By · Last updated 2026-06-05

Povratak na BlogGDPR & Usklađenost

Osobni podaci u istrazivanjima: snimke zaslona i GDPR

Akademski radovi redovito ukljucuju pandas DataFrameove i R izlaze koji prikazuju stvarne medicinske zapise kao primjere metodologije. Evo zasto je to povreda GDPR-a.

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

Azurirano za 2026. — GDPR provedba prema istrazivackim grupama je narasla. Ovaj rizik ostaje cest u objavljenim radovima.

Problem snimaka zaslona metodologije

Mnogi akademski radovi ukljucuju snimke zaslona alata za analizu. Cilj je prikazati metodu. Ali te snimke mogu otkriti stvarne osobne zapise. Vecina istrazivaca ne primjecuje ovaj rizik.

Evo cetiri uobicajena slucaja:

  • Rad o strojnom ucenju prikazuje pandas DataFrame. Prvih 10 redaka ima stvarna imena pacijenata i ID-ove.
  • Klinicka studija prikazuje R izlaz. Vrijednosti pacijenata su na zaslonu. ID-ovi pacijenata prikazani su na rubu.
  • Rad o drustvenim naukama prikazuje SPSS tablice. Vidljivi su odgovori anketa od stvarnih osoba.
  • Vodic u casopisu prikazuje Jupyter notebook. Stvarni zapisi korisnika sluze kao primjeri redaka.

U svakom slucaju, autor je namjeravao prikazati metodu. Osobni zapisi nisu bili poanta. Bili su tu samo da primjer izgleda realno.

Ali "nije bila poanta" ne znaci sigurno. Clanak 4(1) GDPR-a kaze da osobni zapisi ukljucuju sve cinjenice o identificiranoj osobi. Zapis pacijenta u objavljenom radu su osobni podaci. Nije bitno je li na snimci zaslona. Objava bez suglasnosti ili zakonske osnove prema Clanku 6 krsi GDPR.

Pogledajte pregled uskladenosti s GDPR-om za vise o pravilima objave.

Zasto to stvara pravni rizik

Istrazivacke grupe sada suocavaju sve vecu GDPR provedbu. Povrede pri objavi kljucni su okidac. Cetiri rizika se isticu.

Povlacenje iz casopisa. Clanak 17 daje ljudima pravo na brisanje. Ovo se primjenjuje i na objavljene zapise. Ako osoba pronadje svoje podatke u radu, moze traziti uklanjanje. Za casopis, to cesto znaci povlacenje. Povlacenje steti karijeri istrazivaca.

Nalaz etickog odbora. Eticki odbori pregledavaju objavljene radove. Provjeravaju uskladenost s GDPR-om. Poceli su oznacavati radove koji prikazuju osobne zapise na snimkama zaslona. Ove oznake utjecu na buduce radove istrazivaca.

Povrede ugovora o pristupu podacima. Skupovi podataka za istrazivanje dolaze s ugovorima o pristupu podacima. Ova pravila navode sto se moze objaviti. Snimka zaslona s osobnim zapisima moze prekrsiti ugovor. Rezultat je cesto gubitak pristupa skupu podataka.

Ogranicenja Clanka 89. Clanak 89 dopusta koristenje osobnih podataka za znanost. Olaksava neka pravila. Ali samo tamo gdje postoje odgovarajuce zastite. Prikazivanje osobnih zapisa na snimci zaslona bez de-identifikacije nije zastita. To je povreda.

Pogledajte nasu stranicu o zastiti za cjelovitu razradu.

Koliko cesto se ovo dogadja?

Ovaj problem nije rijedak. Utjece na objavljene radove u mnogim podrucjima.

Njega pokrecre nekoliko cimbenika.

Norme reproducibilnosti. Casopisi zele detalje metodologije. Istrazivaci koriste snimke zaslona kako bi zadovoljili ovu potrebu. Ne provjeravaju uvijek sto je vidljivo na svakoj slici.

Roci rokovi. Vremenski pritisak vodi do brzih snimaka zaslona. Nema vremena za pregled svake slike za izlozene zapise.

Slaba vidljivost na slikama. DataFrame moze imati 20 stupaca. Imena i ID-ovi mogu biti u stupcu daleko desno. Istrazivac gleda kljucni stupac, a ne stupac s ID-om.

Nema provjere pri predaji. Portali casopisa provode provjere formata i provjere plagijata. Niti jedan ne provjerava slike za osobne entitete. Nista ne oznacava problem prije nego rad postane dostupan.

Tijek rada provjere za istrazivacke grupe

Proces provjere prije predaje moze sprijeciti ove probleme. Ima sedam koraka.

  1. Istrazivac dovrsi nacrt rukopisa sa svim figurama.
  2. Nacrt ide internom pregledavacu — PI-ju ili kontaktu za privatnost.
  3. Otkrivanje osobnih podataka na slici pokrecre se na svim slikovnim datotekama u rukopisu.
  4. Izvjesce oznacava slike s citljivim tekstom koji odgovara uzorcima osobnih entiteta.
  5. Istrazivac pregledava oznacene slike.
  6. Za svaku oznacenu sliku: zamijenite je cistom snimkom zaslona. Zamijenite ID pacijenta 12847 s ID-om 00001. Zamijenite stvarna imena s "Pacijent A."
  7. Konacni rukopis ide u casopis s cistim slikama.

Tehnicke mogucnosti:

  • Rucno: Izvezite slike rukopisa. Pokrenite skupno otkrivanje osobnih podataka. Pregledajte izvjesce.
  • Poluautomatizirano: Koristite zajednicku mapu za nacrte. Pokrenite skupnu obradu svaki tjedan na novim datotekama.
  • Integrirano u tijek rada: Dodajte korak provjere u portal za predaju.

Provedba provjere je brza. Za rukopis s 15 figura, otkrivanje osobnih podataka na slici traje manje od dvije minute. Povlacenje traje mjesecima.

Posjetite FAQ ili glosar za vise o znacajkama otkrivanja.

Studija slucaja: Europsko sveuciliste

Jedna istrazivacka grupa dodala je provjeru osobnih podataka na slici u tijek rada rukopisa. Gotovo propustanje potaknulo je promjenu. Rad pod pregledom imao je imena pacijenata na snimci zaslona DataFramea.

Sto su ucinili:

  • Svi nacrti radova obradjivali su se za osobne podatke na slici prije predaje casopisu.
  • Provjera je obuhvacala sve PNG, JPG i PDF figure u svakom nacrtu.
  • Kontakt za privatnost pregledavao je rezultate.

Rezultati kroz sest mjeseci:

  • 23 pregledana rukopisa.
  • 7 rukopisa (30%) imalo je barem jednu sliku s osobnim entitetima.
  • Pronadjene vrste: imena pacijenata u DataFrameovima (4 rada).
  • Korisnicki ID-ovi koji odgovaraju formatima pacijenata (2 rada).
  • E-postanske adrese na rubovima snimaka zaslona (1 rad).
  • Svih 7 ispravljeno prije predaje.
  • Nula zahtjeva za povlacenjem ili nalaza etickog odbora nakon predaje.

Eticki odbor sada navodi ovaj tijek rada kao model "odgovarajuce zastite" prema Clanku 89. Podrzava buduce zahtjeve grupe za istrazivacu iznimku.

Procitajte izjavu osnivaca da saznate zasto je anonym.legal izgradjen za ovu vrstu problema.

Izvori

Spremni za zaštitu vaših podataka?

Započnite anonimizaciju PII-a s 285+ vrsta entiteta na 48 jezika.

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.