سود:
- پاسخ به درخواست های اطلاعاتی را مطابق با قانون آماده می کند و نه بیشتر و نه کمتر توضیح می دهد.
- قبل از انتشار، داده های باز را ناشناس می کند و در سطح ترکیباتی که خطر شناسایی مجدد را دارند اسکن می کند.
- می داند که شفافیت یک ابزار حاکمیتی است که اعتماد عمومی را افزایش می دهد و آنچه را که باید محرمانه نگه داشته شود متمایز می کند.
سنگ بنای یک اداره عمومی دموکراتیک شفافیت است: توانایی شهروندان برای یادگیری چگونگی و بر چه مبنایی تصمیماتی که به آنها مربوط می شود. این اصل در دو مکانیسم مشخص زنده می شود. اولی حق کسب اطلاعات است (قانون حق دسترسی به اطلاعات به شماره 4982؛ شهروندان می توانند اطلاعات و اسناد را از مؤسسات عمومی به استثنای درخواست کنند). دوم دادههای باز است (موسسات عمومی بخش غیر شخصی و غیرمحرمانه دادههایی را که تولید میکنند به گونهای منتشر میکنند که همه بتوانند به آن دسترسی داشته باشند و از آن استفاده کنند). در اینجا، هوش مصنوعی کمکی قدرتمند در طبقهبندی درخواستهای اطلاعاتی دریافتی، تولید پیشنویسهای پاسخ، پیشارزیابی اینکه کدام اطلاعات میتواند داده شود و کدام یک معاف است، و آمادهسازی مجموعههای داده باز برای انتشار است. اما اخطار دو جانبه این واحد مهم است: شفافیت نباید بیشتر باشد، نه کمتر - باید اطلاعاتی را که به شهروند حق دارد داده شود، اما اطلاعات شخصی و استثناهای واقعی باید محافظت شوند. این تعادل توسط افسر عمومی مسئول ایجاد می شود، نه هوش مصنوعی.
دو سر نادرست کسب دانش
در درخواست اطلاعات، خطاها را می توان در دو جهت انجام داد:
- عدم شفافیت: رد بی مورد اطلاعات قابل ارائه به عنوان "محرمانه/ استثنایی". این امر هم حق را تضییع می کند و هم بی اعتمادی به نهاد ایجاد می کند و اغلب به دستگاه قضایی ختم می شود.
- افشای بیش از حد: افشای تصادفی داده های شخصی شخص ثالث، یک اسرار تجاری یا یک استثنا واقعی (امنیتی و غیره) هنگام ارائه یک سند. این KVKK را نقض می کند و باعث آسیب می شود.
هوش مصنوعی میتواند در هر دو طرف کمک کند: میتواند یک سند را اسکن کند، دادههای شخصی را در آن علامتگذاری کند، و ویرایش را پیشنهاد کند (معروف/حذف بخشهای محرمانه/شخصی سند). ممکن است دسته استثنایی را فهرست کند که تحت آن درخواست را ارزیابی خواهید کرد. اما تصمیم نهایی - این که آیا این اطلاعات داده می شود، کدام قسمت مبهم است - متعلق به شخصی است که مسئولیت قانونی دارد.
توجه: اظهارات هوش مصنوعی مبنی بر اینکه "این اطلاعات در محدوده استثنا هستند" یا "قابل ارائه است" یک نظر قانونی نیست. ارزیابی استثنایی مطابق مواد مربوطه قانون دسترسی به اطلاعات انجام و توجیه می شود. هوش مصنوعی فقط پیشکیفیتها و پیشنویسها را تولید میکند.
انتشار ایمن داده های باز
داده های باز کارایی عمومی و مسئولیت پذیری را افزایش می دهد. کارآفرینان، روزنامه نگاران، محققان از این داده ها ارزش ایجاد می کنند. اما قبل از انتشار یک مجموعه داده، باید آن را در برابر خطر شناسایی مجدد بررسی کرد (داده هایی که تصور می شود ناشناس هستند با ترکیب آنها با داده های دیگر به افراد مرتبط می شوند). به عنوان مثال، ترکیب "سن + محله + شغل نادر" ممکن است نشان دهنده یک فرد مجرد باشد. هنگام تهیه یک مجموعه داده برای انتشار، هوش مصنوعی در پرچمگذاری ترکیبهای ستونهای خطرناک و نوشتن فرهنگ لغت داده (توضیح معنای هر ستون) مفید است.
