By · Last updated 2026-06-05

Takaisin BlogiinGDPR & Vaatimustenmukaisuus

Henkilötiedot Tutkimuksessa: Kuvakaappaukset ja GDPR

Akateemiset artikkelit sisältävät säännöllisesti pandas-DataFrameja ja R-tulosteita oikeilla potilastiedoilla metodologiaesimerkkeinä. Tässä syy, miksi tämä on GDPR-rikkomus.

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

Päivitetty vuodelle 2026 — GDPR:n täytäntöönpano tutkimusryhmiä kohtaan on lisääntynyt. Tämä riski on edelleen yleinen julkaisuissa.

Metodologiakuvakaappausten Ongelma

Monet akateemiset artikkelit sisältävät kuvakaappauksia analyysityökaluista metodologian havainnollistamiseksi. Mutta nämä kuvakaappaukset voivat paljastaa todellisia henkilötietoja. Useimmat tutkijat eivät huomaa tätä riskiä.

Tässä neljä yleistä tapausta:

  • Koneoppimisartikkeli näyttää pandas-DataFramen, jonka ensimmäisissä 10 rivillä on oikeita potilaiden nimiä ja tunnuksia.
  • Kliininen tutkimus näyttää R-tulosteen, jossa potilaiden arvot ja potilastunnukset ovat näkyvissä marginaalissa.
  • Yhteiskuntatieteiden artikkeli näyttää SPSS-taulukoita todellisten ihmisten kyselyvastauksilla.
  • Aikakauslehden opas näyttää Jupyter-muistion oikeilla käyttäjätietueilla esimerkkiriveinä.

Jokaisessa tapauksessa kirjoittaja tarkoitti näyttää metodologian. Henkilötiedot eivät olleet pääasia. Ne olivat siellä vain tekemässä esimerkistä konkreettisen.

Mutta "ei ollut pääasia" ei tarkoita turvallista. GDPR:n 4 artiklan 1 kohta määrittelee henkilötiedot kaikiksi tunnistettuun henkilöön liittyviksi tiedoiksi. Julkaistussa artikkelissa oleva potilastietue on henkilötieto riippumatta siitä, onko se kuvakaappauksessa. Sen julkaiseminen ilman suostumusta tai 6 artiklan mukaista oikeudellista perustaa on GDPR-rikkomus.

Tutustu GDPR-vaatimustenmukaisuuskatsaukseemme lisätietoja varten julkaisusäännöistä.

Miksi Tämä Luo Konkreettisen Oikeudellisen Riskin

Tutkimusryhmät kohtaavat nykyään tiukentuvaa GDPR-täytäntöönpanoa. Julkaisuihin liittyvät epäonnistumiset ovat keskeinen laukaisija. Neljä riskiä erottuu.

Julkaisun peruuttaminen. 17 artikla antaa henkilöille oikeuden tietojen poistamiseen. Tämä koskee myös julkaistuja tietueita. Jos henkilö löytää tietonsa artikkelista, hän voi pyytää niiden poistamista. Aikakauslehdelle tämä tarkoittaa usein peruuttamista, mikä vahingoittaa tutkijan uraa.

Eettisen toimikunnan havainnot. Eettiset toimikunnat tarkistavat julkaistuja töitä GDPR-vaatimustenmukaisuuden suhteen. Ne ovat alkaneet merkitä artikkeleita, jotka näyttävät henkilötietoja kuvakaappauksissa. Nämä havainnot vaikuttavat tutkijan tulevaan työhön.

Tietojensaantisopimusten rikkomukset. Tutkimusaineistot toimitetaan tietojensaantisopimuksilla, jotka määrittelevät, mitä voidaan julkaista. Henkilötietoja sisältävä kuvakaappaus voi rikkoa sopimuksen, mikä johtaa tietoaineiston käyttöoikeuden menettämiseen.

89 artiklan rajoitukset. 89 artikla sallii henkilötietojen käytön tieteellisiin tarkoituksiin lievennetyin velvoittein — mutta vain silloin, kun asianmukaiset suojatoimenpiteet on toteutettu. Henkilötietojen näyttäminen kuvakaappauksessa ilman de-identifiointia ei ole suojatoimenpide — se on tietojen luovuttamista.

Tutustu suojaus- ja turvallisuussivuumme täydellisen analyysin saamiseksi.

Kuinka Usein Tätä Tapahtuu?

Ongelma ei ole harvinainen — se vaikuttaa julkaisuihin monilla tieteenaloilla.

Useat tekijät ruokkivat sitä.

