L'historique de votre localisation, vos opinions politiques, votre situation financière — votre téléphone a déduit tout cela, à partir de données que vous ne saviez pas fournir.
Charlotte May / Pexels
Il y a une différence entre les données que vous donnez à votre téléphone et les données que votre téléphone prélève. Les données que vous lui donnez sont évidentes : votre nom, vos contacts, les photos que vous choisissez de stocker, les messages que vous choisissez d'envoyer. Les données qu'il prélève sont autre chose — une récolte continue et largement invisible de signaux que vous produisez par une utilisation ordinaire et qui, individuellement, semblent triviales, mais qui en combinaison constituent un portrait de votre vie plus détaillé que tout ce que vous avez consciemment construit.
Votre accéléromètre génère 100 lectures par seconde. Chaque lecture reflète les mouvements de votre corps : marcher, s'asseoir, conduire, dormir, courir. Le schéma de vos données d'accéléromètre sur 24 heures révèle votre horaire de sommeil, votre mode de transport, vos habitudes d'exercice, et le rythme spécifique de votre vie quotidienne sans que vous ne tapiez un seul mot. Le microphone de votre téléphone, dans certaines applications, écoute le son ambiant non pour enregistrer des conversations mais pour détecter l'environnement sonore dans lequel vous vous trouvez : un bar sportif, une bibliothèque, une voiture, un concert. L'antenne GPS suit en continu votre position lorsque les applications le demandent, construisant un historique de mouvements dont les implications vont bien au-delà des lieux que vous avez visités.
Le mécanisme qui connecte ces flux de données à la connaissance de vous est l'inférence — le processus par lequel les schémas de votre comportement prédisent des faits vous concernant qui ne sont pas directement mesurés. L'étude de Stanford qui a déduit l'orientation sexuelle à partir des traits du visage a fait les gros titres. L'algorithme de Target $TGT qui a identifié les clients enceintes à partir de données d'achat a fait les gros titres. Moins remarqué est que la même logique inférentielle opère en continu, en arrière-plan, sur les flux de données que génère votre téléphone, construisant un modèle de vous qui est mis à jour des milliers de fois par jour.
Cette liste couvre 20 choses spécifiques que votre téléphone sait sur vous — la source de données, le mécanisme d'inférence, et la pièce spécifique de connaissance qu'il produit. Plusieurs de ces choses sont celles dont la plupart des gens sont conscients en théorie mais n'ont pas réfléchi aux détails. Plusieurs sont réellement inconnues de la plupart des utilisateurs de smartphones. Toutes se produisent en ce moment, sur l'appareil dans votre poche, que vous ayez cliqué ou non sur "Je suis d'accord" sur une politique de confidentialité qui les a techniquement divulguées.
Dustin Konrad / Pexels
Votre téléphone sait où vous habitez et où vous travaillez sans que vous ayez saisi l'une ou l'autre adresse. Le mécanisme est simple : le journal GPS et le schéma de l'endroit où le téléphone passe ses nuits (domicile) et ses heures de jour en semaine (travail) rendent les deux adresses déductibles en quelques jours après l'entrée en service du téléphone. Les applications de cartographie et les systèmes d'exploitation utilisent explicitement cette inférence — Google $GOOGL Maps présente "domicile" et "travail" comme des destinations suggérées en fonction de l'historique de localisation même lorsque l'utilisateur n'a pas saisi ces adresses dans les paramètres.
La signification de connaître vos adresses de domicile et de travail n'est pas seulement directionnelle : ces deux lieux, combinés avec les trajets entre eux, définissent la géographie de votre vie quotidienne et sont les points d'ancrage principaux à partir desquels les annonceurs, les courtiers en données et les applications qui accèdent à votre historique de localisation peuvent construire un modèle de votre quartier, de votre niveau de revenu, de vos comportements de déplacement, et des contextes commerciaux et institutionnels entre lesquels vous évoluez.
Les courtiers en données de localisation — des entreprises qui agrègent des données GPS achetées auprès de développeurs d'applications et les revendent — ont démontré leur capacité à identifier les adresses de domicile des individus à partir de données de localisation anonymisées dans plusieurs enquêtes publiées. Une enquête du New York Times de 2018 a révélé que les données de localisation vendues comme "anonymes" pouvaient être ré-identifiées à des individus spécifiques en utilisant leur adresse de domicile comme point d'ancrage, l'historique de localisation révélant ensuite des rendez-vous médicaux, des fréquentations religieuses, et d'autres comportements sensibles.
