«Публичное видео, это не просто контент. Это неаннотированный датасет, который собирается без твоего согласия. Ни TikTok, ни законы о защите данных тебя здесь не прикроют, потому что ты сам всё выложил. А потом нейросети учатся ставить тебе диагнозы по постам.»
Из ленты в датасет
Создание коротких видео для соцсетей — процесс интимный. Человек выбирает ракурс, свет, фоновую музыку, монтажный стиль. Эти выборы, как и содержание речи, микромимика, скорость движений и даже предпочтения в хэштегах, формируют уникальный цифровой профиль. Он не сводится к открытому профилю, где указаны интересы. Это поведенческий паттерн, считываемый алгоритмами платформы для удержания внимания.
Однако эти же данные представляют ценность за пределами рекомендательной системы. Для исследователей, занимающихся компьютерным зрением и анализом поведения, публичные видео, это бесценный, готовый к использованию материал. Он разнообразен, не требует организации дорогостоящих съёмок с участием актёров и, что самое главное, отражает реальные, а не постановочные эмоции и жесты. Когда пользователь выкладывает видео в открытый доступ, он передаёт платформе широкие права на использование этого контента. Эти права, как правило, включают возможность хранения, копирования, модификации и распространения. Формулировки в пользовательском соглашении настолько широки, что под них подпадает и использование видео для тренировки машинного обучения, включая медицинские исследования.
Как видео становится тренировочными данными
Процесс начинается с парсинга — автоматического сбора видео с публичных аккаунтов. Исследовательские группы или коммерческие компании создают скрипты, которые обходят платформу, скачивая видео по определённым ключевым словам, хэштегам или из списков аккаунтов. Цель — собрать большой массив данных.
Следующий этап — аннотирование. Это ручная или полуавтоматическая работа, где каждый видеофайл получает метки. Для задач распознавания психических состояний метки могут быть такими: «признаки тревоги», «речь ускорена», «сниженная моторика», «эмоциональная лабильность». Источником «правильных ответов» для аннотирования служат либо диагнозы, публично упомянутые самими авторами в описаниях или комментариях, либо оценка привлечённых экспертов-психиатров, которые смотрят видео и ставят предположительные метки. Так формируется датасет: тысячи видеофайлов, каждому из которых сопоставлен набор признаков.
Этот датасет используется для обучения модели. Архитектура нейронной сети настраивается так, чтобы находить корреляции между визуальными и аудиопаттернами в видео и поставленными аннотаторами метками. После обучения на размеченных данных модель тестируют на новой, незнакомой выборке видео. Если точность распознавания оказывается статистически значимой, исследование публикуется, а модель может быть доработана для практического применения.
Правовая серая зона: согласие и анонимность
Основное противоречие лежит в области информированного согласия. В клинических исследованиях участник подписывает документ, где чётко указаны цели использования его данных. В случае с публичным контентом такого согласия нет. Пользователь соглашается с общими условиями, которые он, вероятно, не читал. Использование его видео для медицинских исследований не является прямой целью предоставления сервиса, что создаёт этическую дилемму.
Второй аспект — анонимность. Исследователи часто утверждают, что данные обезличены. Но короткое видео, это биометрические данные. Голос, лицо, манера движений уникальны. Удаление имени пользователя из метаданных не делает видео анонимным. Для знакомых человека или для алгоритмов распознавания лиц, сопряжённых с другими базами, идентификация остаётся возможной. Таким образом, публикация диагноза или предположительного психиатрического статуса, даже в исследовательской работе, потенциально нарушает врачебную тайну и может нанести репутационный ущерб.
Потенциальное применение и риски
Исследователи видят в этой технологии потенциал для скрининга. Алгоритм мог бы анализировать видео-дневники пациентов в телемедицинских приложениях, отслеживая динамику состояния между приёмами у врача. Теоретически, это могло бы помочь в раннем выявлении проблем.
Но сценарии применения не ограничиваются медициной. Подобные технологии могут быть востребованы в других сферах:
- HR и рекрутинг: Анализ видео-резюме или записей с собеседований для оценки стрессоустойчивости, эмоциональной стабильности или склонности к риску.
- Страхование: Оценка поведенческих рисков при оформлении полисов.
- Безопасность и правоохранительные органы: Профилирование и оценка потенциальной опасности человека по его публичным выступлениям в соцсетях.
Главный риск — укоренение предвзятости (bias). Если датасет для обучения собран с перекосом (например, в основном с видео людей, открыто говорящих о депрессии), модель научится находить признаки депрессии там, где их нет, или, наоборот, не замечать их у людей с иной культурной или поведенческой спецификой. Ошибочный «диагноз», поставленный алгоритмом, может иметь серьёзные последствия, особенно если его выводы используются автоматически, без человеческого контроля.
Что можно сделать?
Полностью исключить сбор данных невозможно, но можно минимизировать свой цифровой след в контексте подобных исследований.
- Пересмотреть настройки приватности. Установите аккаунт в режим «Только для друзей» или «Только для подписчиков». Это не гарантирует абсолютной защиты (данные могут быть слиты или украдены), но значительно усложняет массовый автоматизированный сбор для посторонних.
- Внимательно относиться к тому, что попадает в кадр. Публичное обсуждение диагнозов, приёмов у психиатров или глубоко личных переживаний увеличивает шансы, что именно ваше видео будет отобрано для соответствующих исследований как «размеченный» пример.
- Требовать прозрачности от платформ. В условиях пользовательского соглашения должна быть чёткая, понятная и выделенная секция, описывающая, могут ли ваши данные (включая медиаконтент) использоваться для исследований машинного обучения, и какие именно. Механизм согласия должен быть активным (opt-in), а не молчаливым (opt-out).
- Поддерживать развитие регулирования. Правовые нормы в области биометрических данных и их использования для тренировки ИИ отстают от технологий. Необходимы законы, которые разделят публичный контент на категории и введут особые ограничения на использование видео с биометрическими признаками в медицинских и оценочных целях без явного, осознанного и отзывного согласия.
Цифровая личность сегодня, это не только аватар и посты. Это сырые данные для систем, которые учатся понимать, классифицировать и предсказывать человеческое поведение на уровне, ранее доступном только специалистам. Осознание этого превращает каждый пост из простого развлечения в акт, имеющий долгосрочные последствия в мире, где граница между публичным и приватным всё больше определяется алгоритмами.