Gevinster:
- Evaluere informasjonen i henhold til dens sensitivitet og skille mellom det åpne kjøretøyet og det sikre systemet med "spør klassen, match kjøretøyet"-refleksen
- Forstå minimumsprinsippene for data, sikkerhet og ansvar til KVKK og se at sletting av et navn ikke er nok og konteksten er identitet.
- Evne til å ta i bruk disiplinen med å velge den sikreste veien i tvilstilfeller, beskytte sensitive data på høyeste nivå og rapportere bruddet på en transparent måte.
Det en klient forteller deg – vold, sykdom, fattigdom, avhengighet, familiehemmeligheter – er den mest skjøre, private informasjonen i livet hans eller hennes. Han gir deg denne informasjonen i fortrolighet med faglig konfidensialitet. Denne tilliten er grunnlaget som gjør det mulig for sosialt arbeid å fungere; Når den ristes åpner ikke klienten seg igjen og tjenesten mister sin funksjon. Å opprettholde denne tilliten i en tidsalder med kunstig intelligens har fått en ny dimensjon: Å legge inn en klients informasjon i feil verktøy er nå ikke bare et brudd på personvernet, men også et juridisk ansvar i henhold til KVKK (Personal Data Protection Law) og kan føre til irreversibel lekkasje av informasjon. I denne enheten lærer du hvordan du beskytter klientdata i AI-alderen, den grunnleggende logikken til KVKK, skillet mellom åpne kjøretøy og sikre kjøretøy, og en praktisk "datahygiene"-disiplin.
Den mest grunnleggende regelen fra starten er den vi gjentar gjennom denne modulen: Ingen personopplysninger som identifiserer klienten vil bli lagt inn i et offentlig AI-verktøy som din institusjon ikke har godkjent. Denne ene setningen er essensen av alle detaljene nedenfor.
Oppsummerer KVKK for sosiallæreren
KVKK regulerer hvordan personopplysninger (enhver informasjon som gjør en person spesifikk eller identifiserbar – navn, ID, adresse, telefon, men også opplysninger som helse, familiestatus, strafferegister) kan behandles. De fleste dataene du behandler i sosialt arbeid er sensitive personopplysninger (data hvis lekkasje er spesielt skadelig, som helse, seksualliv, religion, etnisitet, straffedommer) og krever den høyeste beskyttelsen. Den praktiske betydningen av KVKK for deg kommer ned til noen prinsipper:
- Formålsbegrensning og minimumsdata: Bare så mye data som er nødvendig behandles. Når du behandler tekst til AI, ikke oppgi noen personlige detaljer som ikke er nødvendige for jobben.
- Sikkerhet: Data er beskyttet mot uautorisert tilgang. Et offentlig AI-verktøy gir ikke denne sikkerheten.
- Samtykke og åpenhet: Informere klienten om hvordan data behandles. Å gi en klients data til et ukontrollert eksternt verktøy er ikke innenfor rammen av noe samtykke.
- Ansvarlighet: Hvis et brudd oppstår, ligger ansvaret hos organisasjonen som behandler dataene og personen som legger inn disse dataene – «AI ville ha det sånn» er ikke et forsvar.
Forsiktig: Sletting av navn er ofte IKKE en tilstrekkelig beskyttelse. Selv om et navn ikke er nevnt i en tekst, kan kontekst (nabolag + alder + hendelse + dato + familiestruktur) gjøre en person identifiserbar. Virkelig beskyttelse gis ikke ved maskering, men ved å velge riktig verktøy og miljø.
To verdener: åpent kjøretøy kontra sikkert system
Del bruken av kunstig intelligens i to klare verdener:
1. Offentlig/åpen verktøyverden. Den kan brukes til oppgaver som ikke identifiserer klienten: generelle informasjonsspørsmål ("Hvordan skrive et SMART-mål?"), trening med fiktive/anonyme eksempler, generell lovforklaring, programtekster som ikke peker på noen. Reelle klientdata legges aldri inn her.
2. En verden av klientdata. Alt arbeid som involverer en reell kundes informasjon – registrering, rapport, risikonotat, henvisning – gjøres kun i sikre systemer godkjent av institusjonen din, der data ikke lekker. Hvis det ikke finnes et slikt system, gjøres det arbeidet uten AI, med den tradisjonelle sikre metoden.
