調的行動を データ収集、管理、処理、保存、分析、管理、およびその結果得られた洞察の責任ある応用を含むデータ処理は、人権およびその結果として得られる社会、経済、自然、文化的なリソースや機会へのアクセスに多大な影響を与えることを認識している。6 データの公平性は、データ主導の意思決定やアルゴリズムおよびAIシステムで使用されるさまざまな領域におけるデータ さらに、データの公平性は、データセットへのアクセスだけでなく、社会的に影響力のある意思決定やシステムにおいて、誰がどのようにそれらを使用するかも考慮する。特に、個人および集団のデータ対象者による参加型かつ集団的な責任と意思決定が、その中心的な原則である。したがって、データの公平性は、世界経済フォーラムのデジタル・トラスト・フレームワークで説明されているように、数多くのテクノロジーの開発と応用における公平性と正当性の基盤となり、デジタル・システムへの信頼獲得に役立つ。7
Data equity can be achieved by appropriate design of data collection, uses, practices and governance in order to promote just and fair outcomes for people and communities directly or indirectly impacted by these systems. In this regard, the focus of data studies must adapt to include not just what “data is”, but also what “data does”. The proposed definition, while covering the whole “data life cycle,” particularly centres on the impact side of data governance and practices.	データの公平性は、これらのシステムに直接または間接的に影響を受ける人々やコミュニティにとって、公正かつ公平な結果を促進するために、データ収集、利用、慣行、ガバナンスを適切に設計することで達成できる。この点において、データ研究の焦点は、「データとは何か」だけでなく、「データが何をするか」も含めるように適応しなければならない。提案された定義は、「データのライフサイクル」全体をカバーしているが、特にデータ・ガバナンスと慣行の影響の側面に重点を置いている。
Data equity considerations permeate the whole data life cycle, for example: how data is collected and constructed (input data equity); made available (data access equity); made representative and relevant for the context and purpose it is being used (data representation equity); processed and interpreted (process or algorithmic data equity); used to generate and inform outcomes (outcome data equity); and how its value is being distributed and shared with individuals and communities that  have contributed to it (data value equity).8	データの公平性の考慮事項は、データライフサイクル全体に浸透している。例えば、データの収集と構築方法(入力データの公平性)、利用可能にする方法(データアクセスにおける公平性)、使用される状況や目的に適した代表者や関連者となる方法(データ表現における公平性)、処理と解釈の方法(プロセスまたはアルゴリズムにおけるデータの公平性)、結果の生成と通知に使用する方法(結果データにおける公平性)、そして、その価値がどのように個人やコミュニティに分配され共有されるか(データ価値における公平性)などである。8
Thus, it is crucial to consider data equity from the earliest stages of the data life cycle, as quality and equity issues might not be easily remedied later. Moreover, data collectors should also consider the possible subsequent (re)use of their data by other actors in potentially harmful or exploitative ways.	したがって、データの質や公平性の問題は後になってからでは容易に解決できない可能性があるため、データのライフサイクルの初期段階からデータの公平性を考慮することが極めて重要である。さらに、データ収集者は、他の関係者がデータを有害または搾取的な方法で(再)利用する可能性についても考慮すべきである。
Data equity can be advanced through corrective as well as proactive actions in the different stages of the data life cycle:	データの公平性は、データライフサイクルのさまざまな段階における是正措置および予防措置を通じて向上させることができる。
– Corrective actions include addressing historical (and current or potential) biases in datasets, such as biased depictions or under-representation of marginalized groups, as well as giving individuals and communities the ability to control their own data (through opt-in or opt-out mechanisms) in order to ensure their individual and collective agency, autonomy and right to privacy.	是正措置には、データセットにおける過去の(および現在の、あるいは潜在的な)バイアスへの対処、例えば、社会的弱者グループの偏った描写や過小表現など、が含まれる。また、個人およびコミュニティが(オプトインまたはオプトアウトの仕組みを通じて)自身のデータを管理できるようにすることで、個人および集団の行動力、自律性、データ・プライバシーの権利を確保することも含まれる。
