Mga nadagdag:
- Naghahanda ng mga tugon sa mga kahilingan sa impormasyon alinsunod sa batas, na nagpapaliwanag ng hindi hihigit o mas kaunti.
- Inaanonymize nito ang bukas na data bago i-publish at ini-scan ito sa antas ng mga kumbinasyon na nanganganib na muling makilala.
- Alam na ang transparency ay isang tool sa pamamahala na nagpapataas ng tiwala ng publiko at nakikilala kung ano ang dapat panatilihing kumpidensyal.
Ang pundasyon ng isang demokratikong pampublikong administrasyon ay transparency: ang kakayahan ng mga mamamayan na matutunan kung paano at sa anong batayan ang mga desisyon na may kinalaman sa kanila ay ginawa. Ang prinsipyong ito ay nabubuhay sa dalawang konkretong mekanismo. Ang una ay ang karapatan sa impormasyon (Law on the Right to Information No. 4982; ang mga mamamayan ay maaaring humiling ng impormasyon at mga dokumento mula sa mga pampublikong institusyon, na may mga eksepsiyon). Ang pangalawa ay bukas na data (mga pampublikong institusyon ay naglalathala ng hindi personal at hindi kumpidensyal na bahagi ng data na kanilang ginagawa sa paraang maa-access at magagamit ng lahat). Dito, ang AI ay isang makapangyarihang tulong sa pag-uuri ng mga papasok na kahilingan ng impormasyon, paggawa ng mga draft ng tugon, paunang pagsusuri kung aling impormasyon ang maaaring ibigay at alin ang exempt, at paghahanda ng mga bukas na set ng data para sa paglalathala. Ngunit ang dalawang-tiklop na caveat ng yunit na ito ay mahalaga: ang transparency ay dapat na hindi hihigit, hindi bababa - ang mamamayan ay dapat bigyan ng impormasyon na siya ay karapat-dapat, ngunit ang personal na data at mga tunay na eksepsiyon ay dapat na protektahan; Ang balanseng ito ay itinatag ng responsableng pampublikong opisyal, hindi ng AI.
Ang dalawang maling dulo ng pagkakaroon ng kaalaman
Sa mga kahilingan para sa impormasyon, ang mga pagkakamali ay maaaring gawin sa dalawang direksyon:
- Kakulangan ng transparency: Hindi kinakailangang tanggihan ang maibibigay na impormasyon bilang "kumpidensyal/pambihirang". Pareho itong lumalabag sa karapatan at lumilikha ng kawalan ng tiwala sa institusyon, at kadalasang nauuwi sa hudikatura.
- Labis na pagsisiwalat: Ang hindi sinasadyang pagbubunyag ng third party na personal na data, isang trade secret, o isang tunay na pagbubukod (seguridad, atbp.) kapag nagsusumite ng isang dokumento. Ito ay lumalabag sa KVKK at nagdudulot ng pinsala.
Makakatulong ang AI sa magkabilang dulo: maaari itong mag-scan ng isang dokumento, markahan ang personal na data sa loob nito, at magmungkahi ng redaction (pagkukubli/pag-alis ng mga kumpidensyal/personal na bahagi ng dokumento); Maaaring ilista nito ang kategorya ng exception kung saan mo susuriin ang kahilingan. Ngunit ang pangwakas na desisyon - kung ang impormasyong ito ay ibinigay, kung aling bahagi ang nakakubli - ay pagmamay-ari ng isang tao na may legal na pananagutan.
Pansin: Ang pahayag ng AI na "ang impormasyong ito ay nasa saklaw ng pagbubukod" o "maaaring ibigay" ay hindi isang legal na opinyon. Ang pagsusuri sa eksepsiyon ay ginawa at nabibigyang katwiran alinsunod sa mga nauugnay na artikulo ng Batas sa Pag-access sa Impormasyon; Gumagawa lamang ang AI ng mga pre-qual at draft.
Ligtas na pag-publish ng bukas na data
Ang bukas na data ay nagpapataas ng kahusayan at pananagutan ng publiko; ang mga negosyante, mamamahayag, mananaliksik ay lumilikha ng halaga mula sa datos na ito. Ngunit bago mag-publish ng set ng data, dapat itong suriin laban sa panganib ng muling pagkakakilanlan (ang data na naisip na hindi nagpapakilala ay naka-link pabalik sa mga indibidwal sa pamamagitan ng pagsasama nito sa iba pang data). Halimbawa, ang kumbinasyong "edad + kapitbahayan + bihirang trabaho" ay maaaring magpahiwatig ng isang solong tao. Kapag naghahanda ng set ng data para sa publikasyon, nakakatulong ang AI sa pag-flag ng mga mapanganib na kumbinasyon ng column at pagsulat ng diksyunaryo ng data (isang paglalarawan ng ibig sabihin ng bawat column).
