By · Last updated 2026-06-05

Til baka á BloggGDPR & Samræmi

PII í rannsóknum: Skjámyndir og GDPR

Fræðigreinar innihalda reglulega pandas DataFrames og R-úttak með raunverulegum sjúklingaskrám sem aðferðafræðidæmi. Þetta er GDPR-brot.

June 5, 20267 mín lestur
research dataacademic GDPRpublication privacyOCR image detectionArticle 89

Uppfært fyrir 2026 — GDPR-framgangur gegn rannsóknarhópum hefur aukist. Þessi áhætta er algeng í birtu verki.

Vandinn með aðferðafræðiskjámyndir

Margar fræðigreinar innihalda skjámyndir af greiningartækjum. Markmiðið er að sýna aðferð. En þær skjámyndir geta leyst upp raunverulegar persónuskrár. Flestir rannsakendur taka eftir þessari áhættu ekki.

Hér eru fjögur algeng tilfelli:

  • Vélanámspappír sýnir pandas DataFrame. Fyrstu 10 línurnar hafa raunveruleg nöfn og ID sjúklinga.
  • Klínísk rannsókn sýnir R-úttak. Sjúklingagildi eru á skjánum. Sjúklinga-ID sjást á spássíunni.
  • Félagsvísindapappír sýnir SPSS-töflur. Könnunarsvör frá raunverulegum einstaklingum eru sýnileg.
  • Tímaritskennslurit sýnir Jupyter-fartölvubók. Raunverulegar notendaskrár þjóna sem sýnilínur.

Í hverju tilviki ætlaði höfundurinn að sýna aðferð. Persónuskrárnar voru ekki meginmálið. Þær voru bara þar til að gera dæmið að líðast raunverulegt.

En "ekki meginmálið" þýðir ekki öruggt. GDPR-grein 4(1) segir að persónugögn innifaldar allar staðreyndir um auðþekktan einstakling. Sjúklingaskrá í birtum pappír er persónuupplýsingar. Þetta skiptir ekki máli hvort hún sé í skjámynd. Birting hennar án samþykkis eða löglegrar grundvallar samkvæmt grein 6 brýtur GDPR.

Sjá GDPR-samræmisyfirlit til að fá frekari upplýsingar um birtingarreglur.

Af hverju þetta skapar lagalega áhættu

Rannsóknarhópar standa nú frammi fyrir meira GDPR-framgangi. Brotnar birtar útgáfur eru lykilkveikja. Fjórar áhættur skera sig úr.

Tímaritsafturköllun. Grein 17 gefur einstaklingum rétt til eyðingar. Þetta á við um birtar skrár líka. Ef einstaklingur finnur upplýsingar sínar í pappír getur hann beðið um fjarlægingu. Fyrir tímarit þýðir þetta oft afturköllun. Afturköllun skaðar starfsferil rannsakanda.

Niðurstöður siðanefndar. Siðanefndir fara yfir birt verk. Þær skoða GDPR-samræmi. Þær hafa byrjað að flagga pappíra sem sýna persónuskrár í skjámyndum. Þessar flaggar hafa áhrif á framtíðarverk rannsakanda.

Brot á gagnaaðgangssamningum. Rannsóknargagnasöfn fylgja gagnaaðgangssamningum. Þessar reglur kveða á um hvað má birta. Skjámynd með persónuskrár getur brotið samninginn. Niðurstaðan er oft tap á gagnaaðgangi.

Takmarkanir greinar 89. Grein 89 leyfir notkun persónuupplýsinga í vísindum. Hún léttir af sumum reglum. En aðeins þar sem viðeigandi öryggisráð eru til staðar. Að sýna persónuskrár í skjámynd án nafnleysis er ekki öryggisráð. Það er brot.

Sjá verndar- og öryggissíðuna fyrir heildarbilunina.

Hversu oft gerist þetta?

Þetta vandamál er ekki sjaldgæft. Það hefur áhrif á birtar rannsóknir á mörgum sviðum.

Nokkrir þættir knýja það áfram.

