పారదర్శకత, ఓపెన్ డేటా మరియు సమాచారానికి యాక్సెస్

లాభాలు:

• చట్టానికి అనుగుణంగా సమాచార అభ్యర్థనలకు ప్రతిస్పందనలను సిద్ధం చేస్తుంది, ఎక్కువ లేదా తక్కువ కాదు.
• ఇది ప్రచురించే ముందు ఓపెన్ డేటాను అనామకంగా మారుస్తుంది మరియు మళ్లీ గుర్తించే ప్రమాదం ఉన్న కలయికల స్థాయిలో దాన్ని స్కాన్ చేస్తుంది.
• పారదర్శకత అనేది ప్రజల విశ్వాసాన్ని పెంచే మరియు గోప్యంగా ఉంచవలసిన వాటిని వేరుచేసే పాలనా సాధనం అని తెలుసు.

ప్రజాస్వామ్య ప్రభుత్వ పరిపాలనకు మూలస్తంభం పారదర్శకత: పౌరులు తమకు సంబంధించిన నిర్ణయాలు ఎలా మరియు ఏ ప్రాతిపదికన తీసుకుంటారో తెలుసుకునే సామర్థ్యం. ఈ సూత్రం రెండు కాంక్రీట్ మెకానిజమ్‌లలో ప్రాణం పోసుకుంది. మొదటిది సమాచార హక్కు (సమాచార హక్కు నం. 4982; పౌరులు మినహాయింపులతో ప్రభుత్వ సంస్థల నుండి సమాచారం మరియు పత్రాలను అభ్యర్థించవచ్చు). రెండవది ఓపెన్ డేటా (ప్రజా సంస్థలు తాము ఉత్పత్తి చేసే డేటాలోని వ్యక్తిగతం కాని మరియు గోప్యత లేని భాగాన్ని ప్రతి ఒక్కరూ యాక్సెస్ చేయగల మరియు ఉపయోగించగలిగే విధంగా ప్రచురిస్తాయి). ఇక్కడ, AI అనేది ఇన్‌కమింగ్ సమాచార అభ్యర్థనలను వర్గీకరించడంలో, ప్రతిస్పందన డ్రాఫ్ట్‌లను రూపొందించడంలో, ఏ సమాచారాన్ని ఇవ్వవచ్చు మరియు దేనికి మినహాయింపు ఇవ్వబడుతుందో ముందుగా మూల్యాంకనం చేయడంలో మరియు ప్రచురణ కోసం ఓపెన్ డేటా సెట్‌లను సిద్ధం చేయడంలో శక్తివంతమైన సహాయం. కానీ ఈ యూనిట్ యొక్క రెండు రెట్లు హెచ్చరిక ముఖ్యమైనది: పారదర్శకత ఎక్కువ కాదు, తక్కువ కాదు - పౌరుడికి అతను అర్హత ఉన్న సమాచారాన్ని ఇవ్వాలి, కానీ వ్యక్తిగత డేటా మరియు నిజమైన మినహాయింపులు రక్షించబడాలి; ఈ బ్యాలెన్స్ బాధ్యతాయుతమైన పబ్లిక్ ఆఫీసర్ ద్వారా స్థాపించబడింది, AI కాదు.

జ్ఞానాన్ని పొందడం యొక్క రెండు తప్పు ముగింపులు

సమాచారం కోసం అభ్యర్థనలలో, లోపాలు రెండు దిశలలో చేయవచ్చు:

• పారదర్శకత లేకపోవడం: ఇవ్వదగిన సమాచారాన్ని "రహస్యం/అసాధారణమైనది" అని అనవసరంగా తిరస్కరించడం. ఇది రెండు హక్కును ఉల్లంఘిస్తుంది మరియు సంస్థపై అపనమ్మకాన్ని సృష్టిస్తుంది మరియు తరచుగా న్యాయవ్యవస్థలో ముగుస్తుంది.
• అతిగా బహిర్గతం చేయడం: పత్రాన్ని సమర్పించేటప్పుడు అనుకోకుండా మూడవ పక్షం వ్యక్తిగత డేటా, వాణిజ్య రహస్యం లేదా నిజమైన మినహాయింపు (భద్రత మొదలైనవి) బహిర్గతం. ఇది KVKKని ఉల్లంఘిస్తుంది మరియు నష్టాన్ని కలిగిస్తుంది.