Tip: Bago mag-publish ng bukas na data, itanong: "Maaari ba akong makahanap ng isang tao sa pamamagitan ng pagsasama-sama ng dalawa-tatlong column sa set na ito?" Kung ang sagot ay "siguro," pinagsama-sama (grupo sa halip na indibidwal), pagsamahin ang mga bihirang kategorya, o alisin ang sensitibong bahagi.
Hakbang-hakbang na daloy ng impormasyon
- Unawain at uriin ang demand. Ano ang hinihiling, aling unit ang may kinalaman dito, ano ang tagal?
- Mayroon bang impormasyon o kailangan ba itong gawin? Saklaw ng batas ang umiiral na kaalaman; maaaring hindi na kailangang gumawa ng bagong pagsusuri ang institusyon (nakumpirma).
- Pagsusuri ng eksepsiyon. Mayroon bang anumang mga pagbubukod tulad ng personal na data, seguridad, mga lihim ng kalakalan, panloob na opinyon?
- Redaction. Alisin ang mga bahagi ng nae-export na dokumento na kailangang mapanatili.
- Makatwirang sagot. Ang bahaging ibinigay/hindi ibinigay at ang batayan nito; Paraan ng pagtutol kung tinanggihan.
- Log at audit trail. Ang kahilingan, desisyon at katwiran ay naitala.
tatlong mini case
Case 1 — Naiwasan ang error sa pag-edit. Ang isang ahensya ay magsusumite ng isang tender na dokumento sa isang kahilingan sa kalayaan sa impormasyon. Ini-scan ng AI ang dokumento at minarkahan ang mga numero ng telepono at TR ID number ng tatlong tao. Kung ito ay ipinadala nang walang proofreading, ito ay isang paglabag sa KVKK; ang personal na data ay na-blackened, ang dokumento ay naihatid nang ligtas.
Kaso 2 — Itinama ang hindi patas na pagtanggi. Karaniwang tinatanggihan ng isang unit ang isang kahilingan para sa data ng aktibidad bilang "in-house." Nang tanungin ang AI tungkol sa mga kategorya ng exception, nakita na ang data na ito ay talagang na-publish na bilang bukas na data. Ang kahilingan ay natugunan, isang posibleng pagtutol at kaso ay napigilan.
Kaso 3 — Panganib sa muling pagkakakilanlan. Ipa-publish ng isang munisipalidad ang dataset ng "mga kahilingan sa serbisyo" nito bilang bukas na data. Kasama sa set ang neighborhood + full address district breakdown. Nagbabala ang AI na ang field ng address ay maaaring tumuro sa mga indibidwal na digit; Ang address ay pinagsama-sama sa antas ng kalye at ang set ay nai-publish nang ligtas.
Apat na maaaring kopyahin na mga template
1) Pag-uuri ng kahilingan sa impormasyon:
Ang iyong tungkulin: espesyalista sa pagkuha ng impormasyon. Iproseso ang sumusunod na kahilingan: (1) kung ano ang eksaktong hinihiling, (2) kung aling unit ang nauugnay dito, (3) kung nangangailangan ito ng umiiral na impormasyon o bagong produksyon, (4) posibleng mga kategorya ng exception (personal na data, seguridad, trade secret, atbp.). Tukuyin na ang bawat pagbubukod ay "dapat bigyang-katwiran ng nauugnay na artikulo". Paggawa ng desisyon, pre-evaluate. KAHILINGAN: [text]
2) Redaction (pagmamarka ng personal/kumpidensyal na data):
Sa dokumento sa ibaba, markahan ang lahat ng bahagi na dapat MASKAD sa isang tugon sa impormasyon: pangalan-apelyido, numero ng TR ID, address, telepono, impormasyong pangkalusugan/kriminal, data ng third party, trade secret. Sumulat ng maikling katwiran para sa bawat tanda. Iwanan ang nae-export na bahagi ng dokumento nang ganoon. DOKUMENTO: [text]
3) Makatuwirang draft ng sagot:
Bumuo ng isang makatwirang tugon sa sumusunod na kahilingan: (1) anong impormasyon ang ibinigay, (2) aling bahagi ang hindi ibinigay at bakit (sugnay sa pagbubukod [kukumpirmahin]), (3) paraan ng apela at tagal [upang makumpirma]. Ang wika ay dapat na pormal at magalang. Ang katwiran para sa bahaging hindi ibinigay ay dapat kongkreto, hindi pangkalahatan. KAHILINGAN: [summary] DESISYON: [ano ang hindi ibinigay]
4) Buksan ang data re-authentication control:
Suriin ang mga column ng dataset sa ibaba. Ilista kung aling mga kumbinasyon ng mga column ang maaaring magpahiwatig ng isang tao (panganib ng muling pagkakakilanlan). Magmungkahi ng ilang pagpapagaan para sa bawat panganib: pagsasama-sama, bihirang pagsasama-sama ng kategorya, pagkuha ng field. Gamitin lamang ang ibinigay na listahan ng hanay. MGA HANAY: [listahan]
Mahinang prompt / Malakas na prompt
Mahina: "Tumugon sa kahilingang ito para sa impormasyon."
