Vinster:
- Utvärdera informationen enligt dess känslighet och skilja mellan det öppna fordonet och det säkra systemet med "fråga klassen, matcha fordonet"-reflexen
- Att förstå minimiprinciperna för data, säkerhet och ansvar för KVKK och se att det inte räcker att ta bort ett namn och att sammanhanget är identitet.
- Förmåga att anta disciplinen att välja den säkraste vägen vid tveksamhet, skydda känsliga uppgifter på högsta nivå och rapportera överträdelsen på ett transparent sätt.
Det en klient berättar för dig – våld, sjukdom, fattigdom, missbruk, familjehemligheter – är den mest ömtåliga, privata informationen i hans eller hennes liv. Han ger dig denna information i förtroende av professionell sekretess. Detta förtroende är grunden som gör det möjligt för socialt arbete att fungera; När den skakas öppnar sig inte klienten igen och tjänsten förlorar sin funktion. Att upprätthålla detta förtroende i artificiell intelligenss tidsålder har fått en ny dimension: att lägga in en klients information i fel verktyg är nu inte bara ett integritetsintrång, utan också ett juridiskt ansvar enligt KVKK (Personal Data Protection Law) och kan leda till oåterkalleligt läckage av information. I den här enheten kommer du att lära dig hur du skyddar klientdata i AI-åldern, KVKKs grundläggande logik, skillnaden mellan öppna fordon och säkra fordon och en praktisk "datahygien"-disciplin.
Den mest grundläggande regeln från början är den vi upprepar genom hela denna modul: Inga personuppgifter som identifierar kunden kommer att läggas in i ett offentligt AI-verktyg som din institution inte har godkänt. Denna ena mening är kärnan i alla detaljer nedan.
Sammanfattande KVKK för socialsekreteraren
KVKK reglerar hur personuppgifter (all information som gör en person specifik eller identifierbar – namn, ID, adress, telefon, men även information som hälsa, familjestatus, brottsregister) kan behandlas. Merparten av de uppgifter du behandlar inom socialt arbete är känsliga personuppgifter (data vars läckage är särskilt skadlig, såsom hälsa, sexualliv, religion, etnicitet, brottsdomar) och kräver högsta skydd. Den praktiska innebörden av KVKK för dig beror på några principer:
- Syftesbegränsning och minimidata: Endast så mycket data som behövs behandlas. När du bearbetar text till AI:n ska du inte ange några personliga uppgifter som inte krävs för jobbet.
- Säkerhet: Data skyddas mot obehörig åtkomst. Ett offentligt AI-verktyg tillhandahåller inte denna säkerhet.
- Samtycke och transparens: Informera klienten om hur data behandlas. Att tillhandahålla en klients data till ett okontrollerat externt verktyg ligger inte inom ramen för något samtycke.
- Ansvarsskyldighet: Om ett intrång inträffar ligger ansvaret hos organisationen som behandlar uppgifterna och den person som anger dessa uppgifter – "AI ville ha det så" är inte ett försvar.
Varning: Att ta bort namn är ofta INTE ett tillräckligt skydd. Även om ett namn inte nämns i en text kan sammanhang (grannskap + ålder + händelse + datum + familjestruktur) göra en person identifierbar. Verkligt skydd ges inte genom maskering, utan genom att välja rätt verktyg och miljö.
Två världar: öppet fordon kontra säkert system
Dela upp din användning av AI i två tydliga världar:
1. Offentlig/öppen verktygsvärld. Den kan användas för uppgifter som inte identifierar klienten: allmänna informationsfrågor ("Hur skriver man ett SMART mål?"), träning med fiktiva/anonyma exempel, allmän förklaring av lagstiftning, programtexter som inte pekar på någon. Verkliga kunddata läggs aldrig in här.
2. En värld av kunddata. Allt arbete som involverar en riktig kunds information - registrering, rapport, riskanteckning, remiss - utförs endast i säkra system som godkänts av din institution, där data inte läcker. Om det inte finns något sådant system sker det arbetet utan AI, med den traditionella säkra metoden.
