Keuntungan:
- Menyediakan respons kepada permintaan maklumat mengikut perundangan, menjelaskan tidak lebih atau kurang.
- Ia menamakan data terbuka sebelum menerbitkan dan mengimbasnya pada tahap gabungan yang berisiko pengenalpastian semula.
- Mengetahui bahawa ketelusan ialah alat tadbir urus yang meningkatkan kepercayaan orang ramai dan membezakan perkara yang harus dirahsiakan.
Asas pentadbiran awam yang demokratik ialah ketelusan: keupayaan rakyat untuk mempelajari bagaimana dan atas dasar apa keputusan yang menyangkut mereka dibuat. Prinsip ini hidup dalam dua mekanisme konkrit. Yang pertama ialah hak untuk mendapatkan maklumat (Undang-undang Hak untuk Maklumat No. 4982; rakyat boleh meminta maklumat dan dokumen daripada institusi awam, dengan pengecualian). Yang kedua ialah data terbuka (institusi awam menerbitkan bahagian bukan peribadi dan tidak sulit data yang mereka hasilkan dengan cara yang boleh diakses dan digunakan oleh semua orang). Di sini, AI ialah bantuan yang berkuasa dalam mengklasifikasikan permintaan maklumat yang masuk, menghasilkan draf respons, pra-menilai maklumat yang boleh diberikan dan yang dikecualikan, dan menyediakan set data terbuka untuk penerbitan. Tetapi kaveat dua kali ganda unit ini adalah penting: ketelusan tidak boleh lebih, tidak kurang - rakyat harus diberi maklumat yang dia berhak, tetapi data peribadi dan pengecualian sebenar harus dilindungi; Keseimbangan ini ditetapkan oleh pegawai awam yang bertanggungjawab, bukan AI.
Dua hujung yang salah untuk menimba ilmu
Dalam permintaan untuk maklumat, ralat boleh dibuat dalam dua arah:
- Kurang ketelusan: Menolak maklumat yang boleh diberikan secara tidak perlu sebagai "sulit/luar biasa". Ini kedua-duanya melanggar hak dan menimbulkan ketidakpercayaan terhadap institusi, dan sering berakhir dalam badan kehakiman.
- Pendedahan berlebihan: Secara tidak sengaja mendedahkan data peribadi pihak ketiga, rahsia perdagangan atau pengecualian sebenar (keselamatan, dll.) semasa menyerahkan dokumen. Ini melanggar KVKK dan menyebabkan kerosakan.
AI boleh membantu pada kedua-dua hujung: ia boleh mengimbas dokumen, menandai data peribadi di dalamnya dan mencadangkan redaksi (mengaburkan/mengalih keluar bahagian sulit/peribadi dokumen); Ia mungkin menyenaraikan kategori pengecualian di mana anda akan menilai permintaan tersebut. Tetapi keputusan muktamad - sama ada maklumat ini diberikan, bahagian mana yang dikaburkan - adalah milik seseorang yang memikul tanggungjawab undang-undang.
Perhatian: Kenyataan AI bahawa "maklumat ini adalah dalam skop pengecualian" atau "boleh diberikan" bukanlah pendapat undang-undang. Penilaian pengecualian dibuat dan wajar menurut artikel berkaitan Undang-undang Akses kepada Maklumat; AI hanya menghasilkan pra-kelayakan dan draf.
Menerbitkan data terbuka dengan selamat
Data terbuka meningkatkan kecekapan dan akauntabiliti awam; usahawan, wartawan, penyelidik mencipta nilai daripada data ini. Tetapi sebelum menerbitkan set data, ia harus diperiksa terhadap risiko pengecaman semula (data yang dianggap tanpa nama dipautkan kembali kepada individu dengan menggabungkannya dengan data lain). Contohnya, gabungan "umur + kejiranan + pekerjaan jarang" mungkin menunjukkan seorang. Apabila menyediakan set data untuk penerbitan, AI membantu dalam membenderakan kombinasi lajur berisiko dan menulis kamus data (huraian tentang maksud setiap lajur).
Petua: Sebelum menerbitkan data terbuka, tanya: "Bolehkah saya mencari seorang dengan menggabungkan dua-tiga lajur dalam set ini?" Jika jawapannya ialah "mungkin," agregat (kumpulan bukannya individu), gabungkan kategori yang jarang berlaku, atau alih keluar kawasan sensitif.
Langkah demi langkah aliran maklumat
- Memahami dan mengklasifikasikan permintaan. Apakah yang diminta, unit yang manakah berkenaan, apakah tempohnya?
- Adakah maklumat wujud atau perlu dihasilkan? Undang-undang meliputi pengetahuan sedia ada; institusi mungkin tidak perlu menghasilkan analisis baru (disahkan).
- Penilaian pengecualian. Adakah terdapat sebarang pengecualian seperti data peribadi, keselamatan, rahsia perdagangan, pendapat dalaman?
- Redaksi. Alih keluar bahagian dokumen boleh eksport yang perlu dipelihara.
- Jawapan yang beralasan. Bahagian yang diberi/tidak diberi dan asasnya; Kaedah bantahan jika ditolak.
