By · Last updated 2026-06-05

חזרה לבלוגGDPR ועמידה

PII במחקר: צילומי מסך וניתוח נתונים ב-GDPR

מאמרים אקדמיים כוללים לעתים קרובות DataFrames של pandas ופלט R המציגים רשומות מטופלים אמיתיות כדוגמאות למתודולוגיה. הנה מדוע זה הפרת GDPR.

June 5, 20267 דקות קריאה
research dataacademic GDPRpublication privacyOCR image detectionArticle 89

עודכן לשנת 2026 — אכיפת GDPR כנגד קבוצות מחקר גדלה. סיכון זה עדיין נפוץ בעבודות שפורסמו.

בעיית צילום המסך המתודולוגי

מאמרים אקדמיים רבים כוללים צילומי מסך של כלי ניתוח. המטרה היא להציג שיטה. אך צילומי מסך אלו יכולים לחשוף רשומות אישיות אמיתיות. רוב החוקרים אינם מבחינים בסיכון זה.

הנה ארבעה מקרים נפוצים:

  • מאמר למידת מכונה מציג DataFrame של pandas. 10 השורות הראשונות מכילות שמות מטופלים אמיתיים ומזהים.
  • מחקר קליני מציג פלט R. ערכי מטופלים על המסך. מזהי מטופלים מופיעים בשוליים.
  • מאמר מדעי חברתי מציג טבלאות SPSS. תגובות סקר מאנשים אמיתיים גלויות.
  • הדרכה בכתב עת מציגה מחברת Jupyter. רשומות משתמשים אמיתיות משמשות כשורות לדוגמה.

בכל מקרה, המחבר התכוון להציג שיטה. הרשומות האישיות לא היו הנקודה. הן היו שם כדי לגרום לדוגמה להרגיש אמיתית.

אך "לא הנקודה" אינו אומר בטוח. סעיף 4(1) של GDPR אומר שמידע אישי כולל כל עובדה על אדם מזוהה. רשומת מטופל במאמר שפורסם היא מידע אישי. לא משנה אם היא בצילום מסך. פרסומה ללא הסכמה או בסיס משפטי לפי סעיף 6 מפר GDPR.

ראו את סקירת התאימות ל-GDPR לפרטים נוספים על כללי פרסום.

מדוע זה יוצר סיכון משפטי

קבוצות מחקר עומדות בפני אכיפת GDPR גוברת. כשלים בפרסום הם גורם מפעיל מרכזי. ארבעה סיכונים בולטים.

חזרה על מאמר. סעיף 17 מעניק לאנשים זכות מחיקה. זה חל גם על רשומות שפורסמו. אם אדם מוצא את פרטיו במאמר, הוא יכול לבקש הסרה. עבור כתב עת, זה לעתים קרובות אומר חזרה. חזרה פוגעת בקריירה של חוקר.

ממצאי ועדות אתיקה. ועדות אתיקה בוחנות עבודה שפורסמה. הן בודקות התאמה ל-GDPR. הן החלו לסמן מאמרים המציגים רשומות אישיות בצילומי מסך. סמנים אלו משפיעים על עבודה עתידית של חוקר.

הפרות הסכם גישה לנתונים. מערכי נתונים מחקריים מגיעים עם הסכמי גישה לנתונים. כללים אלו קובעים מה ניתן לפרסם. צילום מסך עם רשומות אישיות יכול לשבור את ההסכם. התוצאה היא לרוב אובדן גישה למערך הנתונים.

מגבלות סעיף 89. סעיף 89 מאפשר שימוש במידע אישי למדע. הוא מקל על כמה כללים. אך רק כאשר קיימות אמצעי הגנה מתאימים. הצגת רשומות אישיות בצילום מסך ללא ביטול זיהוי אינה אמצעי הגנה. זו הפרה.

ראו את דף ההגנה והאמצעים שלנו לפירוט המלא.

כמה פעמים זה קורה?

בעיה זו אינה נדירה. היא משפיעה על עבודה שפורסמה בתחומים רבים.

מספר גורמים מניעים אותה.

