A Scoping Review of Methods to Measure the Energy and Carbon Footprint of Web Tracking and Advertising

Elke keer dat u een website bezoekt, vindt er op de achtergrond een verborgen economie van data-uitwisseling plaats. Terwijl u een artikel leest of een video bekijkt, draaien onzichtbare scripts om uw gedrag te volgen, een profiel van uw interesses op te bouwen en gerichte advertenties te leveren. Dit systeem, vaak het ad-tech ecosysteem genoemd, is de primaire manier waarop veel gratis online diensten geld verdienen. Het vastleggen, opslaan en verwerken van deze enorme hoeveelheid gebruikersgegevens vereist echter aanzienlijke rekenkracht. Die kracht komt voort uit elektriciteit, en de opwekking van die elektriciteit produceert vaak koolstofemissies. Naarmate het internet groeit, groeit ook de ecologische voetafdruk, wat een moeilijke vraag oproept voor onderzoekers: hoeveel van die energie wordt er eigenlijk besteed aan de advertenties en de tracking, in plaats van aan de inhoud die u probeert te zien?

Een team onderzoekers aan de Universiteit van Toronto zette zich scharpe om dit te beantwoorden door de bestaande wetenschappelijke literatuur te bestuderen. Zij voerden zelf geen nieuw experiment uit, maar brachten in plaats daarvan het landschap in kaart van hoe andere wetenschappers hebben geprobeerd deze specifieke milieukosten te meten. Ze ontdekten dat het vakgebied nog jong en gefragmenteerd is. De studies die zij bestudeerden, zijn verspreid over verschillende disciplines, gebruiken verschillende woorden om dezelfde processen te beschrijven en verschillende instrumenten om hetzelfde te meten. Om hier orde in te scheppen, verzamelden de auteurs 15 sleutelstudies uit een initiële pool van 46 kandidaten en organiseerden deze in vijf verschillende methoden die onderzoekers gebruiken om de energiekosten van webtracking en advertenties te isoleren.

De meest voorkomende benadering, gebruikt in de meerderheid van de studies, wordt ad blocking genoemd. In deze methode bezoeken onderzoekers een lijst met populaire websites tweemaal: één keer met een standaard browser en één keer met een ad blocker ingeschakeld. Door het energieverbruik in beide scenario's te vergelijken, kunnen ze het verschil berekenen dat specifiek door de advertenties en trackers wordt veroorzaakt. Sommige onderzoekers gebruiken browser-extensies om de advertenties te blokkeren, terwijl anderen gebruikmaken van ingebouwde browserfuncties of zelfs de verzoeken op netwerkniveau blokkeren. Om deze cijfers te verkrijgen, gebruiken ze vaak software die het processorgebruik van de computer of het batterijverbruik uitleest, of in sommige gevallen sluiten ze een fysieke voltmeter aan op het apparaat om de elektriciteit te meten die de hardware in stroomt. Deze methode is praktisch omdat het op een gewone computer kan worden uitgevoerd, maar het rust op de aanname dat het enige dat tussen de twee bezoeken verandert, de aanwezigheid van de advertenties is.

Een tweede groep onderzoekers kiest voor een meer gecontroleerde aanpak door websites te recreëren in een laboratoriumsetting. In plaats van live sites op het open internet te bezoeken, downloaden ze de pagina's en verwijderen ze de advertenties en trackingscripts zelf, waardoor ze een schone versie van de site creëren. Vervolgens serveren ze deze versies lokaal vanaf een server die zij zelf beheren, zodat geen externe variabelen de test kunnen verstoren. In één variatie van deze methode bouwden onderzoekers een website vanaf nul en voegden verschillende aantallen trackingtools toe, waarbij ze observeerden hoe het energieverbruik steeg bij elke toevoeging. Dit biedt een hoge mate van controle over het experiment, waardoor wetenschappers precies kunnen zien hoeveel energie een enkele tracker verbruikt, hoewel het de chaotische realiteit van het live web mogelijk niet perfect weerspiegelt.

