Gevinster:
- Forbereder svar på informasjonsforespørsler i henhold til lovverket, og forklarer verken mer eller mindre.
- Den anonymiserer åpne data før publisering og skanner dem på nivå med kombinasjoner som risikerer re-identifikasjon.
- Vet at åpenhet er et styringsverktøy som øker offentlighetens tillit og skiller hva som bør holdes konfidensielt.
Hjørnesteinen i en demokratisk offentlig forvaltning er åpenhet: innbyggernes evne til å lære hvordan og på hvilket grunnlag beslutninger som angår dem tas. Dette prinsippet kommer til live i to konkrete mekanismer. Den første er retten til informasjon (Lov om rett til informasjon nr. 4982; borgere kan be om opplysninger og dokumenter fra offentlige institusjoner, med unntak). Den andre er åpne data (offentlige institusjoner publiserer den ikke-personlige og ikke-konfidensielle delen av dataene de produserer på en måte som alle kan få tilgang til og bruke). Her er AI et kraftig hjelpemiddel for å klassifisere innkommende informasjonsforespørsler, produsere svarutkast, forhåndsevaluere hvilken informasjon som kan gis og hvilken som er unntatt, og forberede åpne datasett for publisering. Men det todelte forbeholdet til denne enheten er viktig: åpenhet bør ikke være mer eller mindre – innbyggeren skal gis den informasjonen han har krav på, men personopplysninger og reelle unntak bør beskyttes; Denne balansen er etablert av den ansvarlige offentlige tjenestemannen, ikke AI.
De to gale ender av å få kunnskap
I forespørsler om informasjon kan det gjøres feil i to retninger:
- Mangel på åpenhet: Unødvendig avvisning av informasjon som kan gis som "konfidensiell/eksepsjonell". Dette både krenker retten og skaper mistillit til institusjonen, og havner ofte i rettsvesenet.
- Overavsløring: Ved et uhell avsløre tredjeparts personopplysninger, en forretningshemmelighet eller et reelt unntak (sikkerhet osv.) når du sender inn et dokument. Dette bryter med KVKK og forårsaker skade.
AI kan hjelpe i begge ender: den kan skanne et dokument, merke personlige data i det og foreslå redaksjon (tilsløre/fjerne konfidensielle/personlige deler av dokumentet); Den kan vise unntakskategorien du vil vurdere forespørselen under. Men den endelige avgjørelsen - om denne informasjonen er gitt, hvilken del som er skjult - tilhører en person som har juridisk ansvar.
Oppmerksomhet: AIs uttalelse om at "denne informasjonen er innenfor unntaket" eller "kan gis" er ikke en juridisk oppfatning. Unntaksevaluering er gjort og begrunnet i samsvar med de relevante artiklene i loven om tilgang til informasjon; AI produserer kun pre-kvalifikasjoner og utkast.
Sikker publisering av åpne data
Åpne data øker offentlig effektivitet og ansvarlighet; gründere, journalister, forskere skaper verdi fra disse dataene. Men før du publiserer et datasett, bør det kontrolleres mot risikoen for re-identifikasjon (data som antas å være anonyme kobles tilbake til enkeltpersoner ved å kombinere dem med andre data). For eksempel kan kombinasjonen "alder + nabolag + sjeldent yrke" indikere en enkelt person. Når du forbereder et datasett for publisering, er AI nyttig for å flagge risikable kolonnekombinasjoner og skrive en dataordbok (en beskrivelse av hva hver kolonne betyr).
Tips: Før du publiserer åpne data, spør: "Kan jeg finne en enkelt person ved å kombinere to-tre kolonner i dette settet?" Hvis svaret er «kanskje», samle (gruppe i stedet for individuell), kombinere sjeldne kategorier, eller fjern det sensitive området.
Steg for steg informasjonsflyt
- Forstå og klassifisere etterspørsel. Hva etterspørres, hvilken enhet gjelder det, hva er varigheten?
- Finnes informasjon eller må den produseres? Loven dekker eksisterende kunnskap; institusjonen må kanskje ikke produsere ny analyse (bekreftet).
- Unntaksevaluering. Er det noen unntak som personopplysninger, sikkerhet, forretningshemmeligheter, intern mening?
- Redaksjon. Fjern deler av det eksporterbare dokumentet som må bevares.
- Begrunnet svar. Delen gitt/ikke gitt og dens grunnlag; Innsigelsesmetode hvis avvist.