Miriam Alonso / Pexels
L'accéléromètre de votre téléphone, combiné avec le journal d'activité de l'écran du téléphone, révèle votre rythme de sommeil avec une grande précision, sans qu'aucune application de suivi du sommeil ne soit installée. Les signaux spécifiques : le téléphone s'éteint (écran éteint), reste immobile (accéléromètre plat) et silencieux (aucune notification générée) à une heure constante chaque nuit et revient à l'activité à une heure constante chaque matin. Ce schéma est détectable à partir des données brutes d'utilisation du téléphone sans aucun capteur dédié.
Les applications de suivi du sommeil qui demandent l'accès à l'accéléromètre rendent cette inférence explicite et utile — transformant le schéma de sommeil inféré en une analyse affichée des phases de sommeil. Mais les données sous-jacentes existent indépendamment de l'installation de l'application de suivi du sommeil : chaque application qui accède aux données de l'accéléromètre ou aux journaux d'utilisation dispose de la matière première pour inférer le moment du sommeil, et le système d'exploitation du téléphone enregistre ces données en continu.
Les implications de connaître le rythme de sommeil de quelqu'un vont au-delà de l'évidence : le moment du sommeil est corrélé avec le chronotype (si une personne est naturellement du matin ou du soir), qui est à son tour corrélé avec les traits de personnalité, les résultats de santé et la performance au travail. L'irrégularité du sommeil est corrélée avec les troubles mentaux, la consommation de substances, et le stress socio-économique. Le rythme de sommeil inféré à partir des données du téléphone n'est pas seulement un fait pratique sur le moment où quelqu'un est réveillé ; c'est un signal de santé et de comportement d'une valeur prédictive significative.
Luriko Yamaguchi / Pexels
Vos opinions politiques peuvent être déduites à partir des données de votre téléphone par plusieurs mécanismes qui se chevauchent, dont aucun ne nécessite que vous ayez explicitement exprimé une préférence politique. Les applications que vous avez installées (applications de nouvelles, applications de réseaux sociaux, applications de pétition, applications de dons) révèlent l'orientation politique. Les sites web que vous visitez le révèlent. Les contacts dans votre carnet d'adresses — et les affiliations politiques de ces contacts, s'ils sont des électeurs inscrits dans des états avec des données d'inscription des électeurs publiques — le révèlent par inférence du réseau social. Les quartiers que votre historique GPS montre que vous avez visités le révèlent par la corrélation bien documentée entre la géographie résidentielle et l'affiliation politique aux États-Unis.
L'inférence politique à partir des données des smartphones n'est pas hypothétique : elle est la base opérationnelle du ciblage politique par les campagnes, les comités d'action politique et les courtiers de données qui les approvisionnent. Une enquête de Vice en 2020 a révélé que l'armée américaine avait acheté des données de localisation de smartphones à partir d'une application de prière musulmane et d'une application de rencontre musulmane pour suivre les mouvements des individus dans les pays majoritairement musulmans — démontrant que l'inférence de l'identité religieuse par catégorie d'application (un corrélat fort des opinions politiques dans de nombreux contextes) a été déployée opérationnellement à un niveau gouvernemental.
L'inférence politique spécifique qui est la plus précise et la plus inquiétante est l'inférence du réseau social : parce que les opinions politiques sont fortement corrélées au sein des réseaux sociaux, connaître les affiliations politiques de vos contacts (à partir des listes électorales, des dossiers de dons, de l'activité sur les réseaux sociaux) permet d'estimer vos opinions politiques avec une grande précision à partir de votre carnet d'adresses seul.
Tima Miroshnichenko / Pexels
Votre téléphone déduit votre situation financière grâce à la combinaison de votre historique de localisation, votre portefeuille d'applications, votre comportement d'achat (si vous utilisez un système de paiement mobile) et les schémas de temps spécifiques de l'utilisation de votre téléphone. L'inférence n'est pas précise — le téléphone ne connaît pas votre solde de compte — mais elle est directionnellement précise et commercialement précieuse.
