Transparence, données ouvertes et accès à l'information

Gains :

• Prépare les réponses aux demandes d'informations conformément à la législation, en expliquant ni plus ni moins.
• Il anonymise les données ouvertes avant leur publication et les analyse au niveau des combinaisons qui risquent d'être réidentifiées.
• Sait que la transparence est un outil de gouvernance qui accroît la confiance du public et distingue ce qui doit rester confidentiel.

La pierre angulaire d’une administration publique démocratique est la transparence : la capacité des citoyens à savoir comment et sur quelles bases sont prises les décisions qui les concernent. Ce principe prend vie dans deux mécanismes concrets. Le premier est le droit à l’information (loi n° 4982 sur le droit à l’information ; les citoyens peuvent demander des informations et des documents aux institutions publiques, sauf exceptions). La seconde est l’open data (les institutions publiques publient la partie non personnelle et non confidentielle des données qu’elles produisent de manière à ce que chacun puisse y accéder et l’utiliser). Ici, l’IA est une aide puissante pour classer les demandes d’informations entrantes, produire des projets de réponses, pré-évaluer quelles informations peuvent être fournies et lesquelles sont exemptées, et préparer des ensembles de données ouvertes pour la publication. Mais la double réserve de cette unité est importante : la transparence ne doit pas être plus, ni moins – le citoyen doit recevoir l'information à laquelle il a droit, mais les données personnelles et les véritables exceptions doivent être protégées ; Cet équilibre est établi par l’agent public responsable et non par l’IA.

Les deux mauvais côtés de l’acquisition de connaissances

Dans les demandes d’informations, des erreurs peuvent être commises dans deux directions :

• Manque de transparence : rejet inutile des informations divulguées comme étant « confidentielles/exceptionnelles ». Cela viole le droit et crée de la méfiance à l’égard de l’institution, et aboutit souvent au système judiciaire.
• Sur-divulgation : Révélation accidentelle de données personnelles de tiers, d'un secret commercial ou d'une réelle exception (sécurité, etc.) lors de la soumission d'un document. Cela viole le KVKK et provoque des dommages.

L’IA peut aider des deux côtés : elle peut numériser un document, y marquer des données personnelles et suggérer une expurgation (masquage/suppression des parties confidentielles/personnelles du document) ; Il peut indiquer la catégorie d'exception dans laquelle vous évaluerez la demande. Mais la décision finale – si cette information est donnée, quelle partie est masquée – appartient à une personne qui en porte la responsabilité légale.

Attention : la déclaration d'AI selon laquelle « ces informations entrent dans le cadre d'une exception » ou « peuvent être données » n'est pas un avis juridique. L'évaluation des exceptions est effectuée et justifiée conformément aux articles pertinents de la loi sur l'accès à l'information ; L'IA ne produit que des pré-qualifications et des brouillons.

Publier des données ouvertes en toute sécurité

Les données ouvertes augmentent l’efficacité et la responsabilité du public ; les entrepreneurs, les journalistes, les chercheurs créent de la valeur à partir de ces données. Mais avant de publier un ensemble de données, il convient de le vérifier contre le risque de ré-identification (les données considérées comme anonymes sont reliées aux individus en les combinant avec d'autres données). Par exemple, la combinaison « âge + quartier + profession rare » peut indiquer une seule personne. Lors de la préparation d’un ensemble de données pour la publication, l’IA est utile pour signaler les combinaisons de colonnes à risque et rédiger un dictionnaire de données (une description de la signification de chaque colonne).

Astuce : avant de publier des données ouvertes, demandez : « Puis-je trouver une seule personne en combinant deux ou trois colonnes dans cet ensemble ? » Si la réponse est « peut-être », regroupez (groupe au lieu d’individu), combinez les catégories rares ou supprimez la zone sensible.

Flux d'informations étape par étape

1. Comprendre et classer la demande. Qu'est-ce qui est demandé, de quelle unité s'agit-il, quelle est la durée ?
2. L’information existe-t-elle ou doit-elle être produite ? La loi couvre les connaissances existantes ; l'institution n'aura peut-être pas à produire de nouvelles analyses (confirmé).
3. Évaluation des exceptions. Existe-t-il des exceptions telles que les données personnelles, la sécurité, les secrets commerciaux, l'opinion interne ?
4. Rédaction. Supprimez les parties du document exportable qui doivent être conservées.
5. Réponse raisonnée. La part donnée/non donnée et sa base ; Méthode d’objection en cas de rejet.
6. Journal et piste d'audit. La demande, la décision et la justification sont enregistrées.

trois mini-cases

Cas 1 — Erreur d'édition évitée. Une agence soumettrait un dossier d’appel d’offres à une demande d’accès à l’information. AI a scanné le document et marqué les numéros de téléphone et les numéros TR ID de trois personnes. S'il avait été envoyé sans relecture, cela aurait constitué une violation du KVKK ; les données personnelles ont été noircies, le document a été livré en toute sécurité.

