By · Last updated 2026-06-05

Kembali ke BlogGDPR & Pematuhan

PII Penyelidikan: Tangkapan Skrin dan GDPR

Kertas akademik kerap menyertakan DataFrame pandas dan output R yang menunjukkan rekod pesakit sebenar sebagai contoh metodologi. Inilah sebabnya ini adalah pelanggaran GDPR.

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

Dikemas kini untuk 2026 — Penguatkuasaan GDPR terhadap kumpulan penyelidikan telah berkembang. Risiko ini kekal biasa dalam kerja yang diterbitkan.

Masalah Tangkapan Skrin Metodologi

Banyak kertas akademik menyertakan tangkapan skrin alat analisis. Tujuannya adalah untuk menunjukkan kaedah. Tetapi tangkapan skrin tersebut boleh mendedahkan rekod peribadi sebenar. Kebanyakan penyelidik tidak menyedari risiko ini.

Berikut adalah empat kes biasa:

  • Kertas pembelajaran mesin menunjukkan DataFrame pandas. 10 baris pertama mengandungi nama pesakit dan ID sebenar.
  • Kajian klinikal menunjukkan output R. Nilai pesakit ada pada skrin. ID pesakit kelihatan di jidar.
  • Kertas sains sosial menunjukkan jadual SPSS. Respons tinjauan daripada orang sebenar kelihatan.
  • Tutorial jurnal menunjukkan buku nota Jupyter. Rekod pengguna sebenar berfungsi sebagai baris sampel.

Dalam setiap kes, pengarang bermaksud menunjukkan kaedah. Rekod peribadi bukan maksud. Ia hanya ada untuk menjadikan contoh terasa nyata.

Tetapi "bukan maksud" tidak bermakna selamat. Artikel 4(1) GDPR menyatakan rekod peribadi termasuk sebarang fakta tentang seseorang yang dikenal pasti. Rekod pesakit dalam kertas yang diterbitkan adalah maklumat peribadi. Tidak kira sama ada ia ada dalam tangkapan skrin. Menerbitkannya tanpa persetujuan atau asas sah di bawah Artikel 6 melanggar GDPR.

Lihat gambaran keseluruhan pematuhan GDPR untuk maklumat lanjut tentang peraturan penerbitan.

Mengapa Ini Mencipta Risiko Undang-Undang

Kumpulan penyelidikan kini menghadapi lebih banyak penguatkuasaan GDPR. Kegagalan penerbitan adalah pencetus utama. Empat risiko menonjol.

Penarikan semula jurnal. Artikel 17 memberi orang hak untuk pemadaman. Ini terpakai pada rekod yang diterbitkan juga. Jika seseorang menemui butiran mereka dalam kertas, mereka boleh meminta penyingkiran. Bagi jurnal, ini sering bermakna penarikan semula. Penarikan semula menjejaskan kerjaya penyelidik.

Dapatan lembaga etika. Lembaga etika menyemak kerja yang diterbitkan. Mereka menyemak penjajaran GDPR. Mereka telah mula menandai kertas yang menunjukkan rekod peribadi dalam tangkapan skrin. Tanda-tanda ini mempengaruhi kerja penyelidik pada masa hadapan.

Pelanggaran Perjanjian Akses Data. Set data penyelidikan datang dengan Perjanjian Akses Data. Peraturan ini menyatakan apa yang boleh diterbitkan. Tangkapan skrin dengan rekod peribadi boleh melanggar perjanjian. Hasilnya sering adalah kehilangan akses set data.

Had Artikel 89. Artikel 89 membenarkan penggunaan maklumat peribadi untuk sains. Ia melonggarkan beberapa peraturan. Tetapi hanya di mana perlindungan yang betul wujud. Menunjukkan rekod peribadi dalam tangkapan skrin tanpa penyahanoniman bukan perlindungan. Ia adalah pelanggaran.

Lihat halaman perlindungan dan perlindungan kami untuk pecahan penuh.

Seberapa Kerap Ini Berlaku?

Masalah ini tidak jarang berlaku. Ia mempengaruhi kerja yang diterbitkan di pelbagai bidang.

Beberapa faktor mendorong ia.