AI రెండు వైపులా సహాయం చేయగలదు: ఇది పత్రాన్ని స్కాన్ చేయగలదు, దానిలోని వ్యక్తిగత డేటాను గుర్తించగలదు మరియు తగ్గింపును సూచించగలదు (పత్రం యొక్క రహస్య/వ్యక్తిగత భాగాలను అస్పష్టం చేయడం/తొలగించడం); ఇది మీరు అభ్యర్థనను మూల్యాంకనం చేసే మినహాయింపు వర్గాన్ని జాబితా చేయవచ్చు. కానీ తుది నిర్ణయం - ఈ సమాచారం ఇవ్వబడిందా, ఏ భాగం అస్పష్టంగా ఉంది - చట్టపరమైన బాధ్యత వహించే వ్యక్తికి చెందినది.

శ్రద్ధ: "ఈ సమాచారం మినహాయింపు పరిధిలో ఉంది" లేదా "ఇవ్వవచ్చు" అని AI యొక్క ప్రకటన చట్టపరమైన అభిప్రాయం కాదు. మినహాయింపు మూల్యాంకనం సమాచారానికి ప్రాప్యతపై చట్టం యొక్క సంబంధిత కథనాలకు అనుగుణంగా తయారు చేయబడుతుంది మరియు సమర్థించబడుతుంది; AI ప్రీ-క్వాల్స్ మరియు డ్రాఫ్ట్‌లను మాత్రమే ఉత్పత్తి చేస్తుంది.

ఓపెన్ డేటాను సురక్షితంగా ప్రచురించడం

ఓపెన్ డేటా ప్రజా సామర్థ్యాన్ని మరియు జవాబుదారీతనాన్ని పెంచుతుంది; వ్యవస్థాపకులు, పాత్రికేయులు, పరిశోధకులు ఈ డేటా నుండి విలువను సృష్టిస్తారు. కానీ డేటా సెట్‌ను ప్రచురించే ముందు, దాన్ని మళ్లీ గుర్తించే ప్రమాదానికి వ్యతిరేకంగా తనిఖీ చేయాలి (అనామకంగా భావించే డేటా ఇతర డేటాతో కలపడం ద్వారా వ్యక్తులకు తిరిగి లింక్ చేయబడుతుంది). ఉదాహరణకు, "వయస్సు + పొరుగు ప్రాంతం + అరుదైన వృత్తి" కలయిక ఒకే వ్యక్తిని సూచించవచ్చు. ప్రచురణ కోసం డేటా సెట్‌ను సిద్ధం చేస్తున్నప్పుడు, ప్రమాదకర కాలమ్ కాంబినేషన్‌లను ఫ్లాగ్ చేయడంలో మరియు డేటా డిక్షనరీ (ప్రతి కాలమ్ అంటే ఏమిటో వివరణ) రాయడంలో AI సహాయపడుతుంది.

చిట్కా: ఓపెన్ డేటాను ప్రచురించే ముందు, ఇలా అడగండి: "ఈ సెట్‌లో రెండు-మూడు నిలువు వరుసలను కలపడం ద్వారా నేను ఒక వ్యక్తిని కనుగొనవచ్చా?" సమాధానం "బహుశా" అయితే (వ్యక్తికి బదులుగా సమూహం), అరుదైన వర్గాలను కలపండి లేదా సున్నితమైన ప్రాంతాన్ని తీసివేయండి.

సమాచారం యొక్క దశల వారీ ప్రవాహం

1. డిమాండ్‌ను అర్థం చేసుకోండి మరియు వర్గీకరించండి. ఏమి అభ్యర్థించబడింది, ఏ యూనిట్‌కు సంబంధించినది, వ్యవధి ఎంత?
2. సమాచారం ఉందా లేదా దానిని రూపొందించాల్సిన అవసరం ఉందా? చట్టం ఇప్పటికే ఉన్న జ్ఞానాన్ని కవర్ చేస్తుంది; సంస్థ కొత్త విశ్లేషణ (ధృవీకరించబడింది) ఉత్పత్తి చేయనవసరం లేదు.
3. మినహాయింపు మూల్యాంకనం. వ్యక్తిగత డేటా, భద్రత, వాణిజ్య రహస్యాలు, అంతర్గత అభిప్రాయం వంటి ఏవైనా మినహాయింపులు ఉన్నాయా?
4. తగ్గింపు. భద్రపరచవలసిన ఎగుమతి చేయదగిన పత్రంలోని భాగాలను తీసివేయండి.
5. హేతుబద్ధమైన సమాధానం. ఇచ్చిన భాగం/ఇవ్వని భాగం మరియు దాని ఆధారం; తిరస్కరించబడినట్లయితే అభ్యంతర పద్ధతి.
6. లాగ్ మరియు ఆడిట్ ట్రయిల్. అభ్యర్థన, నిర్ణయం మరియు సమర్థన నమోదు చేయబడ్డాయి.

