Twitter te conoce exactamente: cómo los algoritmos reconstruyen la vida de los usuarios a partir de 144 metadatos

“Utilizando los metadatos, pudimos identificar a cada uno de los 10.000 usuarios con una precisión del 96,7 por ciento”. Esto es lo que dice el estudio ““Tú eres tus metadatos”, que fue publicado por el trío de investigadores Beatrice Pérez, Mirco Musolesi y Gianluca Stringhini del University College London y el Instituto Alan Turing. Con su estudio, los científicos quieren disipar el prejuicio de que los metadatos no permiten sacar conclusiones sobre los usuarios; para ello se fijaron en el servicio de mensajes cortos con sede en San Francisco. Según esto, cada usuario transmite automáticamente 144 campos de datos con cada tweet que envía al mundo digital, lo que los hace perfectos y fácilmente identificables por un sistema de máquina basado en algoritmos. Estos metadatos incluyen información como nombre de la cuenta, hora y ubicación del contenido, cuentas favoritas, seguidores, enlaces, hashtags y mucho más.

“La gente piensa que no es gran cosa”.

En cualquier caso, la densidad de información es tan alta que tres sistemas diferentes basados ​​en aprendizaje automático pudieron determinar la identidad de los usuarios. Los mejores lograron una precisión del 96,7 por ciento. Los tres sistemas fueron entrenados con tweets de un conjunto de datos final de alrededor de 5,4 millones de usuarios. El hecho de que el artículo mencione constantemente tweets de 140 caracteres no se debe a que los investigadores estuvieran desinformados, sino simplemente al momento del estudio. Los tres recopilaron los datos entre octubre de 2015 y enero de 2016, es decir, antes de que la empresa estadounidense aumentara el límite de caracteres a 280 en noviembre de 2017.

La científica involucrada, Beatriz Pérez, dijo al portal en línea Wired UKLa gente asumiría incorrectamente que los datos en línea no son indicativos de identidad. Se puede identificar fácilmente a un usuario medio utilizando los metadatos proporcionados. El quid de la cuestión es que ninguna persona sensata le diría a un extraño en la calle dónde vive. Sin embargo, si le preguntaran, probablemente le diría cuándo se enciende y apaga la luz de su dormitorio. Y esa es la mentalidad cuando se trata de metadatos, dice Pérez. “La gente piensa que no es gran cosa. Pero una vez que combino esa información con la metainformación, sé exactamente cuándo estás en casa”.

El sorprendente hallazgo del estudio: aunque los investigadores dejaron en blanco campos de datos individuales para dificultar las cosas al sistema, sólo lo consiguieron de forma limitada. Así que simplemente mezclaron el 60 por ciento de los metadatos y el sistema aun así logró descubrir las identidades de los sujetos de prueba con un 95 por ciento de precisión. “Después de perturbar el 60% de los datos de entrenamiento, es posible clasificar a los usuarios con una precisión superior al 95%”, se dice literalmente en la conclusión del estudio. Por tanto, los métodos de ofuscación son ineficaces, al igual que la anonimización de los conjuntos de datos, como subraya Pérez.

Los autores del estudio escriben que no les interesa Twitter en particular, porque el método utilizado también se puede aplicar a otras plataformas como Facebook, Flickr & Co. El objetivo es aumentar la conciencia sobre la protección de datos y los riesgos asociados con ella. metadatos. El atractivo final es que se trata de un problema urgente debido al creciente número de conjuntos de datos y metadatos de acceso abierto, así como a la popularidad de las redes sociales y sus interfaces (API).