Cas 2 — Rejet injuste corrigé. Une unité rejette généralement une demande de données d’activité en la qualifiant de « interne ». Lorsque l’IA a été interrogée sur les catégories d’exceptions, il a été constaté que ces données étaient déjà publiables en tant que données ouvertes. La demande a été satisfaite, une éventuelle objection et un procès ont été évités.

Cas 3 — Risque de réidentification. Une municipalité publierait son ensemble de données « demandes de service » sous forme de données ouvertes. L'ensemble comprenait le quartier + l'adresse complète du quartier. L'IA a averti que le champ d'adresse pouvait pointer vers des chiffres individuels ; L'adresse a été regroupée au niveau de la rue et l'ensemble a été publié en toute sécurité.

Quatre modèles copiables

1) Classification des demandes d'informations :

Votre rôle : spécialiste en acquisition d'informations. Traitez la demande suivante : (1) ce qui est demandé exactement, (2) de quelle unité cela concerne, (3) si cela nécessite des informations existantes ou une nouvelle production, (4) les catégories d'exceptions possibles (données personnelles, sécurité, secret commercial, etc.). Préciser que chaque exception "doit être justifiée par l'article concerné". Prise de décision, pré-évaluation. DEMANDE : [texte]

2) Rédaction (marquage des données personnelles/confidentielles) :

Dans le document ci-dessous, marquez toutes les parties qui doivent être MASQUÉES dans une réponse informative : nom-prénom, numéro TR ID, adresse, téléphone, informations sanitaires/criminelles, données de tiers, secret commercial. Écrivez une brève justification pour chaque signe. Laissez la partie exportable du document telle quelle. DOCUMENT : [texte]

3) Projet de réponse motivée :

Rédigez une réponse motivée à la demande suivante : (1) quelles informations ont été fournies, (2) quelle partie n'a pas été fournie et pourquoi (clause d'exception [à confirmer]), (3) mode et durée de recours [à confirmer]. Le langage doit être formel et respectueux. La justification de la partie non donnée doit être concrète et non générale. DEMANDE : [résumé] DÉCISION : [ce qui a été/n'a pas été donné]

4) Contrôle de réauthentification des données ouvertes :

Examinez les colonnes de l’ensemble de données ci-dessous. Liste quelles combinaisons de colonnes peuvent indiquer une seule personne (risque de ré-identification). Suggérez des mesures d'atténuation pour chaque risque : agrégation, agrégation de catégories rares, extraction sur le terrain. Utilisez simplement la liste de colonnes donnée. COLONNES : [liste]

Invite faible/Invite forte

Faible : « Répondez à cette demande d’informations. »

Güçlü : "Votre rôle est celui d'un expert en unité d'information. Tout d'abord, classez la demande : ce qui est demandé, quelle unité, est-elle disponible, quelles sont les exceptions possibles. Marquez chaque exception comme "à justifier par l'article concerné", ne prenez pas de décision juridique vous-même. Ensuite, marquez les parties personnelles/confidentielles qui doivent être masquées dans le document à soumettre avec une suggestion de rédaction. Enfin, produisez un projet de réponse motivé comprenant la partie donnée/non donnée et la manière de s'y opposer ; rendez la justification concrète."

Différence : une invite forte équilibre transparence et protection, lie l'exception à la justification, ajoute une procédure de rédaction et d'appel.