- Log dan jejak audit. Permintaan, keputusan dan justifikasi direkodkan.
tiga kes mini
Kes 1 — Ralat penyuntingan dielakkan. Sebuah agensi akan menyerahkan dokumen tender kepada permintaan kebebasan maklumat. AI mengimbas dokumen dan menandakan nombor telefon dan nombor ID TR bagi tiga orang. Sekiranya ia dihantar tanpa semakan pruf, ia akan menjadi pelanggaran KVKK; data peribadi telah dihitamkan, dokumen telah dihantar dengan selamat.
Kes 2 — Penolakan yang tidak adil diperbetulkan. Unit akan lazimnya menolak permintaan untuk data aktiviti sebagai "dalam rumah". Apabila AI ditanya tentang kategori pengecualian, ia dilihat bahawa data ini sebenarnya sudah boleh diterbitkan sebagai data terbuka. Permintaan itu dipenuhi, kemungkinan bantahan dan tuntutan mahkamah telah dihalang.
Kes 3 — Risiko pengenalan semula. Sebuah majlis perbandaran akan menerbitkan set data "permintaan perkhidmatan"nya sebagai data terbuka. Set termasuk pecahan daerah kejiranan + alamat penuh. AI memberi amaran bahawa medan alamat boleh menunjuk kepada digit individu; Alamat telah diagregatkan ke peringkat jalan dan set itu diterbitkan dengan selamat.
Empat templat yang boleh disalin
1) Klasifikasi permintaan maklumat:
Peranan anda: pakar pemerolehan maklumat. Proses permintaan berikut: (1) apakah sebenarnya yang diminta, (2) unit yang berkenaan, (3) sama ada ia memerlukan maklumat sedia ada atau pengeluaran baharu, (4) kategori pengecualian yang mungkin (data peribadi, keselamatan, rahsia perdagangan, dll.). Tentukan bahawa setiap pengecualian "mesti dibenarkan oleh artikel yang berkaitan". Membuat keputusan, pra-nilai. PERMINTAAN: [teks]
2) Redaksi (menandai data peribadi/sulit):
Dalam dokumen di bawah, tandakan semua bahagian yang harus DITUTUP dalam respons maklumat: nama keluarga, nombor ID TR, alamat, telefon, maklumat kesihatan/jenayah, data pihak ketiga, rahsia perdagangan. Tulis justifikasi ringkas untuk setiap tanda. Biarkan bahagian dokumen yang boleh dieksport seperti sedia ada. DOKUMEN: [teks]
3) Draf jawapan yang beralasan:
Draf respons yang munasabah untuk permintaan berikut: (1) apakah maklumat yang diberikan, (2) bahagian manakah yang tidak diberikan dan mengapa (klausa pengecualian [untuk disahkan]), (3) kaedah rayuan dan tempoh [untuk disahkan]. Bahasa hendaklah formal dan hormat. Justifikasi untuk bahagian yang tidak diberikan hendaklah konkrit, bukan umum. PERMINTAAN: [ringkasan] KEPUTUSAN: [apa yang telah/tidak diberikan]
4) Buka kawalan pengesahan semula data:
Periksa lajur set data di bawah. Senaraikan gabungan lajur yang mungkin menunjukkan satu orang (risiko pengecaman semula). Cadangkan beberapa mitigasi untuk setiap risiko: pengagregatan, pengagregatan kategori jarang berlaku, pengekstrakan medan. Hanya gunakan senarai lajur yang diberikan. LAjur: [senarai]
Gesaan lemah / Gesaan kuat
Lemah: "Balas permintaan ini untuk mendapatkan maklumat."
Güçlü: "Peranan anda ialah pakar unit maklumat. Mula-mula, klasifikasikan permintaan: apa yang diminta, unit mana, adakah ia tersedia, apakah pengecualian yang mungkin. Tandakan setiap pengecualian sebagai 'untuk dibenarkan oleh artikel yang berkaitan', jangan buat keputusan undang-undang sendiri. Kemudian, tandakan bahagian peribadi/sulit yang perlu disembunyikan dalam dokumen yang akan dikemukakan dengan jawapan yang diberikan, termasuk draf yang diberi alasan/tidak dicadangkan. objek; jadikan justifikasi itu konkrit."
Perbezaan: pengimbangan segera yang kukuh ketelusan dan perlindungan, mengikat pengecualian kepada justifikasi, menambah laluan redaksi dan rayuan.