L'inférence basée sur la localisation est la plus fiable : votre historique GPS révèle les magasins où vous faites vos courses (chaînes d'épicerie discount contre Whole Foods, magasins à un dollar contre boutiques de détail), les restaurants où vous mangez, les quartiers où vous vivez et travaillez, et les environnements commerciaux spécifiques que vous fréquentez. Chacun de ces signaux de localisation porte une corrélation de revenu qui, globalement, produit une estimation raisonnablement précise de votre niveau de revenu familial.
L'inférence du portefeuille d'applications ajoute de la spécificité : la présence d'applications de prêts sur salaire, de location-vente ou de paiement différé sur votre téléphone signale une contrainte financière. La présence d'applications d'investissement, de services d'abonnement premium et d'applications de vente au détail haut de gamme signale un confort financier. Cette inférence basée sur les applications est utilisée par les entreprises de services financiers pour présélectionner les clients potentiels et par les annonceurs pour cibler des offres adaptées aux revenus sans poser de questions sur les revenus auxquelles les utilisateurs refuseraient de répondre.
Nataliya Vaitkevich / Pexels
La combinaison de l'historique GPS et des données de localisation horodatées rend votre routine quotidienne prévisible à un degré que la plupart des gens trouvent surprenant quand on le leur explique. Les recherches de Marta González, informaticienne à l'Université Northeastern, publiées dans Nature en 2008, ont révélé que les schémas de mouvement humain sont prévisibles à environ 93 % à partir de l'historique des localisations — que les endroits où vous serez à un moment donné n'importe quel jour sont fortement contraints par le modèle de vos déplacements à ces moments les jours précédents.
Cette prévisibilité est commercialement utile (elle permet aux annonceurs de placer des publicités géographiquement ciblées avant votre arrivée à un lieu) et constitue également la base de plusieurs atteintes documentées à la vie privée : des harceleurs ont utilisé des données de localisation obtenues via des courtiers en données d'applications pour suivre des cibles ; les forces de l'ordre ont utilisé des mandats de géorepérage pour obtenir les historiques de localisation de tous les téléphones présents à un endroit donné à un moment donné ; et les compagnies d'assurance dans certains marchés ont utilisé des données de mobilité pour ajuster les primes en fonction du comportement déduit.
L'idée précise qui rend votre routine plus exposée que vous ne le pensez est la distinction entre ce que vous dites aux applications et ce qu'elles observent : vous avez peut-être refusé l'accès à la localisation pour la plupart des applications, mais celles qui l'ont — cartes, météo, fitness — créent un historique de localisation qui révèle toute la routine.
Ivan S / Pexels
Votre téléphone déduit votre état émotionnel par une combinaison de signaux qui, individuellement, semblent sans rapport avec l'émotion mais qui, dans l'ensemble, prédisent la condition émotionnelle. La vitesse de frappe et le taux d'erreurs dans les applications de messagerie sont corrélés avec le stress et la charge cognitive. Les habitudes d'utilisation de l'écran (sessions plus longues, plus de changements d'application, contrôles plus fréquents) sont corrélées avec l'anxiété et la rumination. La sélection musicale est corrélée avec l'humeur. Le moment et la durée des interactions sur les réseaux sociaux sont corrélés avec la solitude et le besoin social.
Des recherches au MIT et à Stanford ont démontré que les données passives des smartphones (collectées sans aucune saisie ou journalisation de l'humeur par l'utilisateur) peuvent prédire la dépression et l'anxiété avec une précision comparable aux instruments d'évaluation clinique. Une étude de 2018 publiée dans JMIR Mental Health a constaté que les seuls modèles de mobilité GPS - en particulier, la mobilité réduite, le temps réduit passé hors de la maison et la variété réduite des lieux - prédisaient les épisodes dépressifs avec une précision significative.
Les applications de santé mentale utilisent cette inférence de manière explicite et intentionnelle - elles sont conçues pour déduire l'état émotionnel à partir des données passives du téléphone. Mais les mêmes signaux sont disponibles pour toute application avec un accès suffisant aux données, y compris les plateformes de réseaux sociaux, qui ont un intérêt commercial documenté dans la compréhension des états émotionnels des utilisateurs et un historique documenté de l'utilisation de cette compréhension pour maximiser l'engagement.