Å forveksle de to – å gi ekte klientdata til det åpne verktøyet – er den farligste og vanligste feilen i denne modulen.
Trinn for trinn: datahygiene-disiplin
- Spør om klassen. Spør før hver jobb: "Beskriver denne teksten klienten?" Hvis ja, sikkert system; Hvis nei, kan åpent kjøretøy brukes.
- Minimer. Begrens dataene som legges inn til det minimum som kreves av jobben, selv om jobben virkelig krever det.
- Disidentifiser (og kjenn grensene dine). Fjern identifikatorer der det er nødvendig; men husk at kontekst også kan gi bort identitet.
- Bruk godkjent verktøy. Vet hvilket kjøretøy institusjonen godkjenner for hvilke data og ikke avvik fra dem.
- Hvis du ikke er sikker, oppfør deg som en overklassemann. Hvis du ikke er sikker på om en data er sensitiv eller ikke, velg den mest beskyttede banen.
- Rapporter bruddet. Hvis det er en lekkasje eller feil, skjul den; Rapporter etter institusjonens prosedyre. Tidlig innsats reduserer skader.
tre minisaker
Sak 1 - Kontekst ga bort identitet. En ekspert sendte inn et saksoppsummering til det åpne verktøyet og sa «Jeg har slettet navnene, det er trygt nå». Det var ikke noe navn i teksten, men det var uttrykket "En synshemmet kvinne i X-området, med 3 barn, hvis mann er i fengsel." Det var bare én person i det nabolaget som passet til den beskrivelsen - identiteten var praktisk talt klar. Senioreksperten la merke til dette; Jobben ble flyttet til det sikre systemet. Leksjon: kontekst er også personopplysninger.
Tilfelle 2 – Minimumsdatapolitikken fungerte. En ekspert trengte bare å forenkle én setning. I stedet for å gi hele filen til verktøyet, ga han bare den ene setningen uten personlige detaljer. Jobben var gjort, ingen sensitive data kom ut. Minimumsdatapolitikken var både trygg og tilstrekkelig.
Tilfelle 3 – Tidlig rapportering reduserte skader. En nyansatt limte ved et uhell inn en klients informasjon i et åpent verktøy og la merke til det umiddelbart. I stedet for å få panikk og gjemme seg, rapporterte hun det umiddelbart til overordnet. Institusjonen evaluerte hendelsen i henhold til KVKK-prosedyren, tok nødvendige skritt og lærte den ansatte å bruke den riktig. Gjennomsiktig og rask varsling hindret hendelsen i å eskalere.
Fire kopierbare maler
1) Preflight for dataklasse:
Vurder følgende tekst FØR du behandler den i et AI-verktøy: Gjør denne teksten en person direkte (navn, ID, adresse, telefon) ELLER indirekte (kontekst: nabolag, alder, hendelse, familiestruktur) identifiserbar? Inneholder den sensitive data (helse, religion, etnisitet, kriminalitet)? I så fall, hvilke seksjoner? Fortell meg om denne teksten kan gjengis i det offentlige verktøyet. Tekst: [lim inn tekst]
2) Nedgradering til minimumsdata:
Bestem den MINSTE informasjonen som trengs for å utføre følgende jobb. Fjern alle personlige detaljer som ikke kreves av jobben og la kun den ikke-identifiserende delen som kreves av jobben. List opp hvilken informasjon du har utelatt og hvorfor.Jobb: [beskriv oppgaven]Tekst: [lim inn tekst]
3) Avidentifikasjon og kontekstkontroll:
Trekk ut identifikatorer (navn, ID, adresse, telefon, institusjonsnavn) direkte fra teksten nedenfor. Merk også eventuelle kontekstelementer som gjenstår i teksten (en sjelden kombinasjon av omstendigheter, spesifikk plassering + hendelse) som INDIREKTE kan gi bort identitet. Før du fjerner disse, må du vurdere om teksten fortsatt gjør personen identifiserbar. Tekst: [lim inn tekst]
4) Opprette et anonymt/fiktivt treningseksempel:
Lag en eksempelsak som ligner en ekte sak, men som er fullstendig FIKTIONELL og ikke tilhører noen virkelig person; Denne skal jeg bruke til trening/øving. Bruk av ekte navn, steder eller hendelser; La alt være falskt. [Tema: innledende vurdering av eldreomsorgen]
Svak forespørsel / Sterk forespørsel
Svak melding:
Jeg limer inn hele denne klientens fil nedenfor, det vil gi meg en fin oppsummering. (inkludert navn, adresse, helseopplysninger)
Dette gir sensitive personopplysninger til et ukontrollert eksternt system – et KVKK-brudd og en irreversibel personvernrisiko. Bare fordi oppsummeringen er "fin" unnskylder ikke dette bruddet.
