anonym.legal

By · Last updated 2026-06-05

Nazaj na blogGDPR in skladnost

Osebni podatki v raziskavah: posnetki zaslona in GDPR

Akademski clanki redno vkljucujejo pandas DataFrame-e in izhode R, ki prikazujejo prave zapise bolnikov kot primere metodologije. Zakaj to krsi GDPR.

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

Posodobljeno za leto 2026 -- Uveljavljanje GDPR proti raziskovalnim skupinam se je okrepilo. To tveganje ostaja pogosto v objavljenih delih.

Tezava s posnetki zaslona metodologije

Stevilni akademski clanki vkljucujejo posnetke zaslona analiznih orodij. Cilj je prikazati metodo. Toda ti posnetki zaslona lahko razkrijejo prave osebne zapise. Vecina raziskovalcev tega tveganja ne opazi.

Stiri pogoste situacije:

  • Clankov o strojnem ucenju prikazuje pandas DataFrame. Prvih 10 vrstic ima prava imena bolnikov in ID-je.
  • Klinicna studija prikazuje izhod R. Vrednosti bolnikov so na zaslonu. ID-ji bolnikov so vidni na robu.
  • Clanek druzbenoslobnih ved prikazuje tabele SPSS. Vidni so odgovori anket od pravih ljudi.
  • Vadnica v reviji prikazuje zvezek Jupyter. Pravi zapisi uporabnikov sluzijo kot vzorcne vrstice.

V vsakem primeru je avtor nameraval prikazati metodo. Osebni zapisi niso bili namen. Bili so samo tam, da bi naredil primer bolj resnicen.

Toda "ni bil namen" ne pomeni varno. Clen 4(1) GDPR pravi, da osebni zapisi vkljucujejo kakrsna koli dejstva o identificirani osebi. Zapis bolnika v objavljenem clanku je osebna informacija. Ne glede na to, ali je v posnetku zaslona. Objava brez soglasja ali zakonite podlage po clenu 6 krsi GDPR.

Oglejte si pregled skladnosti GDPR za vec o pravilih za objavo.

Zakaj to ustvarja pravno tveganje

Researchalne skupin se zdaj soocat z vec uveljavljanjem GDPR. Napake pri objavljanju so kljucni spruzilec. Izstopajo stiri tveganja.

Umik clanka. Clen 17 daje ljudem pravico do izbrisa. To velja tudi za objavljene zapise. Ce oseba najde svoje podatke v clanku, lahko zahteva odstranitev. Za revijo to pogosto pomeni umik. Umik skodi karieri raziskovalca.

Ugotovitve eticne komisije. Eticne komisije pregledajo objavljeno delo. Preverijo usklajenost z GDPR. Zacele so oznacevati clanke, ki prikazujejo osebne zapise v posnetkih zaslona. Te oznake vplivajo na prihodnje delo raziskovalca.

Krsitve sporazumov o dostopu do podatkov. Raziskovalni nabori podatkov imajo sporazume o dostopu do podatkov. Ta pravila dolocajo, kaj sme biti objavljeno. Posnetek zaslona z osebnimi zapisi lahko krsi sporazum. Rezultat je pogosto izguba dostopa do nabora podatkov.

Omejitve clena 89. Clen 89 dovoljuje uporabo osebnih informacij za znanost. Olajsa nekatera pravila. Toda samo pri pristonosti ustreznih varovalnih ukrepov. Prikazovanje osebnih zapisov v posnetku zaslona brez de-identifikacije ni varovalni ukrep. Je krsitev.

Oglejte si naso stran o zasciti in varovalnih ukrepih za celotno razclenjeno sliko.

Kako pogosto se to zgodi?

Ta problem ni redek. Vpliva na objavljena dela v stevilnih podrocjih.

Nekaj dejavnikov ga poganja.