Mart Production / Pexels
Votre téléphone déduit des aspects de votre santé physique à partir de la combinaison de données de l'accéléromètre, de l'historique GPS, et du comportement des applications qui révèlent votre niveau d'activité, votre emploi du temps de rendez-vous médicaux et les symptômes spécifiques pour lesquels vous avez cherché ou demandé des informations.
L'inférence GPS est la plus directe : votre historique de localisation révèle quels établissements médicaux vous avez visités, avec quelle fréquence et à quels moments. Les visites à un centre d'oncologie, une clinique de dialyse, une clinique de fertilité ou un établissement de santé mentale sont identifiables à partir des données de localisation, même si aucune information de santé n'est explicitement fournie à une application. Une étude de 2019 publiée dans le Journal of the American Medical Informatics Association a démontré que les emplacements des rendez-vous médicaux étaient identifiables à partir des données de localisation commerciale avec une grande précision.
L'inférence des recherches et du comportement des applications ajoute de la spécificité : les recherches de noms de médicaments, de descriptions de symptômes et d'options de traitement sont enregistrées par le moteur de recherche et, dans de nombreux cas, utilisées pour le ciblage publicitaire. La présence d'applications spécifiques de gestion de la santé (gestion du diabète, surveillance de la tension artérielle, suivi de la fertilité) sur votre téléphone révèle l'état qu'elles sont conçues pour gérer. La combinaison des données de localisation et des applications crée un profil de santé qui est, pour de nombreux utilisateurs, plus complet que celui des données de réclamations de leur compagnie d'assurance.
Kampus Production / Pexels
Votre téléphone déduit votre statut relationnel et la structure de votre réseau social à partir de la combinaison de votre liste de contacts, de vos habitudes de communication et de votre historique de localisation. La liste de contacts révèle qui vous connaissez ; la fréquence de communication révèle à qui vous êtes proche ; les données de localisation révèlent avec qui vous passez du temps physiquement.
L'inférence spécifique du statut de relation amoureuse est très précise à partir des données d'appels et de messages : la personne avec qui vous communiquez le plus fréquemment, et avec qui vos données de localisation montrent une co-présence physique significative, est identifiable comme partenaire romantique probable avec une haute probabilité. La recherche sur les données de communication mobile a montré que les relations amoureuses sont identifiables à partir des relevés d'appels avant que les individus impliqués n'aient mis à jour leur statut relationnel sur les réseaux sociaux.
L'inférence du réseau social a des implications au-delà du personnel : le comportement de votre réseau social prédit votre propre comportement de manière documentée. Les comportements de santé, les décisions d'achat et les opinions politiques de vos amis sont prédictifs des vôtres. Cela signifie que les données sur vos contacts — des personnes qui n'ont pas consenti à une relation avec le développeur de l'application — sont utilisées pour modéliser et prédire votre comportement à travers les effets de réseau social.
Yuri Félix / Pexels
Votre téléphone sait comment vous vous déplacez — en voiture, en transports en commun, à vélo ou à pied — à partir de la combinaison des données de vitesse GPS et des modèles d'accéléromètre spécifiques à chaque mode de transport. Un déplacement en voiture produit des traces GPS fluides, suivant la route à 30 à 60 mph avec la signature de vibration spécifique d'un véhicule en mouvement. Un déplacement en métro produit le modèle spécifique de perte de signal GPS dans les tunnels alternant avec des corrections de position de surface aux emplacements des stations. Un déplacement à vélo produit des vitesses GPS de 10 à 15 mph avec le modèle d'accéléromètre spécifique du pédalage.
Cette inférence du mode de transport est utilisée explicitement par les applications de cartographie (Google $GOOGL Maps et Apple $AAPL Maps l'utilisent pour améliorer leurs données de trafic et de transit en temps réel) et par les courtiers en données pour la publicité et le profilage comportemental. Les personnes qui se déplacent en transports en commun se trouvent à des endroits différents des automobilistes au même moment ; leur comportement d'achat, leur exposition à la publicité extérieure et leurs profils démographiques diffèrent de manière à rendre l'inférence commercialement précieuse.
