Chia sẻ dữ liệu tiếng Việt cho AI một cách có đạo đức nghĩa là trước khi công bố, người làm dữ liệu trả lời được bốn câu: người xuất hiện trong dữ liệu đã đồng ý cho đúng việc này chưa; ai giữ quyền với văn bản, giọng nói, hình ảnh gốc; dữ liệu có thể bị dùng để nhận diện lại hay gây hại cho ai; và cộng đồng góp dữ liệu, nhất là cộng đồng nhỏ, nhận lại được gì. Trả lời không được câu nào thì cách công bố phải thu hẹp lại, có khi là không công bố.
Bài này đặt các câu hỏi đó trong bối cảnh Việt Nam: dữ liệu cào từ mạng xã hội, ghi âm phương ngữ ở làng quê, văn bản của cơ quan, dữ liệu tiếng các dân tộc thiểu số. Phần pháp lý chỉ nêu khung chung, vì quy định về dữ liệu cá nhân ở Việt Nam đang thay đổi; khi làm thật, bạn cần tra văn bản hiện hành và hỏi người có chuyên môn pháp lý. Kỹ thuật che thông tin cá nhân có bài riêng trong danh mục "Dữ liệu tiếng Việt cho AI".
Đồng ý: cho việc gì, đến bao giờ
Đồng ý là nền của mọi dữ liệu có người trong đó, nhưng đồng ý không phải là một dấu tích chung chung. Một người đồng ý cho nhóm nghiên cứu ghi âm giọng để "nghiên cứu nhận dạng tiếng nói" chưa chắc đã đồng ý cho bản ghi được công bố tự do trên mạng, càng chưa chắc đồng ý cho một công ty dùng làm giọng đọc thương mại. Phạm vi đồng ý phải khớp với phạm vi chia sẻ. Nếu ngay từ đầu bạn định công bố mở, mẫu đồng ý phải nói rõ điều đó bằng lời dễ hiểu.
Với người lớn tuổi ở nông thôn, người ít tiếp xúc công nghệ, "dễ hiểu" nghĩa là giải thích bằng lời, bằng ví dụ, chứ không chỉ đưa tờ giấy ký. Câu hỏi nên được đặt ra: nếu người này nghe thấy giọng mình trong một đoạn video quảng cáo sau ba năm nữa, họ có ngạc nhiên không? Nếu có, sự đồng ý chưa đủ.
Thời hạn cũng là một phần của đồng ý. Người tham gia có quyền rút lại không, và rút lại thì xử lý thế nào với bản dữ liệu đã phát hành? Với dữ liệu công khai theo giấy phép mở, rút lại gần như không thực hiện được với bản đã tải về. Người làm dữ liệu cần nói thẳng điều này khi xin đồng ý, thay vì hứa điều không làm được. Trẻ em và người chưa đủ tuổi cần sự đồng ý của cha mẹ hoặc người giám hộ, và nên cân nhắc kỹ có cần dữ liệu của các em hay không.
Dữ liệu cào từ mạng: công khai không có nghĩa là được dùng tuỳ ý
Phần lớn dữ liệu văn bản tiếng Việt cho AI đến từ việc cào web: báo điện tử, diễn đàn, bình luận mạng xã hội, trang hỏi đáp. Một lập luận hay gặp là "đã đăng công khai thì ai cũng dùng được". Lập luận này bỏ qua hai điều. Thứ nhất, quyền tác giả vẫn còn với bài báo, truyện, bài viết dài, dù đọc miễn phí. Thứ hai, người viết bình luận dưới tên thật trên mạng xã hội đăng cho bạn bè, cho một cuộc thảo luận, không phải cho một bộ dữ liệu công bố toàn cầu gắn với tên họ.
Không có đáp án đơn giản cho mọi trường hợp, nhưng có vài thực hành hợp lý. Tôn trọng tệp hướng dẫn máy cào của trang web và điều khoản sử dụng. Không công bố lại nguyên văn kèm tên tài khoản, đường dẫn hồ sơ; thay bằng mã hoặc bỏ hẳn. Với nội dung có bản quyền rõ ràng, cân nhắc chỉ chia sẻ cách tái tạo dữ liệu (danh sách nguồn, mã cào) thay vì chia sẻ văn bản. Loại bỏ nhóm nội dung nhạy cảm như thông tin sức khoẻ, tôn giáo, đời tư mà người viết không ngờ sẽ thành dữ liệu.
Một vấn đề riêng là nội dung về người khác: một bài đăng tố cáo hàng xóm, một bình luận nêu tên người bị nói xấu. Người được nhắc tên không hề tham gia, không đồng ý, và có thể bị tổn hại nếu bộ dữ liệu được tìm kiếm theo tên. Bước che thông tin cá nhân phải phủ cả những người được nhắc đến, không chỉ người viết.