Norme reproducibilnosti. Revije zelijo podrobnosti o metodi. Raziskovalci uporabljajo posnetke zaslona za izpolnitev te potrebe. Ne preverjajo vedno, kaj je vidno na vsaki sliki.

Kratki roki. Casovni pritiski vodijo do hitrih posnetkov zaslona. Ni casa za pregled vsake slike za izpostavljene zapise.

Nizka vidljivost v slikah. DataFrame ima lahko 20 stolpcev. Imena in ID-ji so morda v stolpcu daleC na desni. Researcher pogleda kljucni stolpec, ne stolpca z ID-ji.

Brez pregleda pri oddaji. Portali revij izvajajo preglede oblik in preglede plagiatov. Nobeden ne preverja slik za osebne entitete. Tezave niso oznacene, preden clanke gredo v zivo.

Delovni tok pregledovanja za raziskovalne skupine

Postopek pregledanja pred oddajo lahko prepreci te tezave. Ima sedem korakov.

  1. Researcher dokonca osnutek rokopisa z vsemi slikami.
  2. Osnutek gre k internemu pregledovalcu -- PI ali stiku za zasebnost.
  3. Zaznavanje osebnih podatkov na slikah se izvaja na vseh slikovnih datotekah v rokopisu.
  4. Porocilo oznaci slike z berljivim besedilom, ki ustreza vzorcem osebnih entitet.
  5. Researcher pregleda oznacene slike.
  6. Za vsako oznaceno sliko: zamenjajte jo s cistim posnetkom zaslona. Zamenjajte ID bolnika 12847 z ID 00001. Zamenjajte prava imena z "Bolnik A".
  7. Koncni rokopis gre reviji s cistimi slikami.

Tehnicne moznosti:

  • Rocno: Izvozite slike rokopisa. Zazenite skupinsko zaznavanje osebnih podatkov. Preglejte porocilo.
  • Delno samodejno: Uporabite skupno mapo za osnutke. Zazenite skupinsko obdelavo vsak teden na novih datotekah.
  • Integrirano v delovni tok: Dodajte korak pregledovanja v portal za oddajo.

Pregledovanje je hitro. Za rokopis s 15 slikami zaznavanje osebnih podatkov na slikah traja manj kot dve minuti. Umik traja mesece.

Obisite FAQ ali glosar za vec o funkcijah zaznavanja.

Studija primera: Evropska univerza

Ena raziskovalna skupina je dodala pregledovanje osebnih podatkov na slikah v svoj delovni tok za rokopise. Spremembo je sprozil skorajsnji incident. Clanek v pregledu je imel imena bolnikov v posnetku zaslona DataFrame.

Kaj so storili:

  • Vsi osnutki clankov so bili obdelani za osebne podatke na slikah pred oddajo reviji.
  • Pregledovanje je pokrivalo vse slike PNG, JPG in PDF v vsakem osnutku.
  • Stik za zasebnost je pregledal rezultate.

Rezultati v sest mesecih:

  • 23 pregledanih rokopisov.
  • 7 rokopisov (30%) je imelo vsaj eno sliko z osebnimi entitetami.
  • Najdene vrste: imena bolnikov v DataFrame-ih (4 clanki).
  • ID-ji uporabnikov, ki ustrezajo formatom bolnikov (2 clanki).
  • E-postni naslovi v robovih posnetkov zaslona (1 clanek).
  • Vseh 7 je bilo popravljenih pred oddajo.
  • Brez zahtev za umik ali ugotovitev eticnih komisij po oddaji.

Eticna komisija zdaj navaja ta delovni tok kot vzorcni "ustrezen varovalni ukrep" po clenu 89. Podpira prihodnje vloge skupini za izjemo od znanstvenih raziskav.

Preberite izjavo ustanovitelja, da izveste, zakaj je bil anonym.legal zgrajen za tovrstne probleme.

Viri

Ste pripravljeni zaščititi svoje podatke?

Začnite z anonimizacijo PII z več kot 285 tipi entitet v 48 jezikih.

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.