Les données sur les habitudes de transport ont également été utilisées de manière agrégée par les urbanistes, les départements des transports et les promoteurs immobiliers pour comprendre les modèles de mobilité et prévoir la demande d'infrastructure — des utilisations moins sensibles individuellement mais qui démontrent l'étendue des inférences possibles à partir de ce qui semble être des données de localisation simples.
Magali Guimaraes / Peels
Votre téléphone déduit votre religion de la combinaison de l'historique de localisation, des données de calendrier et du portefeuille d'applications qui révèlent la pratique religieuse. Un téléphone qui se trouve systématiquement dans le même bâtiment au même moment chaque semaine — une église, une mosquée, une synagogue, un temple — et qui a un calendrier avec des fêtes religieuses récurrentes marquées produit une inférence religieuse qui ne nécessite aucune déclaration explicite de foi.
L'inférence de la mosquée est la plus documentée dans les contextes de surveillance : l'utilisation par le gouvernement américain des données des applications de prière musulmanes décrite dans une entrée précédente démontre que l'inférence de l'identité religieuse basée sur la catégorie d'applications a été déployée de manière opérationnelle au niveau gouvernemental. Mais la même inférence est disponible à partir des données de localisation GPS pour toute institution religieuse qui a un emplacement distinctif et un modèle de fréquentation prévisible.
L'inférence basée sur les applications ajoute de la spécificité : la présence de l'application Coran, de l'application Bible, de l'application Siddur, ou des applications de communauté religieuse sur un téléphone révèle une affiliation religieuse avec une grande spécificité. Ces applications accordent souvent l'accès à la localisation, au calendrier et aux contacts, ce qui leur permet de construire des profils détaillés de la pratique religieuse — et les données qu'elles collectent sont soumises aux mêmes pratiques de partage de données commerciales que n'importe quelle autre application, avec l'affiliation religieuse comme un attribut qui peut être vendu à des courtiers en données et utilisé pour le ciblage.
Kaboom Pics / Pexels
Votre téléphone estime votre niveau de richesse à partir de plusieurs flux de données convergents au-delà de l'inférence de revenu décrite dans l'entrée sur la situation financière. L'appareil lui-même est un signal : un iPhone 15 Pro Max vendu au détail à 1 199 $ signale un revenu différent d'un appareil Android vendu au détail à 199 $, et l'écosystème d'applications sur chaque appareil reflète un comportement d'achat qui affine encore l'estimation.
La combinaison de l'adresse du domicile (déduite de la localisation), du véhicule (déduit des schémas GPS associés aux véhicules dans les parkings et du mouvement à grande vitesse sur l'autoroute), de l'historique de voyage (vols déduits des traces GPS montrant un mouvement rapide sur de longues distances) et de l'historique des lieux d'achat produit une estimation de revenu que les firmes de recherche démographique ont jugée précise au sein de grandes tranches de revenu pour la majorité des utilisateurs de smartphones.
Cette inférence de richesse est utilisée le plus agressivement dans la publicité des services financiers : les sociétés de cartes de crédit, les plateformes d'investissement et les marques de luxe ciblent la publicité basée sur les tranches de richesse inférées plutôt que sur le revenu déclaré, car les utilisateurs ne déclarent pas leurs revenus aux applications mais leurs téléphones les révèlent par le biais de leur comportement.
Samson Katt / Pexels
L'orientation sexuelle fait partie des caractéristiques personnelles que les données des smartphones peuvent déduire, principalement par la combinaison du portefeuille d'applications et de l'historique de localisation. Les applications installées sur un téléphone — applications de rencontre, applications communautaires et applications médias associées à des communautés spécifiques — sont l'un des signaux les plus directs disponibles pour les systèmes de données. L'historique de localisation ajoute un contexte supplémentaire : les visites GPS à des lieux spécifiques, des centres communautaires ou des événements associés à des groupes particuliers sont identifiables à partir des enregistrements de localisation.
L'inférence du réseau social est le mécanisme que les chercheurs ont trouvé le plus significatif : parce que les réseaux sociaux ont tendance à être corrélés à l'interne sur de nombreux attributs personnels, un système qui connaît les attributs de vos contacts proches peut faire des inférences probabilistes sur vos propres attributs sans signaux directs. Cela fonctionne entièrement à travers les données comportementales et de réseau plutôt que par ce que l'utilisateur a déclaré.