మూడు చిన్న కేసులు

కేసు 1 — సవరణ లోపం నివారించబడింది. సమాచార స్వేచ్ఛ అభ్యర్థనకు ఒక ఏజెన్సీ టెండర్ పత్రాన్ని సమర్పిస్తుంది. AI పత్రాన్ని స్కాన్ చేసి, ముగ్గురు వ్యక్తుల ఫోన్ నంబర్లు మరియు TR ID నంబర్లను గుర్తించింది. ప్రూఫ్ రీడింగ్ లేకుండా పంపి ఉంటే, అది KVKK ఉల్లంఘన అవుతుంది; వ్యక్తిగత డేటా బ్లాక్ చేయబడింది, పత్రం సురక్షితంగా పంపిణీ చేయబడింది.

కేసు 2 - అన్యాయమైన తిరస్కరణ సరిదిద్దబడింది. ఒక యూనిట్ యాక్టివిటీ డేటా కోసం అభ్యర్థనను "ఇంట్-హౌస్"గా తిరస్కరిస్తుంది. మినహాయింపు కేటగిరీల గురించి AIని అడిగినప్పుడు, ఈ డేటా వాస్తవానికి ఇప్పటికే ఓపెన్ డేటాగా ప్రచురించదగినదని గమనించబడింది. అభ్యర్థన నెరవేర్చబడింది, సాధ్యమయ్యే అభ్యంతరం మరియు దావా నిరోధించబడింది.

కేస్ 3 - మళ్లీ గుర్తించే ప్రమాదం. మునిసిపాలిటీ దాని “సేవా అభ్యర్థనల” డేటాసెట్‌ను ఓపెన్ డేటాగా ప్రచురిస్తుంది. సెట్‌లో పొరుగు ప్రాంతం + పూర్తి చిరునామా జిల్లా విచ్ఛిన్నం ఉన్నాయి. చిరునామా ఫీల్డ్ వ్యక్తిగత అంకెలను సూచించవచ్చని AI హెచ్చరించింది; చిరునామా వీధి స్థాయికి సమగ్రపరచబడింది మరియు సెట్ సురక్షితంగా ప్రచురించబడింది.

నాలుగు కాపీ చేయగల టెంప్లేట్‌లు

1) సమాచార అభ్యర్థన వర్గీకరణ:

మీ పాత్ర: సమాచార సేకరణ నిపుణుడు. కింది అభ్యర్థనను ప్రాసెస్ చేయండి: (1) సరిగ్గా అభ్యర్థించబడినది, (2) ఇది ఏ యూనిట్‌కు సంబంధించినది, (3) దీనికి ఇప్పటికే ఉన్న సమాచారం లేదా కొత్త ఉత్పత్తి అవసరమా, (4) సాధ్యమైన మినహాయింపు వర్గాలు (వ్యక్తిగత డేటా, భద్రత, వాణిజ్య రహస్యం మొదలైనవి). ప్రతి మినహాయింపు "సంబంధిత కథనం ద్వారా తప్పక సమర్థించబడాలి" అని పేర్కొనండి. నిర్ణయం తీసుకోవడం, ముందస్తు మూల్యాంకనం. అభ్యర్థన: [టెక్స్ట్]

2) తగ్గింపు (వ్యక్తిగత/రహస్య డేటాను గుర్తించడం):

దిగువ డాక్యుమెంట్‌లో, సమాచార ప్రతిస్పందనలో ముసుగు వేయవలసిన అన్ని భాగాలను గుర్తించండి: పేరు-ఇంటిపేరు, TR ID నంబర్, చిరునామా, టెలిఫోన్, ఆరోగ్యం/నేర సమాచారం, మూడవ పక్షం డేటా, వాణిజ్య రహస్యం. ప్రతి గుర్తుకు సంక్షిప్త సమర్థనను వ్రాయండి. పత్రం యొక్క ఎగుమతి చేయదగిన భాగాన్ని అలాగే ఉంచండి. పత్రం: [టెక్స్ట్]