Rủi ro nhận diện lại: che tên chưa phải là ẩn danh
Giọng nói tự nó là dấu hiệu nhận diện. Xoá tên người nói khỏi bản ghi không làm giọng thành vô danh. Người quen nghe là nhận ra, và công nghệ so khớp giọng có thể liên kết với bản ghi khác. Với dữ liệu giọng, ẩn danh hoàn toàn gần như không thể; điều làm được là giảm rủi ro và nói thật với người tham gia.
Kết hợp thông tin nhỏ. Một bản ghi phương ngữ kèm siêu dữ liệu "nữ, trên sáu mươi tuổi, xã X, nghề làm nón" có thể chỉ khớp với một vài người trong cả xã. Từng thông tin vô hại, ghép lại thành định danh. Với cộng đồng nhỏ, nên gộp siêu dữ liệu ở mức thô hơn, ví dụ ghi tỉnh thay vì xã, khoảng tuổi rộng.
Văn bản cũng lộ người viết. Văn phong, chuyện kể riêng, chi tiết công việc có thể cho người quen nhận ra tác giả của một bài viết dù đã bỏ tên. Dữ liệu tin nhắn, thư từ, nhật ký đặc biệt rủi ro.
Mô hình có thể nhớ. Mô hình ngôn ngữ lớn có khả năng ghi nhớ và nhả lại nguyên văn đoạn dữ liệu xuất hiện nhiều lần hoặc có đặc điểm lạ, như số điện thoại hay địa chỉ. Thông tin cá nhân lọt vào dữ liệu huấn luyện có thể xuất hiện lại ở câu trả lời của mô hình. Đây là lý do lọc ở khâu dữ liệu quan trọng hơn hứa hẹn ở khâu đầu ra.
Cộng đồng nhỏ và tiếng dân tộc thiểu số: ai được lợi
Việt Nam có hơn năm mươi dân tộc, nhiều ngôn ngữ có rất ít dữ liệu số. Thu thập dữ liệu những ngôn ngữ này để làm công cụ dịch, nhận dạng giọng nói, bảo tồn là việc có ý nghĩa, nhưng cũng là nơi dễ lặp lại kiểu khai thác một chiều: người ngoài đến ghi âm, mang dữ liệu đi, công bố bài báo, cộng đồng không nhận lại gì, có khi không biết dữ liệu của mình đi đâu.
Giới nghiên cứu quốc tế đã đề xuất các nguyên tắc quản trị dữ liệu của cộng đồng bản địa, trong đó được nhắc nhiều là bộ nguyên tắc CARE: lợi ích tập thể, quyền kiểm soát của cộng đồng, trách nhiệm, và đạo đức. Bộ nguyên tắc này được đặt ra để bổ sung cho các nguyên tắc dữ liệu mở và tái sử dụng (thường gọi FAIR), vốn chú trọng kỹ thuật mà ít nói tới quyền của cộng đồng. Không cần áp máy móc, nhưng tinh thần của nó dùng được: cộng đồng nên được hỏi ý không chỉ từng cá nhân, có tiếng nói về việc dữ liệu dùng vào đâu, và nhận lại sản phẩm hữu ích.
Trong thực tế, điều đó có thể là: làm việc cùng người trong cộng đồng như đồng tác giả, không chỉ như người cung cấp; trả lại cho cộng đồng bản ghi, tài liệu, công cụ bằng hình thức họ dùng được; tôn trọng những nội dung cộng đồng coi là riêng tư hoặc không muốn công bố; và thận trọng với việc mở dữ liệu cho mục đích thương mại khi cộng đồng chưa hiểu rõ hệ quả.
Chọn mức chia sẻ phù hợp
Không phải dữ liệu nào cũng nên công bố mở, và cũng không phải dữ liệu nào cũng phải khoá kín. Bảng dưới gợi ý cách chọn mức chia sẻ theo tính chất dữ liệu.
| Mức | Phù hợp với | Điều kiện nên có |
|---|---|---|
| Công khai, giấy phép mở | Văn bản tự viết, văn bản thuộc phạm vi công cộng, giọng nói có đồng ý công bố rõ ràng | Thẻ dữ liệu đầy đủ, đã lọc thông tin cá nhân, giấy phép ghi rõ |
| Cấp theo đăng ký, cho nghiên cứu | Dữ liệu có rủi ro nhận diện, văn bản cào web còn bản quyền, dữ liệu phương ngữ cộng đồng nhỏ | Cam kết sử dụng, không chia lại, có đầu mối xử lý yêu cầu xoá |
| Chỉ dùng nội bộ | Dữ liệu khách hàng, ghi âm tổng đài, tài liệu nội bộ | Kiểm soát truy cập, thời hạn lưu, căn cứ pháp lý phù hợp |
| Không thu thập | Khi không xin được đồng ý phù hợp, hoặc lợi ích không tương xứng rủi ro | Tìm cách khác: dữ liệu tổng hợp, dữ liệu đã có, thu hẹp phạm vi |
Mức chia sẻ có thể thay đổi theo thời gian: bắt đầu bằng cấp theo đăng ký, sau khi đánh giá rủi ro thực tế và hỏi ý cộng đồng mới mở rộng. Đi theo chiều ngược lại, từ công khai về đóng, gần như không làm được.