Le mécanisme décrit ici est le même qui fonctionne pour la plupart des inférences de cette liste : votre téléphone ne demande pas cette information, et vous ne l'avez pas fournie. Elle est dérivée des modèles comportementaux qui, combinés, permettent aux systèmes d'estimer des caractéristiques personnelles que la plupart des utilisateurs considèrent comme privées. La même infrastructure de données commerciales qui permet la publicité ciblée permet ce type d'inférence.
Ketut Subiyanto / Pexels
Votre téléphone déduit la consommation d'alcool et de substances par la combinaison de l'historique de localisation (visites de bars, magasins de spiritueux, dispensaires ou établissements de traitement de la toxicomanie), des données d'achat (si vous utilisez des systèmes de paiement mobile liés à votre téléphone), et des modèles comportementaux (utilisation du téléphone tard le soir, modèles d'utilisation d'applications spécifiques associés à des contextes de consommation de substances).
L'inférence de localisation est la plus directe : un historique GPS qui montre des visites régulières dans des bars en semaine le soir, ou des visites régulières dans un dispensaire, ou des visites à un lieu de réunion des Alcooliques anonymes, produit chacune une inférence différente sur le comportement en matière d'alcool et de substances. L'inférence de l'établissement de traitement — identifiant les visites dans des centres de traitement de la toxicomanie — est particulièrement sensible, car elle révèle à la fois l'usage et la tentative d'y remédier.
Les compagnies d'assurance sur les marchés où les données comportementales sont utilisées pour la souscription ont montré de l'intérêt pour l'inférence de consommation de substances à partir des données des smartphones. Les entreprises de vérification des antécédents professionnels ont été documentées accédant aux données de localisation des courtiers en données. Le préjudice spécifique de l'inférence de consommation de substances à partir des données des smartphones est la combinaison de sa précision et de sa sensibilité dans les contextes d'emploi, d'assurance et juridiques.
Tom Fisk / Pexels
Les données des smartphones prédisent la personnalité sur les cinq grands traits de personnalité (ouverture, conscience, extraversion, amabilité, névrosisme) avec une précision que la littérature de recherche a trouvée modérée mais significative — meilleure que le hasard, et dans certaines dimensions comparable à la précision de l'auto-évaluation.
Les corrélats comportementaux spécifiques de la personnalité que les données téléphoniques révèlent : les extravertis ont des réseaux de contacts plus grands et plus diversifiés, passent plus de temps dans des lieux sociaux variés et ont une utilisation d'applications plus variée. Les personnes consciencieuses ont des horaires de sommeil plus réguliers, des routines quotidiennes plus cohérentes et une variabilité du temps d'écran plus faible. Les personnes névrotiques montrent une fréquence de vérification du téléphone plus élevée, un changement d'application plus fréquent et des schémas de sommeil plus irréguliers.
Des recherches publiées dans les Actes de l'Académie nationale des sciences en 2015 ont démontré que les "likes" sur Facebook $META — une source de données plus simple et moins riche que les données comportementales complètes des smartphones — prédisaient la personnalité plus précisément que les évaluations des amis et de la famille de l'utilisateur dans plusieurs dimensions. L'implication pour les données comportementales complètes des smartphones est que le modèle de personnalité qui en découle est plus précis que tout instrument d'auto-évaluation.
Helena Lopes / Pexels
Que vous ayez des enfants, et approximativement quel âge ils ont, est inférable à partir des données des smartphones par plusieurs mécanismes. L'inférence de localisation est la plus directe : les visites GPS chez les pédiatres, les écoles, les garderies, les terrains de jeux et les lieux d'activités pour enfants révèlent la présence et l'âge approximatif des enfants dans le foyer.
L'inférence du portefeuille d'applications ajoute de la spécificité : la présence d'applications de parentalité, d'applications éducatives pour enfants, d'applications de calendrier familial et d'applications de surveillance de bébé sur un téléphone révèle le statut parental avec une grande spécificité. L'inférence de la liste de contacts ajoute une corroboration : les contacts identifiés comme administrateurs scolaires, pédiatres ou autres parents dans un réseau communautaire scolaire révèlent le lien avec un enfant d'âge scolaire.