3) హేతుబద్ధమైన సమాధాన ముసాయిదా:

కింది అభ్యర్థనకు సహేతుక ప్రతిస్పందనను రూపొందించండి: (1) ఏ సమాచారం ఇవ్వబడింది, (2) ఏ భాగం ఇవ్వబడలేదు మరియు ఎందుకు (మినహాయింపు నిబంధన [ధృవీకరించాలి]), (3) అప్పీల్ పద్ధతి మరియు వ్యవధి [నిర్ధారించాల్సినవి]. భాష అధికారికంగా మరియు గౌరవప్రదంగా ఉండాలి. ఇవ్వని భాగానికి జస్టిఫికేషన్ కాంక్రీటుగా ఉండాలి, సాధారణమైనది కాదు. అభ్యర్థన: [సారాంశం] నిర్ణయం: [ఏమి ఇవ్వబడింది/ఇవ్వలేదు]

4) డేటా పునఃప్రామాణీకరణ నియంత్రణను తెరవండి:

దిగువ డేటాసెట్ యొక్క నిలువు వరుసలను పరిశీలించండి. నిలువు వరుసల కలయికలు ఒకే వ్యక్తిని సూచించగలవని జాబితా చేయండి (మళ్లీ గుర్తించే ప్రమాదం). ప్రతి ప్రమాదానికి కొంత ఉపశమనాన్ని సూచించండి: అగ్రిగేషన్, అరుదైన కేటగిరీ అగ్రిగేషన్, ఫీల్డ్ ఎక్స్‌ట్రాక్షన్. ఇచ్చిన కాలమ్ జాబితాను ఉపయోగించండి. కాలమ్‌లు: [జాబితా]

బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్

బలహీనమైనది: "సమాచారం కోసం ఈ అభ్యర్థనకు ప్రతిస్పందించండి."

Güçlü: "మీ పాత్ర సమాచార యూనిట్ నిపుణుడు. ముందుగా, అభ్యర్థనను వర్గీకరించండి: ఏది అభ్యర్థించబడింది, ఏ యూనిట్, ఇది అందుబాటులో ఉందా, సాధ్యమయ్యే మినహాయింపులు ఏమిటి. ప్రతి మినహాయింపును 'సంబంధిత కథనం ద్వారా సమర్థించబడాలి' అని గుర్తించండి, మీరే చట్టపరమైన నిర్ణయం తీసుకోకండి. ఆపై, పత్రంలో ముసుగు చేయవలసిన వ్యక్తిగత/రహస్య భాగాలను గుర్తించండి. ఆపై, పత్రంలో ముసుగు వేయవలసిన వ్యక్తిగత/రహస్య భాగాలను గుర్తు పెట్టండి. అభ్యంతరం చెప్పే మార్గం;

తేడా: బలమైన ప్రాంప్ట్ పారదర్శకత మరియు రక్షణను సమతుల్యం చేస్తుంది, సమర్థనకు మినహాయింపును కలుపుతుంది, తగ్గింపు మరియు అప్పీల్ మార్గాన్ని జోడిస్తుంది.