- Logg og revisjonsspor. Anmodning, vedtak og begrunnelse journalføres.
tre minisaker
Tilfelle 1 — Redigeringsfeil unngått. Et byrå vil sende inn et anbudsdokument til en forespørsel om informasjonsfrihet. AI skannet dokumentet og merket telefonnumrene og TR ID-numrene til tre personer. Hvis den hadde blitt sendt uten korrektur, ville det vært et brudd på KVKK; personopplysninger ble svertet, dokumentet ble levert trygt.
Sak 2 — Urettferdig avvisning rettet. En enhet vil vanligvis avvise en forespørsel om aktivitetsdata som "in-house." Da AI ble spurt om unntakskategoriene, så man at disse dataene faktisk allerede var publiserbare som åpne data. Anmodningen ble imøtekommet, en eventuell innsigelse og søksmål ble forhindret.
Tilfelle 3 — Re-identifikasjonsrisiko. En kommune vil publisere sine «service requests»-datasett som åpne data. Settet inkluderte oppdeling av nabolag + fullstendig adressedistrikt. AI advarte om at adressefeltet kunne peke til individuelle sifre; Adressen ble samlet til gatenivå og settet ble publisert trygt.
Fire kopierbare maler
1) Klassifisering av informasjonsforespørsel:
Din rolle: spesialist på informasjonsinnhenting. Behandle følgende forespørsel: (1) nøyaktig hva som etterspørres, (2) hvilken enhet det gjelder, (3) om det krever eksisterende informasjon eller ny produksjon, (4) mulige unntakskategorier (personopplysninger, sikkerhet, forretningshemmeligheter osv.). Spesifiser at hvert unntak "må begrunnes med den aktuelle artikkelen". Beslutningstaking, forhåndsevaluer. FORESPØRSEL: [tekst]
2) Redaksjon (merking av personlige/konfidensielle data):
Merk i dokumentet under alle deler som skal MASKES i et informasjonssvar: navn-etternavn, TR ID-nummer, adresse, telefon, helse-/kriminell informasjon, tredjepartsdata, forretningshemmelighet. Skriv en kort begrunnelse for hvert tegn. La den eksporterbare delen av dokumentet være som den er. DOKUMENT: [tekst]
3) Begrunnet svarutkast:
Lag et begrunnet svar på følgende forespørsel: (1) hvilken informasjon som ble gitt, (2) hvilken del som ikke ble gitt og hvorfor (unntaksklausul [bekreftes]), (3) klagemetode og varighet [bekreftes]. Språket skal være formelt og respektfullt. Begrunnelsen for den delen som ikke er gitt bør være konkret, ikke generell. FORESPØRSEL: [sammendrag] BESLUTNING: [hva ble/ikke ble gitt]
4) Åpne data re-autentiseringskontroll:
Undersøk kolonnene i datasettet nedenfor. List opp hvilke kombinasjoner av kolonner som kan indikere en enkelt person (risiko for re-identifikasjon). Foreslå noen reduksjoner for hver risiko: aggregering, aggregering av sjeldne kategorier, feltutvinning. Bare bruk den gitte kolonnelisten. KOLONNER: [liste]
Svak forespørsel / Sterk forespørsel
Svak: "Svar på denne forespørselen om informasjon."
Güçlü: "Din rolle er en informasjonsenhetsekspert. Klassifiser først forespørselen: hva som etterspørres, hvilken enhet, er den tilgjengelig, hva er de mulige unntakene. Merk hvert unntak som 'skal begrunnes med den relevante artikkelen', ikke ta en juridisk avgjørelse selv. Deretter merker du de personlige/konfidensielle delene som må maskeres i dokumentet som skal sendes inn med et redaksjonsforslag, inkludert den endelige måten, og ikke gi en begrunnelse, inkludert den endelige måten. å protestere; gjøre begrunnelsen konkret."
Forskjell: sterk forespørsel balanserer åpenhet og beskyttelse, knytter unntaket til begrunnelsen, legger til redaksjon og ankevei.