Cette inférence du statut parental est utilisée commercialement pour cibler des produits et services liés à la parentalité, et elle est également utilisée par les courtiers en données qui vendent "parent" comme un attribut démographique. L'inférence est faite sans aucun consentement parental à la divulgation d'informations sur leurs enfants — qui sont, dans la plupart des juridictions, protégés contre la collecte de données commerciales — car l'inférence opère via les données téléphoniques du parent plutôt que toute donnée collectée directement auprès de l'enfant.
Soc Nang Dong / Pexels
Votre téléphone déduit vos habitudes alimentaires à partir de la combinaison de l'historique des lieux de restaurants, de l'historique des commandes d'applications de livraison de repas (si lié à votre compte), des visites de magasins d'alimentation et du comportement de recherche. La combinaison produit un profil de vos habitudes alimentaires qui est plus détaillé que ce que la plupart des gens décriraient consciemment d'eux-mêmes.
L'inférence des lieux de restaurants est la plus largement disponible : votre historique GPS montrant des visites régulières dans des fast-foods, des restaurants végétariens, des restaurants halal ou des restaurants végétaliens révèle des préférences et des restrictions alimentaires sans aucune divulgation explicite. L'inférence de l'application de livraison de repas est la plus granulaire : chaque commande passée via une plateforme de livraison de repas est enregistrée, horodatée et associée à votre identité, créant un dossier alimentaire détaillé.
La valeur commerciale des données de préférences alimentaires est significative : les marques alimentaires, les entreprises pharmaceutiques et les assureurs sont parmi les acheteurs de données comportementales alimentaires. La sensibilité spécifique des données alimentaires pour certaines populations — personnes diabétiques gérant l'apport en glucides, personnes suivant des lois alimentaires religieuses, personnes atteintes de troubles alimentaires — rend leur disponibilité commerciale préoccupante pour la vie privée au-delà de l'utilisation marketing évidente.
AI25.Studio / Pexels
Votre téléphone déduit votre profil de risque d'assurance — la combinaison de facteurs comportementaux qui prédisent la probabilité de déposer une réclamation d'assurance — à partir des données de comportement de conduite, des données de comportement de santé et des données de localisation auxquelles les assureurs et leurs partenaires de courtiers en données accèdent par le biais d'achats de données d'applications.
L'inférence des comportements de conduite est la plus développée : les applications de télématique installées avec la connaissance de l'utilisateur (Snapshot de Progressive $PGR, Drive Safe & Save de State Farm) collectent des données de conduite explicites. Mais les données de comportement de conduite sont également collectées sans applications de télématique dédiées, via les données d'accéléromètre et de GPS auxquelles accèdent les applications de navigation et de musique, et sont vendues par des courtiers en données aux assureurs. Des recherches ont montré que les données de comportement de conduite dérivées des smartphones prédisent le risque d'accident avec une précision comparable à celle des dispositifs de télématique dédiés.
L'inférence des comportements de santé s'ajoute au profil de risque : les visites de localisation dans des établissements médicaux, les habitudes de sommeil, les niveaux d'activité et les signaux de consommation de substances décrits dans d'autres entrées ont tous une pertinence actuarielle. Dans les marchés où les assureurs ont accès aux données comportementales des courtiers en données, ces inférences sont intégrées dans les modèles de risque — un développement que les régulateurs d'assurance dans la plupart des juridictions n'ont pas encore abordé.
Dave Garcia / Pexels
L'origine nationale et l'activité liée à l'immigration peuvent être déduites des données des smartphones grâce à une combinaison d'historique de localisation, de paramètres linguistiques et de modèles de communication. L'inférence de localisation est la plus directe : les visites GPS aux bureaux gouvernementaux, aux organisations d'aide juridique, aux consulats et aux centres de traitement associés aux services d'immigration et de visa sont identifiables à partir des enregistrements de localisation de la même manière que pour toute autre catégorie de visite de lieu.
L'inférence linguistique ajoute de la spécificité : le paramètre de langue d'un téléphone, les applications installées dans des langues particulières et les modèles linguistiques visibles dans les noms de contacts et les applications de communication fournissent tous des signaux sur l'origine nationale. Les modèles de communication — la fréquence et les destinations géographiques des appels et messages internationaux — ajoutent un contexte supplémentaire sur les liens d'un utilisateur avec des pays spécifiques.