Dù chọn mức nào, hãy chỉ định một đầu mối liên hệ còn hoạt động lâu dài, có thể là địa chỉ chung của nhóm thay vì email cá nhân của một sinh viên sắp tốt nghiệp. Người tham gia muốn rút dữ liệu hay báo một lỗi lộ thông tin cần biết gửi yêu cầu cho ai.
Khung pháp lý Việt Nam: nắm nguyên lý, tra bản hiện hành
Ở Việt Nam, Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân đặt ra các khái niệm như dữ liệu cá nhân cơ bản và nhạy cảm, quyền của chủ thể dữ liệu, yêu cầu về sự đồng ý. Năm 2025, Quốc hội thông qua Luật Bảo vệ dữ liệu cá nhân, theo các nguồn công bố có hiệu lực từ đầu năm 2026. Các văn bản hướng dẫn, sửa đổi có thể tiếp tục được ban hành, nên trang này không trích chi tiết điều khoản; khi làm dữ liệu thật, hãy tra văn bản hợp nhất mới nhất và hỏi người có chuyên môn.
Ở mức nguyên lý, mấy điểm khá ổn định: dữ liệu cá nhân cần có căn cứ xử lý, phổ biến nhất là sự đồng ý; đồng ý phải rõ ràng, cụ thể cho mục đích; chủ thể dữ liệu có quyền được biết, yêu cầu xoá, rút lại đồng ý; dữ liệu nhạy cảm như sức khoẻ, sinh trắc học, đời tư cần mức bảo vệ cao hơn. Giọng nói và hình ảnh khuôn mặt có thể được coi là dữ liệu sinh trắc học tuỳ cách sử dụng.
Quyền tác giả là khung riêng, thuộc luật sở hữu trí tuệ, và việc dùng tác phẩm để huấn luyện AI là vấn đề nhiều nước còn đang tranh luận. Pháp luật không thay được đạo đức: một việc hợp pháp vẫn có thể gây tổn hại cho người tham gia. Ngược lại, thực hành đạo đức tốt thường giúp bạn ở phía an toàn của pháp luật.
Câu hỏi thường gặp
Dữ liệu đã che tên có còn là dữ liệu cá nhân không?
Có thể vẫn là, nếu kết hợp với thông tin khác vẫn xác định được người đó. Che tên chỉ là một bước. Cần xem cả số giấy tờ, địa chỉ, giọng nói, chi tiết đặc trưng, siêu dữ liệu về nơi chốn và thời gian. Mức an toàn phụ thuộc vào ai sẽ tiếp cận dữ liệu và họ có thêm thông tin gì.
Có được dùng ghi âm cuộc họp công ty để làm dữ liệu nhận dạng giọng nói không?
Chỉ nên làm khi những người trong cuộc họp được thông báo và đồng ý cho mục đích này, và dữ liệu không rời khỏi phạm vi đã thoả thuận. Nội dung họp thường có bí mật kinh doanh và thông tin cá nhân. Hỏi bộ phận pháp chế, nhân sự trước khi dùng.
Thẻ dữ liệu giúp gì cho đạo đức?
Thẻ dữ liệu buộc người làm ghi rõ dữ liệu từ đâu, ai đồng ý, đã lọc gì, rủi ro còn lại và mục đích không phù hợp. Người dùng sau biết mình được làm gì và không nên làm gì. Ý tưởng này phổ biến từ đề xuất "datasheets for datasets" của giới nghiên cứu học máy.
Ghi âm phương ngữ của người cao tuổi cần lưu ý gì thêm?
Giải thích bằng lời dễ hiểu, cho thời gian suy nghĩ, có người thân hoặc người tin cậy của họ cùng nghe nếu họ muốn. Nói rõ bản ghi sẽ đi đâu và ai nghe được. Tôn trọng việc họ từ chối hay muốn bỏ bớt đoạn nào. Gửi lại bản ghi cho gia đình nếu họ muốn giữ.
Dữ liệu tổng hợp do AI sinh có giải quyết được chuyện đồng ý không?
Giải quyết được một phần, vì không có người thật trong dữ liệu. Nhưng mô hình sinh dữ liệu có thể đã học từ dữ liệu cá nhân và nhả lại chi tiết thật, và dữ liệu tổng hợp thường kém đa dạng. Nó là công cụ bổ trợ, không thay hẳn dữ liệu thật thu có đồng ý.
Một cá nhân muốn biết bộ dữ liệu nào có bài viết của mình thì làm gì?
Với bộ dữ liệu công khai, có thể tìm theo đoạn văn đặc trưng của mình nếu kho cho phép tìm kiếm. Một số dự án có đầu mối nhận yêu cầu loại bỏ. Với dữ liệu huấn luyện của mô hình thương mại, thông tin thường không công khai; bạn có thể gửi yêu cầu theo quyền của chủ thể dữ liệu theo quy định hiện hành.