సమాచారం రకం ద్వారా అప్రోచ్

సమాచార రకం

డిఫాల్ట్

శ్రద్ధ

గణాంకాలు, సమగ్ర డేటా

తెరవండి

మళ్లీ గుర్తింపు తనిఖీ

పరిపాలనా చర్యకు కారణం

ఇవ్వవచ్చు

మూడవ పక్ష డేటాను సవరించండి

మూడవ పక్షం వ్యక్తిగత డేటా

రక్షించబడింది

KVKK; కానీ అనుమతి/మినహాయింపుతో

భద్రత/గోప్యత మినహాయింపు

రక్షించబడింది

ఇది నిజమైన మినహాయింపు, నిర్ధారించండి

అంతర్గత అభిప్రాయం/చర్చలు

ఆధారపడి ఉంటుంది

సంబంధిత కథనం ప్రకారం మూల్యాంకనం చేయండి

అనామకీకరణ మరియు తిరిగి గుర్తించే ప్రమాదం

ఓపెన్ డేటాను ప్రచురించడంలో అత్యంత సాంకేతికమైన కానీ క్లిష్టమైన దశ అనామకీకరణ (డేటా నుండి ప్రత్యక్షంగా లేదా పరోక్షంగా ఒక వ్యక్తిని గుర్తించలేని విధంగా చేయడం). పేరు మరియు T.R. ID నంబర్‌ను తొలగించడం తరచుగా సరిపోదు; ఎందుకంటే అనేక సాధారణ ప్రాంతాల కలయిక ఒక వ్యక్తిని తిరిగి గుర్తించగలిగేలా చేస్తుంది. దీనిని రీ-ఐడెంటిఫికేషన్ అంటారు (ఇతర సమాచారంతో అనామకంగా భావించే క్రాస్-మ్యాచింగ్ డేటా ద్వారా వ్యక్తిని కనుగొనడం). ఉదాహరణకు, ఒక పొరుగున ఉన్న ఒకే ఒక్క 92 ఏళ్ల వితంతువు ఉంటే, త్రయం "ఇరుగుపొరుగు + వయస్సు + వైవాహిక స్థితి" అతనిని వెల్లడిస్తుంది. డేటా సెట్‌లోని ఫీల్డ్‌ల కలయికలు బహిర్గతమయ్యే ప్రమాదంలో ఉన్న వాటిని స్క్రీన్ చేయడంలో AI సహాయపడుతుంది మరియు సురక్షితమైన సమూహాన్ని సూచించవచ్చు (వయస్సును పరిధికి మార్చడం, అరుదైన వర్గాలను కలపడం); కానీ ప్రచురించే నిర్ణయం మరియు తుది ఆడిట్ సంస్థ యొక్క బాధ్యత.

మినీ కేస్ - మూడు ప్రాంతాలతో బహిర్గతం. ఒక మునిసిపాలిటీ సామాజిక సహాయ డేటాను "అనామకంగా" ప్రచురించింది: పేరు లేదు, కానీ పొరుగు ప్రాంతం, పుట్టిన సంవత్సరం మరియు వైకల్యం రకం. ఒక జర్నలిస్ట్ ఒకే పరిసరాల్లోని ఒకే వ్యక్తిలో అరుదైన వైకల్యాన్ని గమనించి వ్యక్తిని గుర్తించారు. డేటా ఉపసంహరించబడింది; పుట్టిన సంవత్సరం 10-సంవత్సరాల విరామానికి మార్చబడినప్పుడు మరియు అరుదైన కేటగిరీలు "ఇతర" క్రింద సమూహం చేయబడినప్పుడు ఇది తిరిగి ప్రచురించబడింది.

మళ్లీ గుర్తించే ప్రమాదాన్ని ప్రదర్శించే టెంప్లేట్:

విధి: కింది డేటా సెట్ యొక్క నిలువు వరుసలను పరిశీలించండి; నేను వ్యక్తిగత డేటాను ప్రచురించను, నాకు రిస్క్ స్క్రీనింగ్ మాత్రమే కావాలి. నిలువు వరుసలు: [కాలమ్ పేర్లు]అవుట్‌పుట్: 1) డైరెక్ట్ ఐడెంటిఫైయర్‌లు (తప్పక తొలగించబడాలి). 2) పరోక్ష ఐడెంటిఫైయర్ కలయికలు (మళ్లీ గుర్తించే ప్రమాదం). 3) ప్రతి ప్రమాదకర కలయిక కోసం సిఫార్సు చేయబడిన గ్రూపింగ్/మాస్కింగ్. 4) ప్రచురణకు ముందు తుది తనిఖీ ప్రశ్నలు. నియమం: నేను నిజమైన వ్యక్తిగత విలువలను అతికించలేదు; కాలమ్ నిర్మాణాన్ని మాత్రమే పరిగణించండి.

హెచ్చరిక: "నేను పేరును తొలగించాను, ఇప్పుడు అనామకంగా ఉన్నాను" అనేది అత్యంత సాధారణ మరియు ప్రమాదకరమైన అపోహ. అనామకత ఫీల్డ్ ద్వారా కాదు, ఫీల్డ్‌ల కలయిక మరియు బాహ్య డేటాతో సరిపోలే సంభావ్యత ద్వారా నిర్ణయించబడుతుంది. అనుమానం ఉంటే, ప్రచురించవద్దు; అజ్ఞాతం అనేది తిరుగులేని నిర్ణయం.

