By · Last updated 2026-06-05

Tilbage til BlogGDPR & Overholdelse

Forskning og PII: Screenshots og GDPR

Akademiske artikler indeholder regelmæssigt pandas DataFrames og R-output med rigtige patientjournaler som metodologieksempler. Her er grunden til, at dette er en GDPR-overtrædelse.

June 5, 20267 min læsning
research dataacademic GDPRpublication privacyOCR image detectionArticle 89

Opdateret for 2026 — GDPR-håndhævelse over for forskningsgrupper er steget. Denne risiko er stadig almindelig i publiceret arbejde.

Problemet med Metodologiscreenshots

Mange akademiske artikler indeholder screenshots af analyseværktøjer. Målet er at vise metode. Men disse screenshots kan afsløre rigtige personjournaler. De fleste forskere bemærker ikke denne risiko.

Her er fire almindelige tilfælde:

  • En maskinlæringsartikel viser en pandas DataFrame. De første 10 rækker indeholder rigtige patientnavne og ID'er.
  • Et klinisk studie viser R-output. Patientværdier er synlige på skærmen. Patient-ID'er vises i marginen.
  • En socialvidenskabelig artikel viser SPSS-tabeller. Surveybesvarelser fra rigtige mennesker er synlige.
  • En tidsskriftsvejledning viser en Jupyter Notebook. Rigtige brugerjournaler tjener som eksempelrækker.

I hvert tilfælde mente forfatteren at vise metode. Personjournalerne var ikke det egentlige punkt. De var bare der for at gøre eksemplet konkret.

Men "ikke det egentlige punkt" betyder ikke sikkert. GDPR Artikel 4(1) siger, at personoplysninger inkluderer ethvert faktum om en identificeret person. En patientjournal i en publiceret artikel er personoplysninger. Det spiller ingen rolle, at det er i et screenshot. At publicere det uden samtykke eller et lovligt grundlag under Artikel 6 er en GDPR-overtrædelse.

Se GDPR-overholdelsesoversigten for mere om publikationsregler.

Hvorfor Dette Skaber Juridisk Risiko

Forskningsgrupper møder nu øget GDPR-håndhævelse. Publikationsfejl er en vigtig udløser. Fire risici skiller sig ud.

Tidsskriftstilbagetrækning. Artikel 17 giver folk ret til sletning. Dette gælder også publicerede journaler. Hvis en person finder sine oplysninger i en artikel, kan de anmode om fjernelse. For et tidsskrift betyder dette ofte tilbagetrækning. Tilbagetrækning skader en forskers karriere.

Etikkomitéfund. Etikkomitéer gennemgår publiceret arbejde. De kontrollerer for GDPR-overensstemmelse. De er begyndt at markere artikler, der viser personjournaler i screenshots. Disse markeringer påvirker en forskers fremtidige arbejde.

Overtrædelse af dataadgangsaftaler. Forskningsdatasæt leveres med dataadgangsaftaler. Disse regler fastslår, hvad der må publiceres. Et screenshot med personjournaler kan bryde aftalen. Resultatet er ofte tab af adgang til datasættet.

Artikel 89-grænser. Artikel 89 tillader brug af personoplysninger til videnskab. Den lemper visse regler. Men kun hvor der er passende sikkerhedsforanstaltninger. At vise personjournaler i et screenshot uden de-identifikation er ikke en sikkerhedsforanstaltning. Det er et brud.

Se vores beskyttelses- og sikkerhedsside for den fulde gennemgang.

Hvor Ofte Sker Dette?

Dette problem er ikke sjældent. Det påvirker publiceret arbejde på tværs af mange fagområder.

Flere faktorer driver det.

Reproducerbarhedsnormer. Tidsskrifter ønsker metodologioplysninger. Forskere bruger screenshots til at opfylde dette behov. De kontrollerer ikke altid, hvad der er synligt i hvert billede.

Stramme deadlines. Tidspres fører til hurtige screenshots. Der er ingen tid til at gennemgå hvert billede for eksponerede journaler.

Lav synlighed i billeder. En DataFrame kan have 20 kolonner. Navne og ID'er kan være i en kolonne langt til højre. Forskeren ser på nøglekolonnen, ikke ID-kolonnen.

Ingen kontrol ved indsendelse. Tidsskriftsportaler kører formatog plagiatpjek. Ingen kontrollerer billeder for personenheder. Intet markerer problemet, inden artiklen offentliggøres.

Screeningworkflow for Forskningsgrupper

En pre-indsendelsesscreening kan stoppe disse problemer. Den har syv trin.

  1. Forsker afslutter manuskriptudkast med alle figurer.
  2. Udkastet sendes til en intern reviewer — PI'en eller en privatlivskontakt.
  3. Billed-PII-detektion kører på alle billedfiler i manuskriptet.
  4. Rapporten markerer billeder med læsbar tekst, der matcher personenhedsmønstre.
  5. Forsker gennemgår markerede billeder.
  6. For hvert markeret billede: erstat det med et rent screenshot. Skift patient-ID 12847 til ID 00001. Erstat rigtige navne med "Patient A".
  7. Det endelige manuskript indsendes til tidsskriftet med rene billeder.

Tekniske muligheder:

  • Manuel: Eksporter manuskriptbilleder. Kør batch-PII-detektion. Gennemgå rapporten.
  • Semi-automatiseret: Brug en delt mappe til udkast. Kør batchbehandling ugentligt på nye filer.
  • Workflowintegreret: Tilføj et screeningtrin til indsendelsesportalen.

Screening er hurtig. For et 15-figurs manuskript tager billed-PII-detektion under to minutter. En tilbagetrækning tager måneder.

Besøg FAQ eller ordbogen for mere om detektionsfunktioner.

Casestudie: Europæisk Universitet

Én forskningsgruppe tilføjede billed-PII-screening til sit manuskriptworkflow. En nærmest-ulykke udløste ændringen. En artikel under gennemgang havde patientnavne i et DataFrame-screenshot.

Hvad de gjorde:

  • Alle udkastsartikler blev behandlet for billed-PII inden tidsskriftindsendelse.
  • Screening dækkede alle PNG-, JPG- og PDF-figurer i hvert udkast.
  • En privatlivskontakt gennemgik resultaterne.

Resultater over seks måneder:

  • 23 manuskripter screenet.
  • 7 manuskripter (30%) havde mindst ét billede med personenheder.
  • Fundne typer: patientnavne i DataFrames (4 artikler).
  • Bruger-ID'er, der matcher patientformater (2 artikler).
  • E-mailadresser i screenshot-marginer (1 artikel).
  • Alle 7 rettet inden indsendelse.
  • Nul tilbagetrækningsanmodninger eller etikkomitéfund efter indsendelse.

Etikkomitéen citerer nu dette workflow som en model for "passende sikkerhedsforanstaltning" under Artikel 89. Det understøtter gruppens fremtidige ansøgninger om forskningsfritagelse.

Læs grundlæggerens erklæring for at forstå, hvorfor anonym.legal blev bygget til netop denne type problem.

Kilder

Klar til at beskytte dine data?

Begynd at anonymisere PII med 285+ enhedstyper på tværs af 48 sprog.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.