Toistettavuusnormit. Aikakauslehdet vaativat metodologiayksityiskohtia. Tutkijat käyttävät kuvakaappauksia tämän tarpeen täyttämiseen tarkistamatta aina, mitä kussakin kuvassa on näkyvissä.

Tiukat deadlinet. Aikapaineet johtavat nopeisiin kuvakaappauksiin ilman aikaa tarkistaa jokaista kuvaa paljastavien tietojen varalta.

Matala näkyvyys kuvissa. DataFrame voi olla 20 saraketta. Nimet ja tunnukset voivat olla sarakkeessa kaukana päätarkastelusarakkeesta. Tutkija katsoo kiinnostavaa saraketta, ei tunnussaraketta.

Ei tarkistusta lähetyksen yhteydessä. Aikakauslehtien lähetysportaalit suorittavat muoto- ja plagiaattitarkistuksia. Yksikään ei tarkista kuvia henkilökohtaisten kohteiden varalta. Mikään ei merkitse ongelmaa ennen julkaisua.

Esiseulontaprosessi Tutkimusryhmille

Esiseulontaprosessi voi estää nämä ongelmat. Siinä on seitsemän vaihetta.

  1. Tutkija viimeistelee käsikirjoituksen kaikki kuviot mukaan lukien.
  2. Luonnos lähetetään sisäiselle tarkistajalle — päätutkijalle tai tietosuojayhteyshenkilölle.
  3. Kuvien henkilötietojen havaitseminen suoritetaan kaikille käsikirjoituksen kuvatiedostoille.
  4. Raportti merkitsee kuvat, joissa on luettavaa tekstiä, joka vastaa henkilökohtaisten kohteiden kuvioita.
  5. Tutkija tarkastelee merkittyjä kuvia.
  6. Jokaisen merkityn kuvan kohdalla: korvaa puhtaalla kuvakaappauksella — potilastunnus 12847 muuttuu tunnukseksi 00001, oikeat nimet muuttuvat "Potilas A:ksi".
  7. Lopullinen käsikirjoitus lähetetään aikakauslehdelle puhtailla kuvilla.

Tekniset vaihtoehdot:

  • Manuaalinen: Vie käsikirjoituksen kuvat. Suorita erähenkilötietojen havaitseminen. Tarkista raportti.
  • Puoliautomaattinen: Käytä jaettua kansiota luonnoksia varten. Suorita eräkäsittely viikoittain uusille tiedostoille.
  • Työnkulkuintegroitu: Lisää seulontavaihe lähetysportaaliin.

Seulonta on nopeaa. 15-kuvioisen käsikirjoituksen kuvien henkilötietojen havaitseminen vie alle kaksi minuuttia. Peruuttaminen vie kuukausia.

Vieraile UKK-sivulla tai sanastossa lisätietoja varten havaitsemistoiminnoista.

Tapaustutkimus: Eurooppalainen Yliopisto

Eräs tutkimusryhmä integroi kuvien henkilötietojen seulonnan käsikirjoitusprosessiinsa läheltä piti -tilanteen jälkeen: tarkistuksessa olleessa artikkelissa oli potilaan nimiä DataFrame-kuvakaappauksessa.

Mitä he tekivät:

  • Kaikki luonnosartikkelit käsiteltiin kuvien henkilötietojen tunnistuksen osalta ennen aikakauslehtilähetystä.
  • Seulonta kattoi kaikki PNG-, JPG- ja PDF-kuviot jokaisessa luonnoksessa.
  • Tietosuojayhteyshenkilö tarkisti tulokset.

Tulokset kuuden kuukauden ajalta:

  • 23 käsikirjoitusta seulottu.
  • 7 käsikirjoitusta (30 prosenttia) sisälsi vähintään yhden kuvan, jossa oli tunnistettavia henkilökohtaisia kohteita.
  • Löydetyt tyypit: potilaan nimet DataFrameissa (4 artikkelia), potilasrekisterin muotoja vastaavat käyttäjätunnukset (2 artikkelia), sähköpostiosoitteet kuvakaappausten marginaaleissa (1 artikkeli).
  • Kaikki 7 korjattu ennen lähetystä.
  • Nolla peruuttamispyyntöä tai eettisen toimikunnan havaintoa lähetyksen jälkeen.

Eettinen toimikunta käyttää nyt tätä työnkulkua esimerkkinä "asianmukaisesta suojatoimenpiteestä" 89 artiklan mukaisissa tutkimusvapautushakemuksissa.

Lue perustajan lausunto ymmärtääksesi, miksi anonym.legal rakennettiin juuri tämäntyyppistä ongelmaa varten.

Lähteet

Valmiina suojaamaan tietojasi?

Aloita PII-anonymisointi yli 285 entiteettityypillä 48 kielellä.

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.