– Proactive actions include engaging individuals represented in the data to help define it; employing collection methods that enable identification, representation and participation of diverse groups; promoting open and transparent data sharing; developing inclusive, participatory systems that utilize the data, ensuring those affected have a voice; verifying that these systems produce fair and equitable outcomes; and guaranteeing that data contributors benefit from the value generated by its use.	積極的な行動には、データに代表される個人を関与させ、データの定義を支援すること、多様なグループの識別、代表、参加を可能にする収集方法を採用すること、オープンで透明性の高いデータ共有を推進すること、影響を受ける人々が発言権を持つことを保証し、データを利用する包括的で参加型のシステムを開発すること、これらのシステムが公正かつ公平な結果を生み出すことを検証すること、データ提供者に対して、データの利用によって生み出された価値から利益を得ることを保証することが含まれる。
Implementing data equity	データの公平性の実施
The data equity framework is designed to encourage reflection, guide research and prompt corrective actions.	データの公平性の枠組みは、考察を促し、研究を導き、是正措置を迅速に実施することを目的として設計されている。
Essentially, this framework should be regarded as a “framework for inquiry”, i.e. a guide to help spur conversations and evaluation inside organizations and communities as they consider using data, whether in AI-enabled systems or elsewhere.	本質的には、この枠組みは「調査のための枠組み」、すなわち、AI搭載システムであれ、その他のシステムであれ、データ利用を検討する組織やコミュニティ内部での会話や評価を促すための指針とみなされるべきである。
At its core, the pursuit of equity is about uplifting people and ensuring just and fair treatment for all. While the concept of data equity is relatively new, its application in the context of genAI intersects with long-existing issues relevant to data governance, trustworthiness, privacy and responsible data use. Addressing equity in these and other data-related issues involves technical considerations, but their explicit human and social dimension must remain central. Otherwise, there is a risk of overlooking the very people and communities for whom these frameworks are intended to work, and to empower and protect.	その核心にあるのは、公平性の追求は人々を向上させ、すべての人に公正かつ公平な待遇を確保することである。データの公平性の概念は比較的新しいものであるが、ジェネAIの文脈におけるその適用は、データ・ガバナンス、信頼性、プライバシー、責任あるデータ利用など、長年存在する問題と交差する。 これらのデータ関連の問題におけるエクイティへの取り組みには技術的な考慮が必要であるが、人間と社会の明確な次元が中心に据えられなければならない。 そうでないと、これらの枠組みが意図する人々やコミュニティを見落とし、彼らをエンパワーし、防御するという目的が果たされないというリスクが生じる。
In order to move from the theoretical definition to action, the GFC has developed a data equity framework to enable stakeholders to build more equitable data systems, processes and practices. Given that ethical and fairness issues relating to the use of data vary according to their specific context, the framework does not seek to be prescriptive or a “one-size-fits-all” solution. Rather, it is intended to prompt reflection, focus research and guide corrective action. Essentially, this framework should be regarded as a “framework for inquiry”, i.e. a guide to help spur conversations and evaluation inside organizations and communities as they consider using data, whether in AI-enabled systems or elsewhere. It is hoped that this framework will serve as a tool to uncover equity-related issues to be addressed within organizations.	理論上の定義から行動に移すために、GFCは、ステークホルダーがより公平なデータシステム、プロセス、慣行を構築できるようにするためのデータの公平性の枠組みを策定した。データの利用に関する倫理的および公平性の問題は、その特定のコンテクストによって異なるため、この枠組みは、規定するものでも「一辺倒な」解決策でもない。むしろ、考察を促し、研究に焦点を当て、是正措置を導くことを目的としている。本フレームワークは、本質的には「調査のための枠組み」、すなわち、AIを搭載したシステムかそれ以外かを問わず、データ利用を検討する組織やコミュニティ内部での対話や評価を促すための指針とみなされるべきである。本フレームワークが、組織内で取り組むべき公平性に関する問題を明らかにするツールとして役立つことが期待される。
