By · Last updated 2026-06-05

Bloga DönGDPR & Uyumluluk

Araştırma KKB: Ekran Görüntüleri ve GDPR

Akademik makaleler, metodoloji örneği olarak gerçek hasta kayıtlarını gösteren pandas DataFrame ve R çıktılarını düzenli olarak içermektedir. İşte bunun neden GDPR ihlali olduğu.

June 5, 20267 dk okuma
research dataacademic GDPRpublication privacyOCR image detectionArticle 89

2026 için güncellendi — Araştırma gruplarına yönelik GDPR yaptırımları artmıştır. Bu risk, yayımlanan çalışmalarda yaygın olmaya devam etmektedir.

Metodoloji Ekran Görüntüsü Sorunu

Birçok akademik makale, analiz araçlarının ekran görüntülerini içerir. Amaç yöntemi göstermektir. Ancak bu ekran görüntüleri gerçek kişisel kayıtları açığa çıkarabilir. Araştırmacıların çoğu bu riski fark etmez.

İşte dört yaygın durum:

  • Bir makine öğrenimi makalesi bir pandas DataFrame göstermektedir. İlk 10 satırda gerçek hasta adları ve kimlikleri yer almaktadır.
  • Bir klinik çalışma R çıktısını göstermektedir. Hasta değerleri ekrandadır. Hasta kimlikleri kenar boşluğunda görünmektedir.
  • Bir sosyal bilimler makalesi SPSS tablolarını göstermektedir. Gerçek kişilerin anket yanıtları görünürdür.
  • Bir dergi öğreticisi bir Jupyter not defteri göstermektedir. Gerçek kullanıcı kayıtları örnek satırlar olarak kullanılmaktadır.

Her durumda, yazar yöntemi göstermeyi amaçlamıştır. Kişisel kayıtlar asıl konu değildi. Örneği gerçekçi kılmak için oradadılar.

Ancak "asıl konu değil" güvenli demek değildir. GDPR Madde 4(1), kişisel kayıtların tanımlanmış bir kişiyle ilgili herhangi bir gerçeği kapsadığını söyler. Yayımlanmış bir makaledeki hasta kaydı kişisel bilgidir. Ekran görüntüsünde olması fark etmez. Madde 6 kapsamında bir onay veya yasal dayanak olmaksızın yayımlamak GDPR'ı ihlal eder.

Yayın kuralları hakkında daha fazla bilgi için GDPR uyum genel bakışımıza bakın.

Bu Neden Hukuki Risk Yaratır

Araştırma grupları artık daha fazla GDPR yaptırımıyla karşılaşmaktadır. Yayın hataları önemli bir tetikleyicidir. Dört risk öne çıkmaktadır.

Dergi geri çekimi. Madde 17, kişilere silme hakkı tanır. Bu, yayımlanmış kayıtlara da uygulanır. Bir kişi ayrıntılarını bir makalede bulursa kaldırılmasını talep edebilir. Bir dergi için bu genellikle geri çekme anlamına gelir. Geri çekme, bir araştırmacının kariyerine zarar verir.

Etik kurulu bulguları. Etik kurulları, yayımlanan çalışmaları inceler. GDPR uyumunu kontrol eder. Ekran görüntülerinde kişisel kayıtlar gösteren makaleleri işaretlemeye başladılar. Bu işaretlemeler, bir araştırmacının gelecekteki çalışmalarını etkiler.

Veri Erişim Anlaşması ihlalleri. Araştırma veri kümeleri, Veri Erişim Anlaşmaları ile gelir. Bu kurallar neyin yayımlanabileceğini belirtir. Kişisel kayıtları olan bir ekran görüntüsü bu anlaşmayı ihlal edebilir. Sonuç genellikle veri kümesi erişiminin kaybıdır.

Madde 89 sınırlamaları. Madde 89, bilimsel amaçlar için kişisel bilgilerin kullanımına izin verir. Bazı kuralları hafifletir. Ancak yalnızca uygun güvenceler mevcutsa. Kimliksizleştirme olmaksızın ekran görüntüsünde kişisel kayıtları göstermek bir güvence değildir. Bir ihlaldir.

Tam analiz için koruma ve güvenceler sayfamıza bakın.

Bu Ne Kadar Sık Gerçekleşir?

Bu sorun nadir değildir. Birçok alandaki yayımlanmış çalışmaları etkiler.

Birkaç faktör bunu yönlendirir.