نکته: قبل از انتشار دادههای باز، بپرسید: «آیا میتوانم با ترکیب دو یا سه ستون در این مجموعه، یک شخص را پیدا کنم؟» اگر پاسخ «شاید» است، جمع کنید (گروهی به جای فردی)، دستههای نادر را ترکیب کنید، یا ناحیه حساس را حذف کنید.
جریان گام به گام اطلاعات
- درک و طبقه بندی تقاضا چه چیزی درخواست می شود، مربوط به کدام واحد است، مدت آن چقدر است؟
- آیا اطلاعات وجود دارد یا نیاز به تولید دارد؟ قانون دانش موجود را پوشش می دهد. ممکن است مؤسسه مجبور نباشد تحلیل جدیدی تولید کند (تأیید شده).
- ارزیابی استثنایی آیا استثناهایی مانند داده های شخصی، امنیت، اسرار تجاری، نظرات داخلی وجود دارد؟
- ویرایش. بخش هایی از سند قابل صادرات را که باید حفظ شود حذف کنید.
- پاسخ مستدل بخش داده شده / داده نشده و اساس آن؛ روش اعتراض در صورت رد.
- ثبت و پیگیری حسابرسی. درخواست، تصمیم و توجیه ثبت می شود.
سه کیف کوچک
مورد 1 - از خطای ویرایش اجتناب شد. یک آژانس یک سند مناقصه را به درخواست آزادی اطلاعات ارسال می کند. هوش مصنوعی سند را اسکن کرد و شماره تلفن و شماره TR ID سه نفر را علامت گذاری کرد. اگر بدون تصحیح ارسال شده بود، نقض KVKK بود. اطلاعات شخصی سیاه شد، سند با خیال راحت تحویل داده شد.
مورد 2 - رد ناعادلانه اصلاح شد. یک واحد معمولاً درخواست دادههای فعالیت را به عنوان «داخلی» رد میکند. وقتی از هوش مصنوعی در مورد مقولههای استثنا پرسیده شد، مشاهده شد که این دادهها در واقع از قبل بهعنوان داده باز قابل انتشار بودند. درخواست برآورده شد، از اعتراض و شکایت احتمالی جلوگیری شد.
مورد 3 - ریسک شناسایی مجدد. یک شهرداری مجموعه داده «درخواستهای خدمات» خود را بهعنوان داده باز منتشر میکند. این مجموعه شامل تفکیک محله + آدرس کامل منطقه بود. هوش مصنوعی هشدار داد که فیلد آدرس می تواند به ارقام جداگانه اشاره کند. آدرس در سطح خیابان جمعآوری شد و مجموعه با خیال راحت منتشر شد.