Endurgerðarviðmið. Tímarit vilja aðferðarupplýsingar. Rannsakendur nota skjámyndir til að uppfylla þessa þörf. Þeir athuga ekki alltaf hvað er sýnilegt í hverri mynd.

Þröngur frestur. Tímaþrýstingur leiðir til skjótra skjámynda. Það er enginn tími til að fara yfir hverja mynd með tilliti til útsettrar skrár.

Lág sýnileiki í myndum. DataFrame getur haft 20 dálka. Nöfn og ID geta verið í dálki langt til hægri. Rannsakandinn lítur á lykilkálkinn, ekki ID-dálkinn.

Engin skoðun við innsendingu. Tímaritsíður keyra sniðskoðanir og eftirlíkingarskjámyndir. Engar skoðaðar myndir með tilliti til persónueininga. Ekkert flaggar vandann áður en pappírinn fer á netið.

Skimunnarverkflæði fyrir rannsóknarhópa

Ferli fyrir forútgáfuskimun getur stoppað þessi vandamál. Það hefur sjö skref.

  1. Rannsakandi lýkur drög að handritinu með öllum myndum.
  2. Drög fara til innri yfirferðarmanns — umsjónarmanns eða persónuverndartengilið.
  3. Myndbundin PII-greining keyrir á öllum myndaskrám í handritinu.
  4. Skýrslan flaggar myndir með læsilegum texta sem passar við persónueiningurmynstur.
  5. Rannsakandinn fer yfir flaggaðar myndir.
  6. Fyrir hverja flaggaða mynd: skipta henni út fyrir hreina skjámynd. Skipta sjúklinga-ID 12847 út fyrir ID 00001. Skipta raunverulegum nöfnum út fyrir "Sjúklingur A."
  7. Lokahandrit fer til tímaritsins með hreinum myndum.

Tæknilegar möguleikar:

  • Handvirkur: Flytja handritsmyndir út. Keyra runulega PII-greiningu. Fara yfir skýrsluna.
  • Hálf-sjálfvirkur: Nota samnýttan möppu fyrir drög. Keyra runulega vinnslu á hverjum viku á nýjum skrám.
  • Verkflæðissamþættur: Bæta skimunarskref við innsendingargáttina.

Skimun er fljót. Fyrir handrit með 15 myndum tekur myndbundin PII-greining undir tvær mínútur. Afturköllun tekur mánuðum.

Farðu á algengar spurningar eða orðasafnið til að fá frekari upplýsingar um greinningarmöguleika.

Dæmisaga: Evrópskur háskóli

Einn rannsóknarhópur bætti mynd-PII-skimun við handritaverkflæðið. Nær-gleymsla kveikti breytinguna. Pappír í yfirferð hafði sjúklinganöfn í DataFrame-skjámynd.

Hvað þeir gerðu:

  • Öll handritadrög voru unnin með tilliti til mynd-PII áður en innsending til tímarits.
  • Skimun þakti allar PNG, JPG og PDF-myndir í hverju dragi.
  • Persónuverndartengilið fór yfir niðurstöðurnar.

Niðurstöður yfir sex mánuði:

  • 23 handrit skimuð.
  • 7 handrit (30%) höfðu að minnsta kosti eina mynd með persónueiningurum.
  • Tegundir sem fundust: sjúklinganöfn í DataFrames (4 pappírar).
  • Notenda-ID sem passa við sjúklingasnið (2 pappírar).
  • Tölvupóstföng á spássíu skjámyndar (1 pappír).
  • Allar 7 lagaðar áður en innsending.
  • Núll afturköllunarbeiðnir eða siðanefndarniðurstöður eftir innsendingu.

Siðanefndin vitnar nú í þetta verkflæði sem fyrirmyndar "viðeigandi öryggisráð" samkvæmt grein 89. Það styður framtíðar rannsóknarundanþágubeiðnir hópsins.

Lestu stofnandaskilaboðin til að skilja af hverju anonym.legal var byggt fyrir þessa tegund vandamáls.

Heimildir

Ertu tilbúinn að vernda gögnin þín?

Byrjaðu að anonymiza PII með 285+ gerðum í 48 tungumálum.

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.