Norma kebolehulangan. Jurnal mahukan butiran kaedah. Penyelidik menggunakan tangkapan skrin untuk memenuhi keperluan ini. Mereka tidak selalu menyemak apa yang kelihatan dalam setiap imej.

Tarikh akhir yang ketat. Tekanan masa membawa kepada tangkapan skrin yang cepat. Tiada masa untuk menyemak setiap imej untuk rekod yang terdedah.

Keterlihatan rendah dalam imej. DataFrame boleh mempunyai 20 lajur. Nama dan ID mungkin ada dalam lajur jauh di sebelah kanan. Penyelidik melihat lajur utama, bukan lajur ID.

Tiada semakan semasa penyerahan. Portal jurnal menjalankan semakan format dan tapisan plagiat. Tiada yang menyemak imej untuk entiti peribadi. Tiada yang menandai masalah sebelum kertas diterbitkan.

Aliran Kerja Penyaringan untuk Kumpulan Penyelidikan

Proses penyaringan pra-penyerahan boleh menghentikan isu-isu ini. Ia mempunyai tujuh langkah.

  1. Penyelidik melengkapkan draf manuskrip dengan semua rajah.
  2. Draf pergi kepada penyemak dalaman — PI atau kenalan privasi.
  3. Pengesanan PII imej dijalankan pada semua fail imej dalam manuskrip.
  4. Laporan menandai imej dengan teks boleh-baca yang sepadan dengan corak entiti peribadi.
  5. Penyelidik menyemak imej yang ditandai.
  6. Untuk setiap imej yang ditandai: gantikan dengan tangkapan skrin yang bersih. Tukar ID pesakit 12847 kepada ID 00001. Gantikan nama sebenar dengan "Pesakit A."
  7. Manuskrip akhir pergi ke jurnal dengan imej yang bersih.

Pilihan teknikal:

  • Manual: Eksport imej manuskrip. Jalankan pengesanan PII kelompok. Semak laporan.
  • Semi-automatik: Gunakan folder bersama untuk draf. Jalankan pemprosesan kelompok setiap minggu pada fail baharu.
  • Bersepadu aliran kerja: Tambah langkah penyaringan ke portal penyerahan.

Penyaringan adalah pantas. Untuk manuskrip 15 rajah, pengesanan PII imej mengambil masa kurang daripada dua minit. Penarikan semula mengambil masa berbulan-bulan.

Lawati Soalan Lazim atau glosari untuk maklumat lanjut tentang ciri pengesanan.

Kajian Kes: Universiti Eropah

Satu kumpulan penyelidikan menambah penyaringan PII imej ke dalam aliran kerja manuskripnya. Hampir-miss mencetuskan perubahan. Kertas di bawah semakan mengandungi nama pesakit dalam tangkapan skrin DataFrame.

Apa yang mereka lakukan:

  • Semua kertas draf diproses untuk PII imej sebelum penyerahan jurnal.
  • Penyaringan meliputi semua rajah PNG, JPG, dan PDF dalam setiap draf.
  • Kenalan privasi menyemak keputusan.

Keputusan selama enam bulan:

  • 23 manuskrip disaring.
  • 7 manuskrip (30%) mempunyai sekurang-kurangnya satu imej dengan entiti peribadi.
  • Jenis yang ditemui: nama pesakit dalam DataFrame (4 kertas).
  • ID pengguna yang sepadan dengan format pesakit (2 kertas).
  • Alamat e-mel dalam jidar tangkapan skrin (1 kertas).
  • Semua 7 diperbaiki sebelum penyerahan.
  • Sifar permintaan penarikan semula atau dapatan etika selepas penyerahan.

Lembaga etika kini memetik aliran kerja ini sebagai "perlindungan yang sesuai" contoh di bawah Artikel 89. Ia menyokong permohonan pengecualian penyelidikan masa hadapan kumpulan.

Baca pernyataan pengasas untuk mengetahui mengapa anonym.legal dibina untuk masalah jenis ini.

Sumber

Sedia untuk melindungi data anda?

Mulakan pengenalan PII dengan 285+ jenis entiti dalam 48 bahasa.

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.