Een derde, meer ongebruikelijke methode betreft het herhalen van individuele advertenties. Eén studie verzamelde duizenden advertenties van het web en creëerde een systeem om deze één voor één op een lege browserpagina weer te geven. Door de energie te meten die nodig is om één advertentie te laden tegenover een baseline van een lege pagina, konden de onderzoekers bepalen wat de kosten zijn van het renderen van die specifie of specifieke advertentie. Ze gebruikten deze gegevens vervolgens om een computermodel te trainen dat de energiekosten van andere advertenties kan voorspellen op basis van hun kenmerken. Deze techniek maakt een gedetailleerde blik op de kosten van individuele advertentie-eenheden mogelijk, maar vereist een enorme hoeveelheid handmatige gegevensverzameling om de initiële bibliotheek van advertenties op te bouwen.

De vierde benadering kijkt naar de datastroom zelf in plaats van naar het apparaat dat deze weergeeft. In plaats van de computerschermen te meten, analyseren deze onderzoekers het netwerkverkeer dat tussen de gebruiker en het internet beweegt. Ze onderzoeken de datapakketjes die worden verzonden en ontvangen, in een poging te identificeren welk deel van de datastroom tot advertenties en trackingcookies behoort. Door het totale volume van deze specifieke verkeersstroom op te tellen, kunnen ze de energie schatten die nodig is om die data over het internet te verplaatsen. De auteurs van deze review merken echter een aanzienlijk gebrek aan deze methode op: simpelweg weten hoeveel data er wordt overgedragen, vertelt u niet automatisch hoeveel energie er is verbruikt om het te verwerken, aangezien de relatie tussen datagrootte en energieverbruik complex is en nog niet volledig begrepen wordt.

De laatste methode vertrouwt volledig op bestaande cijfers in plaats van op nieuwe metingen. Onderzoekers die deze benadering gebruiken, nemen cijfers en coëfficiënten uit andere gepubliceerde studies — zoals de gemiddelde energiekosten voor het verplaatsen van een gigabyte aan data of de koolstofintensiteit van het elektriciteitsnet — en passen deze toe op schattingen van hoeveel data de advertenties genereren. Dit maakt brede, grootschalige berekeningen mogelijk zonder dat er nieuwe experimenten hoeven te worden uitgevoerd of nieuwe gegevens verzameld hoeven te worden. Hoewel dit de meest toegankelijke manier is om een ruwe schatting te krijgen, hangt de nauwkeurigheid ervan volledig af van de kwaliteit en relevantie van de oorspronkelijke cijfers die zij lenen.

De review onthult dat het vakgebied pas net voet aan de grond krijgt. Tachtig procent van de door hen geanalyseerde studies werd in de afgelopen vijf jaar gepubliceerd, wat wijst op een snelle toename van belang naarmate de ecologische crisis dieper wordt. Ondanks deze groei ontdekten de onderzoekers dat de studies zelden met elkaar communiceren. Verschillende teams gebruiken verschillende termen voor dezelfde concepten en ze slagen er vaak niet in om voort te bouwen op elkaars bevindingen. Zo vond één studie dat de omvang van de overgedragen data voor een advertentie niet noodzakelijkerwijs de benodigde energie voorspelt om deze weer te geven, een bevinding die de aannames van andere studies die vertrouwen op datavolume om energieverbruik te schatten, uitdaagt.

Momenteel is er geen enkele standaardmethode waar iedereen het over eens is. De meeste onderzoeken richten zich op wat er op het apparaat van de gebruiker gebeurt, waardoor er een grote kloof ontstaat in ons begrip van de energie die wordt verbruikt door de enorme datacentra die deze informatie opslaan en verwerken. Omdat deze bedrijfsinfrastructuren opaak en moeilijk toegankelijk zijn, hebben onderzoekers moeten vertrouwen op indirecte methoden of gecontroleerde simulaties. De auteurs suggereren dat toekomstig werk betere manieren moet ontwikkelen om de energie te meten die in deze datacentra wordt gebruikt en om een gedeelde taal te creëren, zodat wetenschappers uit verschillende disciplines hun resultaten nauwkeurig kunnen vergelijken. Tot die tijd hebben we een lappendeken van methoden die blikken werpen op de milieukosten van de digitale economie, maar geen compleet beeld.