Tekrarlanabilirlik normları. Dergiler yöntem ayrıntıları ister. Araştırmacılar bu ihtiyacı karşılamak için ekran görüntüleri kullanır. Her görüntüde neyin görünür olduğunu her zaman kontrol etmezler.

Sıkı teslim tarihleri. Zaman baskısı hızlı ekran görüntülerine yol açar. Her görüntüyü açığa çıkan kayıtlar açısından incelemeye vakit kalmaz.

Görüntülerde düşük görünürlük. Bir DataFrame 20 sütuna sahip olabilir. Adlar ve kimlikler sağ taraftaki bir sütunda bulunabilir. Araştırmacı, kimlik sütununu değil, önemli sütuna bakar.

Gönderi sırasında kontrol yok. Dergi portalları biçim kontrolleri ve intihal taramaları yapar. Hiçbiri görüntüleri kişisel varlıklar açısından kontrol etmez. Makale yayına girmeden önce hiçbir şey sorunu işaretlemez.

Araştırma Grupları için Tarama İş Akışı

Gönderim öncesi tarama süreci bu sorunları durdurabilir. Yedi adımı vardır.

  1. Araştırmacı, tüm şekiller dahil el yazması taslağını tamamlar.
  2. Taslak, dahili bir inceleyiciye — yürütücü araştırmacı veya gizlilik kişisi — gönderilir.
  3. El yazmasındaki tüm görüntü dosyalarında görüntü KKB tespiti çalışır.
  4. Rapor, kişisel varlık desenlerine uyan okunabilir metne sahip görüntüleri işaretler.
  5. Araştırmacı, işaretlenen görüntüleri inceler.
  6. İşaretlenen her görüntü için: temiz bir ekran görüntüsüyle değiştirin. 12847 hasta kimliğini 00001 kimliğiyle takas edin. Gerçek adları "Hasta A" ile değiştirin.
  7. Son el yazması, temiz görüntülerle dergiye gönderilir.

Teknik seçenekler:

  • Manuel: El yazması görüntülerini dışa aktarın. Toplu KKB tespiti çalıştırın. Raporu inceleyin.
  • Yarı otomatik: Taslaklar için paylaşılan bir klasör kullanın. Yeni dosyalarda haftalık toplu işleme çalıştırın.
  • İş akışına entegre: Gönderi portalına bir tarama adımı ekleyin.

Tarama hızlıdır. 15 şekilden oluşan bir el yazması için görüntü KKB tespiti iki dakikadan az sürer. Geri çekme aylarca sürer.

Tespit özellikleri hakkında daha fazla bilgi için SSS veya sözlüğümüze bakın.

Vaka Çalışması: Avrupa Üniversitesi

Bir araştırma grubu, el yazması iş akışına görüntü KKB taraması ekledi. Değişikliği tetikleyen bir yakın kaçıştı. İnceleme altındaki bir makalede, DataFrame ekran görüntüsünde hasta adları bulunuyordu.

Yaptıkları:

  • Tüm taslak makaleler, dergi gönderimine hazır olmadan önce görüntü KKB açısından işlendi.
  • Tarama, her taslaktaki tüm PNG, JPG ve PDF şekillerini kapsadı.
  • Bir gizlilik kişisi sonuçları inceledi.

Altı ayda elde edilen sonuçlar:

  • 23 el yazması tarandı.
  • 7 el yazması (yüzde 30) en az bir kişisel varlığa sahip bir görüntü içeriyordu.
  • Bulunan türler: DataFrame'lerde hasta adları (4 makale).
  • Hasta formatlarıyla eşleşen kullanıcı kimlikleri (2 makale).
  • Ekran görüntüsü kenar boşluklarındaki e-posta adresleri (1 makale).
  • 7'sinin tamamı gönderi öncesi düzeltildi.
  • Gönderi sonrası sıfır geri çekme talebi veya etik bulgusu.

Etik kurulu, bu iş akışını artık Madde 89 kapsamında model bir "uygun güvence" olarak aktarmaktadır. Grubun gelecekteki araştırma muafiyeti başvurularını desteklemektedir.

anonym.legal'ın bu tür sorunlar için neden oluşturulduğunu öğrenmek için kurucu açıklamasını okuyun.

Kaynaklar

Verilerinizi korumaya hazır mısınız?

48 dilde 285+ varlık türü ile PII anonimleştirmeye başlayın.

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.