Ces signaux ne sont pas uniques à l'immigration ; ils décrivent un modèle plus large de la manière dont l'origine nationale, les liens internationaux et l'engagement civique avec les institutions gouvernementales et juridiques sont visibles dans les données de comportement des smartphones. La même infrastructure de données qui infère l'origine nationale à des fins publicitaires produit des données commercialement disponibles via des courtiers en données, avec les mêmes limitations d'utilisation-restriction (et leur absence) qui s'appliquent à d'autres catégories de données de localisation et de comportement.
Kaboom Pics / Pexels
La santé mentale est l'un des attributs personnels les plus sensibles, et c'est aussi l'un des plus inférables à partir du comportement passif des smartphones. Les mécanismes couvrent plusieurs flux de données : les modèles de mobilité GPS ont été montrés dans des recherches évaluées par des pairs pour corréler avec des épisodes dépressifs ; les modèles de communication sociale (réduction de la fréquence, messages plus courts, temps de réponse plus longs) corrèlent avec l'anxiété et l'humeur ; la présence d'applications de santé mentale et de bien-être sur un téléphone reflète les conditions qu'elles sont conçues pour soutenir ; et l'historique de localisation montrant des visites chez des thérapeutes ou des établissements de santé mentale est identifiable à partir des enregistrements GPS.
Le tableau global que les données des smartphones assemblent sur la santé mentale est détaillé, car les symptômes comportementaux — mobilité réduite, sommeil perturbé, retrait social, changements dans les modèles de communication — sont capturés de manière passive et continue, pas seulement lors des rencontres cliniques. La recherche publiée dans des revues académiques a démontré que les données passives des smartphones peuvent identifier des périodes de difficulté mentale avec une précision significative.
Les données des applications de santé mentale sont soumises aux mêmes politiques de confidentialité et aux mêmes pratiques de partage de données que les autres catégories d'applications. Les utilisateurs d'applications de santé mentale doivent examiner les conditions de partage des données des applications spécifiques qu'ils utilisent, car celles-ci varient considérablement d'un produit à l'autre. Le point plus large — que les signaux comportementaux provenant de l'utilisation ordinaire du téléphone portent une capacité d'inférence sur la santé mentale indépendante de toute application dédiée — reflète le principe général qui s'applique tout au long de cette liste : votre téléphone observe continuellement votre comportement, et le comportement est un signal fiable sur de nombreuses choses que vous pourriez préférer garder privées.
Vitaly Gariev / Pexels
Votre téléphone prédit votre comportement futur — les produits que vous achèterez, les endroits où vous irez, les services auxquels vous vous inscrirez — avec une précision qui est la prémisse commerciale centrale de l'industrie de la publicité comportementale. La prédiction est basée sur la combinaison de votre historique comportemental (ce que vous avez fait) et des habitudes comportementales de personnes démographiquement similaires à vous (ce que les gens comme vous ont tendance à faire ensuite).
La prédiction d'achat est la plus développée commercialement : Google $GOOGL, Meta $META et Amazon $AMZN exploitent chacun des systèmes de publicité prédictive qui identifient les utilisateurs en phase de pré-achat de catégories de produits spécifiques en fonction du comportement de recherche, des visites de lieux pertinents et de l'utilisation d'applications pertinentes pour la catégorie. Ces systèmes ne vous montrent pas seulement des publicités pour des choses que vous avez recherchées ; ils vous montrent des publicités pour des choses que le système prédit que vous rechercherez ensuite, en fonction de la séquence comportementale qui précède généralement cette recherche.
La prédiction de localisation est la base de la publicité géorepérage — placer des publicités devant les utilisateurs avant qu'ils n'arrivent à un endroit où un achat pertinent pourrait être effectué, en fonction de leurs schémas de mouvement prévisibles. La prédiction comportementale est la base des systèmes de recommandation "les gens achètent aussi" et "vous pourriez aimer" qui représentent une part significative des revenus du commerce électronique. Le futur vous que votre téléphone a modélisé est, pour la plupart des utilisateurs, un prédicteur plus précis de votre comportement que vos propres intentions conscientes.