Pendekatan mengikut jenis maklumat
Jenis maklumat
Lalai
Perhatian
Statistik, data agregat
terbuka
Semakan pengenalan semula
Sebab tindakan pentadbiran
boleh diberi
Menyunting data pihak ketiga
Data peribadi pihak ketiga
dilindungi
KVKK; tetapi dengan kebenaran/pengecualian
Pengecualian keselamatan/privasi
dilindungi
Adakah pengecualian sebenar, sahkan
Pendapat dalaman / rundingan
Terpulang
Nilaikan mengikut artikel yang berkaitan
Anonimisasi dan risiko pengenalan semula
Langkah paling teknikal tetapi kritikal dalam menerbitkan data terbuka ialah anonimisasi (menjadikan seseorang tidak dapat dikenal pasti secara langsung atau tidak langsung daripada data). Nama dan T.R. Memadamkan nombor ID selalunya tidak mencukupi; kerana gabungan beberapa kawasan biasa menjadikan seseorang itu boleh dikenal pasti semula. Ini dipanggil pengenalan semula (mencari orang itu dengan memadankan silang data yang dianggap tanpa nama dengan maklumat lain). Sebagai contoh, jika terdapat seorang duda tunggal berusia 92 tahun di kawasan kejiranan, trio "kejiranan + umur + status perkahwinan" akan mendedahkannya. AI boleh membantu menyaring gabungan medan dalam set data yang berisiko didedahkan dan mencadangkan pengelompokan yang lebih selamat (menukar umur kepada julat, menggabungkan kategori jarang); Tetapi keputusan untuk menerbitkan dan audit akhir adalah tanggungjawab institusi.
Sarung mini — pendedahan dengan tiga kawasan. Satu majlis perbandaran menerbitkan data bantuan sosial "tanpa nama": tiada nama, tetapi kejiranan, tahun lahir dan jenis kecacatan. Seorang wartawan melihat jenis kecacatan yang jarang berlaku pada seorang dalam satu kejiranan dan mengenal pasti orang itu. Data ditarik balik; Ia diterbitkan semula apabila tahun kelahiran ditukar kepada selang 10 tahun dan kategori yang jarang dikelompokkan di bawah "lain-lain".
Templat yang menayangkan risiko pengecaman semula:
Tugas: Periksa lajur set data berikut; Saya tidak menerbitkan data peribadi, saya hanya mahu pemeriksaan risiko. Lajur: [nama lajur]Output: 1) Pengecam langsung (mesti dipadamkan). 2) Kombinasi pengecam tidak langsung (risiko pengecaman semula). 3) Pengelompokan/penyamaran yang disyorkan untuk setiap gabungan berisiko. 4) Soalan semak akhir sebelum diterbitkan. Peraturan: Saya tidak menampal sebarang nilai peribadi sebenar; hanya pertimbangkan struktur lajur.
Awas: "Saya memadamkan nama, kini tanpa nama" ialah salah tanggapan yang paling biasa dan berbahaya. Ketidaknamaan ditentukan bukan oleh medan itu sendiri, tetapi oleh gabungan medan dan kebarangkalian padanan dengan data luaran. Jika ragu-ragu, jangan siarkan; Tidak mahu dikenali ialah keputusan yang tidak boleh ditarik balik.
Kesilapan biasa
- Untuk selalu menolak. Memandangkan maklumat yang boleh diberikan sebagai "rahsia" yang tidak perlu adalah satu pencabulan hak dan punca tuntutan mahkamah.
- Menyerahkan dokumen yang tidak disunting. Mendedahkan data pihak ketiga adalah pelanggaran KVKK.
- Menggunakan pengecualian tanpa justifikasi. Penolakan mesti dibuat dengan bahan konkrit dan justifikasi konkrit; Mengatakan "dalam rumah" tidak mencukupi.
- Bergantung pada penghakiman undang-undang AI. Keputusan untuk membuat pengecualian adalah manusia; AI pra-kelayakan.
- Melangkaui pengenalan semula dalam data terbuka. Gabungan lajur boleh mencari orang; agregat.
- Tidak menyatakan cara bantahan. Dalam penolakan, kaedah dan tempoh permohonan mesti ditulis (disahkan).
Secara ringkasnya
Ketelusan adalah asas kepercayaan awam; AI ialah bantuan yang berkuasa dalam mengklasifikasikan permintaan FOI, mengesyorkan pembacaan pruf, merangka respons dan menyediakan data terbuka untuk penerbitan. Tetapi bakinya adalah kritikal: rakyat mesti diberi maklumat yang mereka berhak, pengecualian sebenar dan data peribadi mesti dilindungi. Keputusan untuk membuat pengecualian mestilah beralasan dan manusiawi; Data terbuka harus diaudit untuk risiko pengecaman semula sebelum diterbitkan.
Tugasan permohonan
Terima permintaan kebebasan maklumat sebenar (bertopeng). Pra-nilai dengan templat "Permintaan klasifikasi", gunakan templat "Redaksi" pada dokumen yang dilampirkan dan tandakan kawasan yang hendak ditutup. Gunakan templat "Semakan pengenalan semula data terbuka" pada lajur set data terbuka dan cari sekurang-kurangnya satu kombinasi berisiko.
senarai semak
- [ ] Saya mengklasifikasikan permintaan itu; Saya tidak menolak maklumat yang boleh diberikan tanpa perlu.
- [ ] Saya menilai pengecualian dengan bahan konkrit dan justifikasi (keputusan manusia).
- [ ] Saya telah menyunting data peribadi/sulit dalam dokumen untuk diserahkan.
- [ ] Sekiranya berlaku penolakan, saya telah menyatakan kaedah dan tempoh bantahan (disahkan).
- [ ] Saya menyemak risiko pengecaman semula dalam data terbuka.
- [ ] Saya merekodkan permintaan, keputusan dan justifikasi untuk audit.