感知隐私风险与实际隐私风险之间的差距有多大？
差距显著且可量化。2022年一项针对瑞典三所大学132名学生的研究发现，学生感知到的隐私风险是其隐私担忧的“强预测因子”，而这些担忧直接导致了非自我披露行为——即学生在感到风险时选择隐瞒数据[2]。这一影响不容小觑：该模型对隐私担忧和信任信念均解释了较高方差，表明隐私风险感知是学生行为的核心驱动力。若教育机构低估这一点，便可能基于不完整或存在偏差的数据构建分析系统。
在技术层面，2022年一项基于真实教育数据集运用马尔可夫模型的研究表明，重新识别风险（即通过匿名化数据追溯到特定学生的可能性）往往高于传统方法的估算结果，因为该模型考虑了属性之间的关联性以及事件级数据（如同一名学生的多条记录）[6]。作者明确指出，现有的大多数风险量化方法假设攻击者仅掌握有限的先验知识，这低估了现实威胁。他们的模型提供了“最坏情况”下的风险评估，而这正是教育机构应当采用却往往忽视的方法。
为何机构系统性地低估这些风险？
一个主要原因是，大多数学习分析制度框架并未将学生数据视为更广泛数据生态的一部分，而这一生态中存在着动态的权力关系与相互依存性。2023年对若干主流框架的分析发现，尽管这些框架将学习分析理解为一种数据生态系统，但“几乎没有证据表明其具备更广泛的数据生态认知”[1]。关键在于，绝大多数框架将学生数据视为“宝贵资源”，却未考虑学生对数据的所有权或自我决定权[1]。这一盲点意味着隐私与公平并未从一开始就被纳入系统设计之中。
另一个原因在于对技术解决方案的过度依赖。2022年的一项概念性综述梳理了隐私增强技术（PETs）背后的假设，发现这些假设往往建立在有缺陷的前提之上——例如，认为个体能够完全掌控作为商品的数据，或仅凭同意就足以保障隐私[3]。作者指出，隐私不仅是技术问题，更是社会与本体论层面的问题，需要采用“情境完整性”或群体隐私等应对方法。在实践中，这意味着即便机构部署了隐私增强技术，若忽视数据收集的社会情境，仍可能无法有效应对公平性风险。
这一问题具有全球性，但分布不均。2022年一项涵盖32个非洲国家隐私法规的范围综述发现，尽管许多国家已建立国家及区域层面的法律框架，但非洲高等教育机构常使用来自非洲大陆以外的学习平台，从而形成了可供利用的“数据边疆”[4]。作者指出，这引发了独特的公平性风险——例如数据主权和跨境数据传输——而这些风险极易被全球北方和南方的高等教育机构所低估。
能否在不损害分析功能的前提下，同时保护隐私与公平？
是的，但这需要经过精心设计。2024年的一项研究在大规模教育数据集上测试了隐私保护机制，发现隐私与数据效用（即数据对分析的有用性）是可以兼顾的[5]。研究人员应用了多种匿名化技术，随后评估了常见学习分析模型在受保护数据上的表现。他们的研究结果提供了“效用损失基准”，并证明隐私保护可以成为学习分析设计的核心组成部分，而非事后补救。不过，该研究也提醒，这种兼容性并非自动实现，而是需要精细的校准。
同一项2022年关于重识别风险的研究，为数据管理者提供了一套实用工作流程，用于在发布数据前评估最坏情况下的风险[6]。这使得机构能够做出明智的缓解措施决策（例如数据扰动），而非默认风险较低。结合SPICE模型中以学生为中心的方法[2]——该模型表明，增强感知隐私控制并降低感知风险能够建立信任——这些工具表明，低估风险是一种选择，而非必然。关键在于从“数据即资源”的思维模式，转向尊重学生数据主权[1]，并将隐私视为社会性挑战而不仅是技术性挑战[3]。
关于这些来源
该回答基于6篇经同行评审的研究——发表于2022年至2024年间，其中1篇为2024年及以后发表，5篇发表于Q1期刊，累计被引用197次——这些研究是从通过质量筛选的6项研究中选出的最具相关性的成果，而后者又源自从超过5亿篇论文的数据库中检索到的77篇文献。
本文引用的文献
学习分析作为数据生态：一项初步提议
分析多个学习分析框架后，这项2023年的研究发现，大多数框架将学生数据视为宝贵资源，却未考虑学生的数据所有权或自决权，也鲜有证据表明其将学习分析视为包含动态权力关系的更广泛数据生态的一部分。
学习分析中的学生隐私关切：模型构建
一项针对瑞典三所大学132名学生的2022年研究验证了SPICE模型，表明感知隐私风险是隐私担忧的强预测因子，而隐私担忧进而预测了非自我披露行为和对机构的信任。
答案（不仅）是技术层面的：在学习分析中需考虑学生数据隐私。
这篇2022年的概念性综述文章指出，针对学生数据隐私的技术解决方案（如隐私增强技术）存在不足，因为它们依赖于有缺陷的假设（例如将数据视为商品、强调个人控制），并认为隐私必须被理解为一种社会性、本体论性和情境性的问题。
非洲大陆的数据隐私：学习分析领域的机遇、挑战与启示
一项2022年针对32个非洲国家隐私法规的范围综述研究发现，尽管许多国家已建立国家层面的法律框架，但非洲高等教育机构常使用来自非洲大陆以外的平台，这带来了数据主权和跨境数据传输方面的风险，而这些风险往往容易被低估。
在学习分析中兼顾隐私保护与实用性
这项2024年的研究将隐私保护机制应用于大规模教育数据集，并评估了常见学习分析模型中的效用损失，结果表明，若从分析流程设计之初就融入保护措施，隐私与效用是可以兼容的。
基于马尔可夫模型的教育数据隐私风险量化
这项2022年研究提出了一个马尔可夫模型，用于量化教育数据集中的重识别风险，该模型考虑了属性与事件级数据之间的相关性，并发现最坏情况下的风险往往高于传统方法的假设，为数据管理者评估和降低这些风险提供了工作流程。