Kraftig ledetekst:
(Kun i et institusjonsgodkjent sikkert system, eller med avidentifisert tekst.) Oppsummer den AVIDENTIFISERT teksten nedenfor. Jeg har ikke lagt igjen noen sammenheng i teksten som kan gi bort navn, adresse, ID eller identitet. Behandle kun informasjonen som kreves for oppgaven. Tekst: [lim inn anonym tekst]
Forskjellen: å jobbe i det riktige verktøyet, med minimale og avidentifiserte data, beskytter personvernet og loven samtidig som du får jobben gjort.
Datatype og riktig bane
Datatype
eksempel
riktig verktøy
Generell informasjon
"Hva er et SMART mål?"
åpent kjøretøy
fiktivt eksempel
Konstruert treningscase
åpent kjøretøy
Uten identitet + uten kontekst
Forenkling av en generell setning
Åpent kjøretøy (forsiktig)
Klientdata
faktisk rekord, rapport
Kun sikkert system
Spesielle kvalitetsdata
Helse, straff, etnisitet
Høyeste beskyttelse / sikkert system
Risiko/sikkerhetsmerknad
Vold, beskyttelsesinformasjon
Høyeste beskyttelse / sikkert system
Vanlige feil
- Gi ekte klientdata til det åpne verktøyet. Den farligste og vanligste feilen; KVKK-brudd og irreversibel penetrasjon.
- "Jeg slettet navnene" og tenkte at det er sikkerhet. Kontekst kan gi bort identitet; Maskering er ikke beskyttelse.
- Legger inn mer data enn nødvendig. Bruk minimumspolicyen for data; Gi så mye jobben krever.
- Å ta risiko når du ikke er sikker. Når du er i tvil, velg den tryggeste veien, oppfør deg som en overklasse.
- Skjuler bruddet. Tidlig og gjennomsiktig rapportering reduserer skade; Å gjemme seg gjør det større.
Oppsummert
Klientens personvern er grunnlaget for tillit til sosialt arbeid, og i AI-alderen blir det også en juridisk forpliktelse hos KVKK. Grunnregelen er klar: ingen personopplysninger som identifiserer klienten går inn i et ikke-godkjent offentlig verktøy. Hold de to verdenene (åpent verktøy vs. sikkert system) adskilt, bruk minimumsdataprinsippet, vit at sletting av navn ikke er nok og kontekst er identitet, i tvilstilfeller, velg den sikreste veien og rapporter bruddet transparent. Personvern er ikke et tiltak som legges til senere, men et prinsipp observert helt fra begynnelsen.
Søknadsoppgave
Skriv en fiktiv kasustekst og se hvilke gjenstander AI merker som personlige/private data med malen "dataklasse forhåndskontroll". Test deretter med "avidentifikasjon og kontekstsjekk"-mønsteret for å se om konteksten fortsatt gir bort identiteten selv etter at du har slettet navnene. Til slutt, lag et eksempel som du trygt kan bruke i det åpne verktøyet med malen "anonym/fiktivt treningseksempel".
sjekkliste
- [ ] Før hver jobb, "Beskriver denne teksten klienten?" spurte jeg.
- [ ] Jeg behandler klientdata kun i godkjente, sikre systemer.
- [ ] Jeg brukte minimumsdatapolitikken; Jeg gikk ikke så mye i detalj.
- [ ] Da jeg visste at det ikke er nok å slette navnet, sjekket jeg også konteksten.
- [ ] I tvilstilfeller valgte jeg den sikreste veien og jeg vet hvordan jeg skal melde fra ved brudd.