Att blanda ihop de två – att ge riktiga klientdata till det öppna verktyget – är det farligaste och vanligaste misstaget i denna modul.
Steg för steg: datahygiendisciplin
- Fråga om klassen. Fråga inför varje jobb: "Beskriver den här texten kunden?" Om ja, säkert system; Om nej kan öppet fordon användas.
- Minimera. Begränsa inmatade data till det minimum som krävs av jobbet, även om jobbet verkligen kräver det.
- Avidentifiera (och känna till dina gränser). Ta bort identifierare vid behov; men kom ihåg att sammanhang också kan ge bort identitet.
- Använd godkänt verktyg. Vet vilket fordon institutionen godkänner för vilka uppgifter och avvik inte från dem.
- Om du inte är säker, bete dig som en överklassman. Om du inte är säker på om en data är känslig eller inte, välj den mest skyddade vägen.
- Anmäl överträdelsen. Om det finns en läcka eller ett fel, dölj det; Anmäl enligt anstaltens förfarande. Tidiga insatser minskar skadorna.
tre minifodral
Fall 1 – Sammanhang gav bort identitet. En expert skickade in en ärendesammanfattning till det öppna verktyget och sa "Jag tog bort namnen, det är säkert nu." Det fanns inget namn i texten, men det fanns frasen "En synskadad kvinna i X-kvarteret, med 3 barn, vars man sitter i fängelse." Det fanns bara en person i det grannskapet som passade på den beskrivningen - identiteten var praktiskt taget tydlig. Den seniora experten märkte detta; Jobbet flyttades till det säkra systemet. Lärdom: sammanhang är också personuppgifter.
Fall 2 – Minsta datapolicy fungerade. En expert behövde bara förenkla en mening. Istället för att ge hela filen till verktyget, gav han bara den där meningen utan personliga detaljer. Jobbet var klart, inga känsliga uppgifter kom ut. Minsta datapolicy var både säker och tillräcklig.
Fall 3 — Tidig rapportering minskade skador. En nyanställd klistrade av misstag in en kunds information i ett öppet verktyg och märkte det direkt. Istället för att få panik och gömma sig anmälde hon det omedelbart till sin handledare. Institutionen utvärderade händelsen enligt KVKK-proceduren, vidtog de nödvändiga åtgärderna och lärde den anställde hur man använder den på rätt sätt. Transparent och snabb underrättelse hindrade incidenten från att eskalera.
Fyra kopierbara mallar
1) Dataklasspreflight:
Utvärdera följande text INNAN du bearbetar den i ett AI-verktyg: Gör denna text en person direkt (namn, ID, adress, telefon) ELLER indirekt (sammanhang: grannskap, ålder, händelse, familjestruktur) identifierbar? Innehåller den känsliga uppgifter (hälsa, religion, etnicitet, brottsregister)? Vilka avsnitt i så fall? Berätta för mig om den här texten kan återges i det offentliga verktyget. Text: [klistra in text]
2) Nedgradering till minimidata:
Bestäm den MINSTA information som behövs för att utföra följande jobb. Ta bort alla personliga uppgifter som inte krävs av jobbet och lämna endast den icke-identifierande delen som krävs av jobbet. Lista vilken information du har utelämnat och varför.Jobb: [beskriv uppgiften]Text: [klistra in text]
3) Avidentifiering och kontextkontroll:
Extrahera identifierare (namn, ID, adress, telefon, institutionsnamn) direkt från texten nedan. Markera även eventuella kontextelement som finns kvar i texten (en sällsynt kombination av omständigheter, specifik plats + händelse) som INDIREKT kan ge bort identitet. Innan du tar bort dessa, utvärdera om texten fortfarande gör personen identifierbar.Text: [klistra in text]
4) Skapa ett anonymt/fiktivt träningsexempel:
Ta fram ett exempelfall som liknar ett verkligt fall, men som är helt FIKTIONELLT och inte tillhör någon verklig person; Jag kommer att använda detta för träning/övning. Använda riktiga namn, platser eller händelser; Låt allt vara falskt. [Ämne: inledande bedömning av äldreomsorgen]
Svag prompt / Stark prompt
Svag uppmaning:
Jag klistrar in hela denna klients fil nedan, det kommer att ge mig en trevlig sammanfattning. (inklusive namn, adress, hälsoinformation)
Detta ger känsliga personuppgifter till ett okontrollerat externt system - en KVKK-kränkning och en oåterkallelig integritetsrisk. Bara för att sammanfattningen är "snäll" ursäktar inte denna kränkning.