The framework proposed here employs as its foundation the Te Mana o te Raraunga Model, an Indigenous model that describes the internal logic that traditional knowledge-keepers use when deciding to share knowledge with others. It considers data-sharing in relation to the nature of the data, the nature of data use, and the nature of the data user.9 The Te Mana o te Raraunga Model informed Ngā Tikanga Paihere, a data ethics framework used to provide access to linked government data in New Zealand through an Integrated Data Infrastructure (IDI), and provides a useful lens for considering the broader issue of data equity.10	ここで提案する枠組みは、伝統的知識保持者が他者と知識を共有する際に用いる内部論理を説明する先住民モデルである「Te Mana o te Raraunga Model」を基礎としている。このモデルでは、データの性質、データの利用の性質、データの利用者の性質との関連でデータ共有を考察する。9 Te Mana o te Raraunga Modelは、ニュージーランドの統合データインフラストラクチャ(IDI)を通じて政府の連結データをアクセスするために使用されるデータ倫理フレームワークであるNgā Tikanga Paihereに影響を与え、データの公平性のより広範な問題を考察する上で有益な視点を提供している。10
While developed in a unique cultural context, the Te Mana o te Raraunga Model has a broader applicability as it is aligned with the Five Safes Framework (safe data, projects, people, settings and outputs) that enables data services to provide safe research access to data.11 The Five Safes Framework was adopted because of the central focus on human and social dimensions of equity, and consistency with the people and purposecentric CARE Principles for Indigenous Data Governance (collective benefit, authority to control, responsibility and ethics).12	独自の文化的な文脈で開発されたものの、Te Mana o te Raraungaモデルは、データサービスが安全なデータへの研究アクセスを提供することを可能にする5つの安全フレームワーク(安全なデータ、プロジェクト、人々、設定、アウトプット)と一致しているため、より幅広い適用性がある 。11 「ファイブ・セーフ・フレームワーク」が採用されたのは、公平性における人間的および社会的側面を重視し、先住民データガバナンスのための「CARE原則」(集団的利益、管理認可、責任、倫理)と一致しているためである。12
The CARE Principles are complementary to the data-centric FAIR Principles for Scientific Data Management (data should be findable, accessible, interoperable and reusable), which promote the use of open data.13 The FAIR and CARE principles are promoted as key driving frameworks for data governance across a range of international and national policy environments (e.g. UNESCO Open Science Outlook,14 AIATSIS Code of Ethics,15 IPBES Data and Knowledge Management Policy16 and World Data Systems Data Sharing Principles).17 Similarly, the TRUST Principles (of transparency, responsibility, user focus, sustainability and technology) focus on the development of appropriate infrastructure for digital stewardship and preservation.18	CARE原則は、オープンデータの利用を推進する科学的データ管理のためのデータ中心主義のFAIR原則(データは検索可能、アクセス可能、相互運用可能、再利用可能であるべき)を補完するものである。13 FAIR原則とCARE原則は、国際および各国の政策環境(例:UNESCOの オープンサイエンスの展望14、AIATSIS倫理規定15、IPBESデータおよび知識管理方針16、世界データシステムデータ共有原則17など)である。同様に、TRUST原則(透明性、責任、ユーザー重視、持続可能性、技術)は、デジタル管理と保存のための適切なインフラの開発に重点を置いている。
Thus, building upon earlier work including the Te Mana o te Raraunga Model, the FAIR, CARE and TRUST Principles, the proposed data equity framework (Figure 1) is composed of 10 data equity characteristics grouped into three main categories: data, purpose and people. The data category is assessed in relation to its sensitivity and accessibility characteristics; the purpose category through its trust, value, originality and application characteristics; while the people category is associated with its relationship, expertise, accountability and responsibility characteristics.	したがって、Te Mana o te Raraungaモデル、FAIR、CARE、TRUSTの各原則など、これまでの取り組みを基に、提案されているデータの公平性の枠組み(図1)は、データ、目的、人々という3つの主要カテゴリーに分類された10のデータの公平性の特徴で構成されている。データカテゴリーは、その機密性とアクセシビリティの特性との関連でアセスメントされ、目的カテゴリーは、信頼性、価値、独自性、応用特性との関連でアセスメントされる。一方、人々カテゴリーは、その関係性、専門性、説明責任、責任特性との関連でアセスメントされる。