సాధారణ తప్పులు

• అలవాటుగా తిరస్కరించడానికి. అనవసరమైన "గోప్యమైనది"గా ఇవ్వగల సమాచారాన్ని పరిగణనలోకి తీసుకోవడం హక్కుల ఉల్లంఘన మరియు దావాకు కారణం.
• సవరించని పత్రాలను సమర్పించడం. మూడవ పక్షం డేటాను బహిర్గతం చేయడం KVKK ఉల్లంఘన.
• సమర్థన లేకుండా మినహాయింపును ఉపయోగించడం. తిరస్కరణ తప్పనిసరిగా కాంక్రీట్ పదార్ధం మరియు కాంక్రీట్ సమర్థనతో చేయాలి; "ఇంట్లో" అని చెప్పడం సరిపోదు.
• AI యొక్క చట్టపరమైన తీర్పుపై ఆధారపడటం. మినహాయింపు తీసుకోవాలనే నిర్ణయం మానవీయమైనది; AI ప్రీ-క్వాలిఫై అవుతుంది.
• ఓపెన్ డేటాలో మళ్లీ గుర్తింపును దాటవేయడం. కాలమ్ కలయికలు వ్యక్తులను కనుగొనగలవు; మొత్తం.
• అభ్యంతర మార్గాలను పేర్కొనలేదు. తిరస్కరణలలో, దరఖాస్తు పద్ధతి మరియు వ్యవధి తప్పనిసరిగా వ్రాయబడాలి (ధృవీకరించబడింది).

సారాంశంలో

పారదర్శకత అనేది ప్రజల విశ్వాసానికి పునాది; AI అనేది FOI అభ్యర్థనలను వర్గీకరించడంలో, ప్రూఫ్ రీడింగ్‌ని సిఫార్సు చేయడం, ప్రతిస్పందనలను రూపొందించడం మరియు ప్రచురణ కోసం ఓపెన్ డేటాను సిద్ధం చేయడంలో శక్తివంతమైన సహాయం. కానీ సంతులనం చాలా ముఖ్యమైనది: పౌరులకు వారు అర్హులైన సమాచారాన్ని అందించాలి, నిజమైన మినహాయింపులు మరియు వ్యక్తిగత డేటా తప్పనిసరిగా రక్షించబడాలి. మినహాయింపు తీసుకోవాలనే నిర్ణయం హేతుబద్ధంగా మరియు మానవీయంగా ఉండాలి; ఓపెన్ డేటా ప్రచురణకు ముందు మళ్లీ గుర్తించే ప్రమాదం కోసం ఆడిట్ చేయాలి.

అప్లికేషన్ టాస్క్

సమాచార అభ్యర్థన యొక్క నిజమైన (ముసుగు) స్వేచ్ఛను స్వీకరించండి. "అభ్యర్థన వర్గీకరణ" టెంప్లేట్‌తో ముందస్తు మూల్యాంకనం చేసి, జోడించిన పత్రానికి "రిడక్షన్" టెంప్లేట్‌ను వర్తింపజేయండి మరియు ముసుగు వేయవలసిన ప్రాంతాలను గుర్తించండి. ఓపెన్ డేటా సెట్ యొక్క నిలువు వరుసలకు "ఓపెన్ డేటా రీ-ఐడెంటిఫికేషన్ చెక్" టెంప్లేట్‌ను వర్తింపజేయండి మరియు కనీసం ఒక ప్రమాదకర కలయికను కనుగొనండి.

చెక్లిస్ట్

• [] నేను అభ్యర్థనను వర్గీకరించాను; అనవసరంగా ఇవ్వగల సమాచారాన్ని నేను తిరస్కరించలేదు.
• [ ] నేను నిర్దిష్ట పదార్ధం మరియు సమర్థన (మానవ నిర్ణయం)తో మినహాయింపులను విశ్లేషించాను.
• [ ] నేను సమర్పించాల్సిన పత్రంలోని వ్యక్తిగత/రహస్య డేటాను సవరించాను.
• [ ] తిరస్కరణ విషయంలో, నేను అభ్యంతర పద్ధతి మరియు వ్యవధిని పేర్కొన్నాను (ధృవీకరించబడింది).
• [ ] నేను ఓపెన్ డేటాలో తిరిగి గుర్తించే ప్రమాదాన్ని తనిఖీ చేసాను.
• [ ] నేను ఆడిట్ కోసం అభ్యర్థన, నిర్ణయం మరియు సమర్థనను రికార్డ్ చేసాను.