Approche par type d’information

Type d'informations

Par défaut

Attention

Statistiques, données agrégées

ouvert

Contrôle de réidentification

Motif de la mesure administrative

peut être donné

Expurger les données de tiers

Données personnelles de tiers

protégé

KVKK ; mais avec autorisation/exception

Exception de sécurité/confidentialité

protégé

Est-ce une véritable exception, confirmez

Avis/négociation interne

Cela dépend

Évaluer selon l’article pertinent

Anonymisation et risque de ré-identification

L'étape la plus technique mais la plus critique de la publication de données ouvertes est l'anonymisation (rendre une personne non identifiable directement ou indirectement à partir de données). Nom et T.R. La suppression du numéro d’identification n’est souvent pas suffisante ; car la combinaison de plusieurs zones ordinaires rend une personne réidentifiable. C'est ce qu'on appelle la ré-identification (trouver la personne en croisant des données considérées comme anonymes avec d'autres informations). Par exemple, s'il y a un seul veuf de 92 ans dans un quartier, le trio « quartier + âge + état civil » le révélera. L'IA peut aider à déterminer quelles combinaisons de champs dans un ensemble de données risquent d'être divulguées et suggérer un regroupement plus sûr (conversion de l'âge en plage, combinaison de catégories rares) ; Mais la décision de publication et l'audit final relèvent de la responsabilité de l'institution.

Mini cas – divulgation avec trois zones. Une municipalité a publié « de manière anonyme » les données de l'aide sociale : pas de nom, mais le quartier, l'année de naissance et le type de handicap. Un journaliste a remarqué un type rare de handicap chez une seule personne dans un seul quartier et a identifié la personne. Données retirées ; Il a été republié lorsque l'année de naissance a été convertie en un intervalle de 10 ans et que les catégories rares ont été regroupées sous « autres ».

Modèle qui filtre le risque de réidentification :

Tâche : Examinez les colonnes de l'ensemble de données suivant ; Je ne publie pas de données personnelles, je souhaite uniquement une sélection des risques. Colonnes : [noms des colonnes] Sortie : 1) Identifiants directs (doivent être supprimés). 2) Combinaisons d'identifiants indirects (risque de ré-identification). 3) Regroupement/masquage recommandé pour chaque combinaison à risque. 4) Questions de vérification finale avant publication. Règle : je n'ai collé aucune valeur personnelle réelle ; considérez simplement la structure des colonnes.

Attention : « J'ai supprimé le nom, désormais anonyme » est l'idée fausse la plus courante et la plus dangereuse. L'anonymat n'est pas déterminé par le champ lui-même, mais par la combinaison de champs et la probabilité de correspondance avec des données externes. En cas de doute, ne publiez pas ; L'anonymat est une décision irrévocable.

Erreurs courantes

• Rejeter habituellement. Considérer les informations qui peuvent être fournies comme étant inutilement « confidentielles » constitue une violation des droits et un motif de poursuite.
• Soumettre des documents non expurgés. La divulgation de données de tiers constitue une violation du KVKK.
• Utiliser l'exception sans justification. Le rejet doit être formulé avec une substance concrète et une justification concrète ; Dire « en interne » ne suffit pas.
• S'appuyer sur le jugement juridique de l'IA. La décision de faire une exception est humaine ; L’IA se pré-qualifie.
• Contourner la ré-identification dans les données ouvertes. Les combinaisons de colonnes peuvent trouver des personnes ; agrégat.
• Ne précisant pas les moyens d’opposition. En cas de refus, le mode de candidature et la durée doivent être écrits (confirmés).

En résumé

La transparence est le fondement de la confiance du public ; L’IA est une aide puissante pour classer les demandes de FOI, recommander des relectures, rédiger des réponses et préparer des données ouvertes pour la publication. Mais l’équilibre est crucial : les citoyens doivent recevoir les informations auxquelles ils ont droit, de véritables exceptions et les données personnelles doivent être protégées. La décision de faire une exception doit être raisonnée et humaine ; Les données ouvertes doivent être auditées pour détecter le risque de ré-identification avant leur publication.

Tâche de candidature

Recevez une véritable demande d’accès à l’information (masquée). Pré-évaluez avec le modèle « Demande de classement », appliquez le modèle « Rédaction » à un document joint et marquez les zones à masquer. Appliquez le modèle « Contrôle de réidentification des données ouvertes » aux colonnes d'un ensemble de données ouvertes et trouvez au moins une combinaison risquée.

liste de contrôle

• [ ] J'ai classé la demande ; Je n'ai pas rejeté les informations qui pouvaient être données inutilement.
• [ ] J'ai évalué les exceptions avec une substance et une justification concrètes (décision humaine).
• [ ] J'ai expurgé les données personnelles/confidentielles du document à soumettre.
• [ ] En cas de refus, j'ai indiqué le mode et la durée de l'opposition (confirmé).
• [ ] J'ai vérifié le risque de ré-identification dans les données ouvertes.
• [ ] J'ai enregistré la demande, la décision et la justification de l'audit.