Tilnærming etter informasjonstype
Informasjonstype
Standard
Oppmerksomhet
Statistikk, aggregerte data
åpne
Re-identifikasjonskontroll
Grunn til administrativ handling
kan gis
Rediger tredjepartsdata
Tredjeparts personopplysninger
beskyttet
KVKK; men med tillatelse/unntak
Unntak for sikkerhet/personvern
beskyttet
Er det virkelig unntak, bekreft
Intern mening/forhandling
Avhenger
Vurder i henhold til den aktuelle artikkelen
Anonymisering og risiko for re-identifikasjon
Det mest tekniske, men kritiske trinnet i å publisere åpne data er anonymisering (gjør en person uidentifiserbar direkte eller indirekte fra en data). Navn og T.R. Det er ofte ikke nok å slette ID-nummeret; fordi kombinasjonen av flere ordinære områder gjør en person reidentifiserbar. Dette kalles re-identifikasjon (finne personen ved å kryssmatche data som antas å være anonyme med annen informasjon). For eksempel, hvis det er en enslig 92 år gammel enkemann i et nabolag, vil trioen "nabolag + alder + sivilstatus" avsløre ham. AI kan hjelpe til med å undersøke hvilke kombinasjoner av felt i et datasett som er utsatt for avsløring og foreslå sikrere gruppering (konvertere alder til område, kombinere sjeldne kategorier); Men beslutningen om publisering og sluttrevisjonen er institusjonens ansvar.
Minietui — avsløring med tre områder. En kommune publiserte sosialhjelpsdata «anonymt»: ikke navn, men nabolag, fødselsår og type funksjonshemming. En journalist la merke til en sjelden type funksjonshemming hos en enkelt person i et enkelt nabolag og identifiserte personen. Data som er trukket tilbake; Den ble publisert på nytt da fødselsåret ble omgjort til et 10-årsintervall og de sjeldne kategoriene ble gruppert under "annet".
Mal som skjermer for re-identifikasjonsrisiko:
Oppgave: Undersøk kolonnene i følgende datasett; Jeg publiserer ikke personopplysninger, jeg ønsker kun risikoscreening.Kolonner: [kolonnenavn]Utdata: 1) Direkte identifikatorer (må slettes). 2) Indirekte identifikasjonskombinasjoner (risiko for re-identifikasjon). 3) Anbefalt gruppering/maskering for hver risikokombinasjon. 4) Spørsmål for siste sjekk før publisering. Regel: Jeg limte ikke inn noen ekte personlige verdier; bare tenk på kolonnestrukturen.
Advarsel: "Jeg slettet navnet, nå anonym" er den vanligste og farligste misforståelsen. Anonymitet bestemmes ikke av selve feltet, men av kombinasjonen av felt og sannsynligheten for samsvar med eksterne data. Hvis du er i tvil, ikke publiser; Anonymitet er en ugjenkallelig beslutning.
Vanlige feil
- Å vanemessig avvise. Å vurdere informasjonen som kan gis som unødvendig «konfidensiell» er et brudd på rettigheter og en grunn til søksmål.
- Sende inn uredigerte dokumenter. Å avsløre tredjepartsdata er et brudd på KVKK.
- Bruker unntaket uten begrunnelse. Avslag skal skje med konkret substans og konkret begrunnelse; Å si "in-house" er ikke nok.
- Stoler på AIs juridiske dømmekraft. Beslutningen om å gjøre et unntak er menneskelig; AI prekvalifiserer.
- Omgå re-identifikasjon i åpne data. Kolonnekombinasjoner kan finne personer; samlet.
- Spesifiserer ikke innsigelsesmåten. Ved avslag skal søknadsmetode og varighet skrives (bekreftes).
Oppsummert
Åpenhet er grunnlaget for offentlig tillit; AI er et kraftig hjelpemiddel for å klassifisere FOI-forespørsler, anbefale korrekturlesing, utarbeide svar og forberede åpne data for publisering. Men balansen er kritisk: Innbyggerne må få den informasjonen de har krav på, reelle unntak og personopplysninger må beskyttes. Beslutningen om å gjøre et unntak må være begrunnet og menneskelig; Åpne data bør revideres for risiko for re-identifikasjon før publisering.
Søknadsoppgave
Motta en reell (maskert) forespørsel om informasjonsfrihet. Forhåndsevaluer med malen "Be om klassifisering", bruk malen "Redaksjon" på et vedlagt dokument og merk områdene som skal maskeres. Bruk malen "Åpne data re-identifikasjonssjekk" på kolonnene i et åpent datasett og finn minst én risikabel kombinasjon.
sjekkliste
- [ ] Jeg klassifiserte forespørselen; Jeg avviste ikke informasjonen som kunne gis unødvendig.
- [ ] Jeg vurderte unntakene med konkret substans og begrunnelse (menneskelig beslutning).
- [ ] Jeg har redigert de personlige/konfidensielle dataene i dokumentet som skal sendes inn.
- [ ] Ved avslag har jeg oppgitt innsigelsesmetode og varighet (bekreftet).
- [ ] Jeg sjekket risikoen for re-identifikasjon i åpne data.
- [ ] Jeg registrerte anmodningen, vedtaket og begrunnelsen for revisjon.