Kraftfull uppmaning:
(Endast i ett institutionsgodkänt säkert system, eller med avidentifierad text.) Sammanfatta den AVIDENTIFIERADE texten nedan. Jag har inte lämnat något sammanhang i texten som skulle kunna ge bort namn, adress, ID eller identitet. Behandla endast den information som krävs för uppgiften. Text: [klistra in anonym text]
Skillnaden: att arbeta i rätt verktyg, med minimal och avidentifierad data, skyddar integritet och lag samtidigt som du får jobbet gjort.
Datatyp och rätt sökväg
Datatyp
exempel
rätt verktyg
Allmän information
"Vad är ett SMART mål?"
öppet fordon
fiktivt exempel
Konstruerat träningsfall
öppet fordon
Utan identitet + utan sammanhang
Förenkling av en allmän mening
Öppna fordon (försiktigt)
Kunddata
faktiska rekord, rapport
Endast ett säkert system
Särskild kvalitetsdata
Hälsa, straff, etnicitet
Högsta skydd/säkra system
Risk/säkerhetsanmärkning
Våld, skyddsinformation
Högsta skydd/säkra system
Vanliga misstag
- Ge verklig kunddata till det öppna verktyget. Det farligaste och vanligaste misstaget; KVKK-överträdelse och irreversibel penetration.
- "Jag tog bort namnen" med tanke på att det är säkerhet. Kontext kan ge bort identitet; Maskering är inget skydd.
- Ange mer data än nödvändigt. Tillämpa minimidatapolicyn; Ge så mycket som jobbet kräver.
- Att ta risker när du inte är säker. När du är osäker, välj den säkraste vägen, agera som en överklass.
- Döljer överträdelsen. Tidig och transparent rapportering minskar skadan; Att gömma sig gör det större.
Sammanfattningsvis
Klienters integritet är grunden för förtroendet för socialt arbete, och i AI-åldern blir det också en juridisk skyldighet hos KVKK. Grundregeln är tydlig: inga personliga uppgifter som identifierar kunden kommer in i ett icke-godkänt offentligt verktyg. Håll de två världarna (öppet verktyg vs. säkert system) åtskilda, tillämpa minimidataprincipen, vet att det inte räcker att ta bort namn och att sammanhang är identitet, i tveksamma fall, välj den säkraste vägen och rapportera överträdelsen transparent. Sekretess är inte en åtgärd som läggs till senare, utan en princip som observeras från första början.
Applikationsuppgift
Skriv en påhittad case-text och se vilka objekt som AI:n markerar som personlig/privat data med mallen "data class preflight". Testa sedan med mönstret "avidentifiering och kontextkontroll" för att se om sammanhanget fortfarande ger bort identiteten även efter att namnen raderats. Ta slutligen fram ett exempel som du säkert kan använda i det öppna verktyget med mallen "anonymt/fiktivt träningsexempel".
checklista
- [ ] Före varje jobb, "Beskriver den här texten kunden?" frågade jag.
- [ ] Jag behandlar kunddata endast i godkända, säkra system.
- [ ] Jag tillämpade minimidatapolicyn; Jag gick inte in på så mycket detaljer.
- [ ] Eftersom jag visste att det inte räcker att ta bort namnet, kollade jag också sammanhanget.
- [ ] Vid tveksamhet valde jag den säkraste vägen och jag vet hur jag ska rapportera vid överträdelse.