چهار قالب قابل کپی
1) طبقه بندی درخواست اطلاعات:
نقش شما: متخصص کسب اطلاعات. درخواست زیر را پردازش کنید: (1) دقیقاً چه چیزی درخواست می شود، (2) مربوط به کدام واحد است، (3) آیا به اطلاعات موجود یا تولید جدید نیاز دارد، (4) دسته بندی های استثنایی احتمالی (داده های شخصی، امنیت، اسرار تجاری و غیره). مشخص کنید که هر استثنا "باید توسط ماده مربوطه توجیه شود". تصمیم گیری، پیش ارزیابی درخواست: [متن]
2) ویرایش (علامت گذاری داده های شخصی/محرمانه):
در سند زیر، تمام قسمت هایی را که باید در یک پاسخ اطلاعاتی نقاب شوند، علامت بزنید: نام-نام خانوادگی، شماره شناسه TR، آدرس، تلفن، اطلاعات بهداشتی/جنایی، داده های شخص ثالث، راز تجاری. برای هر علامت توجیه مختصری بنویسید. قسمت قابل صادرات سند را همانطور که هست بگذارید. سند: [متن]
3) پیش نویس پاسخ مستدل:
یک پاسخ مستدل به درخواست زیر پیش نویس کنید: (1) چه اطلاعاتی داده شده است، (2) کدام قسمت ارائه نشده است و چرا (بند استثنا [تایید شود])، (3) روش تجدید نظر و مدت زمان [تایید شود]. زبان باید رسمی و محترمانه باشد. توجیه بخشی که ارائه نشده است باید مشخص باشد، نه کلی. درخواست: [خلاصه] تصمیم: [چه داده شد/چه داده نشد]
4) باز کردن کنترل احراز هویت مجدد داده ها:
ستون های مجموعه داده زیر را بررسی کنید. لیست کنید که کدام ترکیب از ستون ها ممکن است نشان دهنده یک فرد واحد باشد (خطر شناسایی مجدد). برای هر خطر، چند راه کاهش پیشنهاد دهید: تجمع، تجمع دستهبندی نادر، استخراج مزرعه. فقط از لیست ستون داده شده استفاده کنید. ستون ها: [فهرست]
اعلان ضعیف / اعلان قوی
ضعیف: "به این درخواست برای اطلاعات پاسخ دهید."
گوچلو: "نقش شما یک کارشناس واحد اطلاعاتی است. ابتدا درخواست را طبقه بندی کنید: آنچه درخواست شده است، کدام واحد، موجود است، چه استثناهایی ممکن است وجود داشته باشد. هر استثنا را به عنوان "قابل توجیه در مقاله مربوطه" علامت گذاری کنید، خودتان تصمیم قانونی نگیرید. سپس، بخش های شخصی/محرمانه ای را که باید در سند پوشانده شود علامت گذاری کنید تا ارائه شود و در نهایت پیش نویس پیشنهادی را ارائه دهید. ابژه را مشخص کنید.
تفاوت: سریع قوی شفافیت و حفاظت را متعادل می کند، استثنا را به توجیه گره می زند، ویرایش و مسیر تجدیدنظر را اضافه می کند.
رویکرد بر اساس نوع اطلاعات
نوع اطلاعات
پیش فرض
توجه
آمار، داده های انبوه
باز کردن
بررسی شناسایی مجدد
دلیل اقدام اداری
می تواند داده شود
ویرایش اطلاعات شخص ثالث
اطلاعات شخصی شخص ثالث
محافظت شده است
KVKK; اما با اجازه / استثنا
استثناء امنیت/حریم خصوصی
محافظت شده است
آیا این استثنا واقعی است، تأیید کنید
نظر داخلی/مذاکره
بستگی دارد
با توجه به مقاله مربوطه ارزیابی کنید
ناشناس سازی و خطر شناسایی مجدد
فنی ترین اما حیاتی ترین مرحله در انتشار داده های باز، ناشناس سازی است (ناشناس کردن شخص به طور مستقیم یا غیر مستقیم از یک داده). نام و نام خانوادگی و T.R. حذف شماره شناسه اغلب کافی نیست. زیرا ترکیب چندین منطقه معمولی باعث می شود که فرد قابل شناسایی باشد. این شناسایی مجدد نامیده می شود (پیدا کردن شخص با تطبیق داده هایی که گمان می رود با اطلاعات دیگر ناشناس است). مثلاً اگر در یک محله یک بیوه مجرد 92 ساله وجود داشته باشد، سه گانه «محله + سن + وضعیت تأهل» او را آشکار می کند. هوش مصنوعی میتواند به بررسی ترکیبی از فیلدها در مجموعه دادهها کمک کند و گروهبندی امنتری را پیشنهاد کند (تبدیل سن به محدوده، ترکیب دستههای نادر). اما تصمیم به انتشار و ممیزی نهایی بر عهده موسسه است.
مورد کوچک - افشا با سه منطقه. یکی از شهرداریها اطلاعات کمکهای اجتماعی را «ناشناس» منتشر کرد: بدون نام، اما محله، سال تولد و نوع معلولیت. روزنامه نگاری متوجه نوع نادری از معلولیت در یک فرد مجرد در یک محله شد و فرد را شناسایی کرد. داده های برداشته شده؛ زمانی که سال تولد به بازه زمانی 10 ساله تبدیل شد و دستههای نادر در زیر «دیگر» دستهبندی شدند، دوباره منتشر شد.