Each of the 10 data equity characteristics in the framework is also associated with a set of related key issues, drawn from other existing data frameworks, including the OECD Privacy Principles,19 EU Data Protection Principles,20 OECD AI Principles,21 Responsible Algorithm Principles,22 Five Safes Framework,23 FAIR Principles,24 CARE Principles25 and Indigenous Data Sovereignty Principles.26 By mapping these issues to the framework’s core characteristics, seamless integration with existing data management principles is ensured. This approach not only aligns with current best practices but also empowers practitioners and users to implement data equity seamlessly in their operations.	この枠組みにおける10のデータの公平性の特徴はそれぞれ、OECDプライバシー原則19、EUデータ保護原則20、OECD AI原則21、責任ある アルゴリズム原則、22 Five Safesフレームワーク、23 FAIR原則、24 CARE原則25、先住民データ主権原則26など、他の既存のデータフレームワークから抽出された一連の関連する主要な問題とも関連している。これらの問題をフレームワークの中核的な特性にマッピングすることで、既存のデータ管理原則とのシームレスな統合が確保される。このアプローチは、現在のベストプラクティスに一致するだけでなく、実務者やユーザーが業務にデータの公平性をシームレスに導入することを可能にする。
Data equity issues arise throughout the different phases of the data life cycle: during the input stage (collection and curation), the process stage (processing and analysis) and the output stage (visualization, sharing, application of resulting insights, benefit-sharing, reuse, retention and afterlife, and disposal), as displayed in Table 1.	データの公平性の問題は、データのライフサイクルのさまざまな段階で発生する。すなわち、入力段階(収集と管理)、プロセス段階(処理と分析)、出力段階(可視化、共有、結果の洞察の応用、利益の共有、再利用、保存とその後、廃棄)である。表1に示されているように、
Data Life Cycle Stage	データライフサイクルの段階
Tada life cycle sub-stage	ライフサイクルのサブステージ
Input	入力
Collection	収集
Curation	キュレーション
Process	プロセス
Processing	処理
Analysis	分析
Output	アウトプット
Visualization	可視化
Sharing	共有
Application of resulting insights	結果の洞察の応用
Benefit Sharing	利益の共有
Reuse	再利用
Retention and Afterlife	保管とアフターケア
Disposal	廃棄
Given the impact of data on the digital society, it is crucial to ensure that data equity is preserved across all stages of the data life cycle, as quality and equity issues that are neglected in earlier stages cannot simply be remedied at a later stage. By considering data equity from the initial stage of data collection, inequitable practices and outcomes later in the data life cycle can be minimized. Moreover, data collectors should also consider the possible subsequent (re)use of their data by other actors in potentially harmful ways.	デジタル社会におけるデータの影響を考慮すると、データのライフサイクルの全段階を通じてデータの公平性が確保されることが極めて重要である。なぜなら、初期の段階で無視された品質や公平性の問題は、後の段階で簡単に修正できるものではないからだ。データの収集の初期段階からデータの公平性を考慮することで、データライフサイクルの後の段階における不公平な慣行や結果を最小限に抑えることができる。さらに、データ収集者は、他の関係者によるデータの潜在的に有害な方法での(再)利用の可能性についても考慮すべきである。
Therefore, as part of the framework, a series of questions have been developed to consider data characteristics at the input, process and output stages, including a few suggested initial actions to implement data equity.31 The questions and suggested actions are depicted below.	そのため、フレームワークの一部として、データ特性をインプット、プロセス、アウトプットの各段階で考慮するための一連の質問が作成された。また、データの公平性を実現するための初期段階でのいくつかの推奨アクションも提示されている。31 質問と推奨アクションは以下に示されている。