נורמות רבייה. כתבי עת רוצים פרטי שיטה. חוקרים משתמשים בצילומי מסך כדי לענות על צורך זה. הם לא תמיד בודקים מה גלוי בכל תמונה.

לוחות זמנים צפופים. לחץ זמן מוביל לצילומי מסך מהירים. אין זמן לבדוק כל תמונה לרשומות חשופות.

נראות נמוכה בתמונות. DataFrame יכול לכלול 20 עמודות. שמות ומזהים עשויים להיות בעמודה רחוקה לימין. החוקר מסתכל על העמודה המרכזית, לא על עמודת ה-ID.

אין בדיקה בהגשה. פורטלי כתבי עת מפעילים בדיקות פורמט ומסנני גנבות ספרותית. אף אחד לא בודק תמונות לישויות אישיות. כלום לא מסמן את הבעיה לפני שהמאמר עולה.

תהליך עבודה לסינון עבור קבוצות מחקר

תהליך סינון לפני הגשה יכול לעצור בעיות אלו. יש לו שבעה שלבים.

  1. החוקר משלים את טיוטת כתב היד עם כל האיורים.
  2. הטיוטה עוברת למבקר פנימי — ה-PI או איש קשר פרטיות.
  3. זיהוי PII בתמונות רץ על כל קבצי התמונות בכתב היד.
  4. הדוח מסמן תמונות עם טקסט קריא התואם לדפוסי ישויות אישיות.
  5. החוקר בוחן תמונות מסומנות.
  6. לכל תמונה מסומנת: החלף בצילום מסך נקי. החלף מזהה מטופל 12847 במזהה 00001. החלף שמות אמיתיים ב"מטופל א'".
  7. כתב היד הסופי עובר לכתב העת עם תמונות נקיות.

אפשרויות טכניות:

  • ידנית: ייצאו תמונות כתב יד. הפעילו זיהוי PII באצווה. בדקו את הדוח.
  • חצי-אוטומטית: השתמשו בתיקייה משותפת לטיוטות. הפעילו עיבוד אצווה כל שבוע על קבצים חדשים.
  • משולב בתהליך עבודה: הוסיפו שלב סינון לפורטל ההגשה.

הסינון הוא מהיר. עבור כתב יד עם 15 איורים, זיהוי PII בתמונות לוקח פחות משתי דקות. חזרה על מאמר לוקחת חודשים.

בקרו ב-שאלות נפוצות או ב-מילון לפרטים נוספים על תכונות הזיהוי.

מקרה בוחן: אוניברסיטה אירופאית

קבוצת מחקר אחת הוסיפה סינון PII בתמונות לתהליך עבודה של כתב יד שלה. כמעט-פספוס הפעיל את השינוי. מאמר שנמצא בבדיקה הכיל שמות מטופלים בצילום מסך של DataFrame.

מה הם עשו:

  • כל הטיוטות עברו עיבוד ל-PII בתמונות לפני הגשה לכתב עת.
  • הסינון כיסה את כל קבצי PNG, JPG ו-PDF בכל טיוטה.
  • איש קשר פרטיות בדק את התוצאות.

תוצאות על פני שישה חודשים:

  • 23 כתבי יד סוננו.
  • ב-7 כתבי יד (30%) היה לפחות איור אחד עם ישויות אישיות.
  • סוגים שנמצאו: שמות מטופלים ב-DataFrames (4 מאמרים).
  • מזהי משתמשים התואמים לפורמטים של מטופלים (2 מאמרים).
  • כתובות אימייל בשולי צילום מסך (מאמר אחד).
  • כל 7 תוקנו לפני הגשה.
  • אפס בקשות חזרה או ממצאי אתיקה לאחר הגשה.

ועדת האתיקה מציינת כעת תהליך עבודה זה כ"אמצעי הגנה מתאים" לפי סעיף 89. הוא תומך בבקשות פטור מחקר עתידיות של הקבוצה.

קראו את הצהרת המייסד כדי ללמוד מדוע anonym.legal נבנתה לבעיה מסוג זה.

מקורות

מוכן להגן על הנתונים שלך?

התחל לאנונימיזציה של PII עם 285+ סוגי ישויות ב-48 שפות.

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.