الگویی که خطر شناسایی مجدد را بررسی می کند:
وظیفه: ستون های مجموعه داده زیر را بررسی کنید. من اطلاعات شخصی را منتشر نمیکنم، فقط میخواهم غربالگری خطر را انجام دهم. ستونها: [نام ستون] خروجی: 1) شناسههای مستقیم (باید حذف شوند). 2) ترکیبات شناسه غیرمستقیم (خطر شناسایی مجدد). 3) گروه بندی / پوشش توصیه شده برای هر ترکیب مخاطره آمیز. 4) سؤالات بررسی نهایی قبل از انتشار. قانون: من هیچ ارزش شخصی واقعی را چسبانده ام. فقط ساختار ستون را در نظر بگیرید.
احتیاط: «نام را حذف کردم، حالا ناشناس» رایج ترین و خطرناک ترین تصور غلط است. ناشناس بودن توسط خود فیلد تعیین نمی شود، بلکه با ترکیب فیلدها و احتمال تطبیق با داده های خارجی تعیین می شود. اگر شک دارید، منتشر نکنید؛ ناشناس بودن یک تصمیم غیرقابل برگشت است.
اشتباهات رایج
- عادتاً رد کردن. «محرمانه» دانستن اطلاعات غیرضروری، نقض حقوق و موجب دعوا است.
- ارائه اسناد ویرایش نشده افشای اطلاعات شخص ثالث نقض KVKK است.
- استفاده از استثنا بدون توجیه رد باید با ماهیت مشخص و توجیه مشخص انجام شود. گفتن "در خانه" کافی نیست.
- با تکیه بر قضاوت قانونی هوش مصنوعی. تصمیم برای ایجاد استثناء انسانی است. هوش مصنوعی از قبل واجد شرایط است.
- دور زدن شناسایی مجدد در داده های باز ترکیب ستون ها می تواند افراد را پیدا کند. کل.
- عدم تعیین وسیله اعتراض. در رد، روش درخواست و مدت زمان باید نوشته شود (تأیید شود).
به طور خلاصه
شفافیت اساس اعتماد عمومی است. هوش مصنوعی کمکی قدرتمند در طبقهبندی درخواستهای FOI، توصیه تصحیح، تهیه پیشنویس پاسخها و آمادهسازی دادههای باز برای انتشار است. اما تعادل بسیار مهم است: شهروندان باید اطلاعاتی را که حق دارند در اختیارشان قرار گیرد، استثناهای واقعی و داده های شخصی باید محافظت شوند. تصمیم به استثناء باید مستدل و انسانی باشد; دادههای باز باید قبل از انتشار از نظر خطر شناسایی مجدد حسابرسی شوند.
وظیفه کاربردی
درخواست آزادی اطلاعات واقعی (نقاب دار) دریافت کنید. با الگوی "طبقه بندی درخواست" از قبل ارزیابی کنید، الگوی "تغییر" را در سند پیوست اعمال کنید و مناطقی را که قرار است پوشانده شوند علامت بزنید. الگوی «بررسی شناسایی مجدد دادههای باز» را در ستونهای یک مجموعه داده باز اعمال کنید و حداقل یک ترکیب خطرناک را پیدا کنید.
چک لیست
- [ ] من درخواست را طبقه بندی کردم. من اطلاعاتی را که می توان بی جهت داده شود رد نکردم.
- [ ] استثناها را با ماهیت مشخص و توجیه (تصمیم انسانی) ارزیابی کردم.
- [ ] من داده های شخصی/محرمانه را در سندی که باید ارسال شود ویرایش کردم.
- [ ] در صورت رد، روش اعتراض و مدت آن را بیان کرده ام (تأیید شده).
- [ ] من خطر شناسایی مجدد را در داده های باز بررسی کردم.
- [ ] درخواست، تصمیم و توجیه حسابرسی را ثبت کردم.