Güçlü: "Ang iyong tungkulin ay isang eksperto sa yunit ng impormasyon. Una, uriin ang kahilingan: ano ang hinihiling, aling unit, ito ba ay magagamit, ano ang mga posibleng pagbubukod. Markahan ang bawat eksepsiyon bilang 'mabigyang-katwiran ng nauugnay na artikulo', huwag gumawa ng legal na desisyon sa iyong sarili. Pagkatapos, markahan ang mga personal/kumpidensyal na bahagi na kailangang itago sa dokumentong isusumite na may kasamang draft na ibinigay na dahilan at hindi ibinigay ang bahagi ng redaction. bagay; gawing kongkreto ang katwiran."
Pagkakaiba: ang malakas na prompt ay nagbabalanse sa transparency at proteksyon, nag-uugnay sa pagbubukod sa katwiran, nagdaragdag ng redaction at path ng apela.
Diskarte ayon sa uri ng impormasyon
Uri ng impormasyon
Default
Pansin
Mga istatistika, pinagsama-samang data
bukas
Re-identification check
Dahilan para sa aksyong administratibo
maaaring ibigay
I-react ang data ng third party
Personal na data ng third party
protektado
KVKK; ngunit may pahintulot/pagbubukod
Pagbubukod sa seguridad/pribado
protektado
Ito ba ay tunay na pagbubukod, kumpirmahin
Panloob na opinyon/negosasyon
depende
Suriin ayon sa nauugnay na artikulo
Anonymization at panganib ng muling pagkakakilanlan
Ang pinaka-teknikal ngunit kritikal na hakbang sa pag-publish ng bukas na data ay ang anonymization (ginagawa ang isang tao nang direkta o hindi direktang makikilala mula sa isang data). Pangalan at T.R. Ang pagtanggal ng ID number ay kadalasang hindi sapat; dahil ang kumbinasyon ng ilang mga ordinaryong lugar ay ginagawang muling makilala ang isang tao. Ito ay tinatawag na muling pagkakakilanlan (paghahanap ng tao sa pamamagitan ng cross-matching na data na naisip na hindi nagpapakilala sa iba pang impormasyon). Halimbawa, kung may nag-iisang 92-anyos na biyudo sa isang kapitbahayan, ang trio na "kapitbahayan + edad + marital status" ang magbubunyag sa kanya. Makakatulong ang AI na i-screen kung aling mga kumbinasyon ng mga field sa isang set ng data ang nasa panganib ng pagsisiwalat at magmungkahi ng mas ligtas na pagpapangkat (pag-convert ng edad sa hanay, pagsasama-sama ng mga bihirang kategorya); Ngunit ang desisyon na mag-publish at ang huling pag-audit ay responsibilidad ng institusyon.
Mini case — pagsisiwalat na may tatlong lugar. Isang munisipalidad ang nag-publish ng data ng social assistance na "hindi nagpapakilala": walang pangalan, ngunit kapitbahayan, taon ng kapanganakan, at uri ng kapansanan. Napansin ng isang mamamahayag ang isang bihirang uri ng kapansanan sa isang solong tao sa isang kapitbahayan at kinilala ang tao. Inalis ang data; Ito ay muling nai-publish nang ang taon ng kapanganakan ay na-convert sa isang 10-taong pagitan at ang mga bihirang kategorya ay pinagsama-sama sa ilalim ng "iba".
Template na nagsa-screen para sa panganib ng muling pagkakakilanlan:
Gawain: Suriin ang mga column ng sumusunod na data set; Hindi ako nag-publish ng personal na data, ang gusto ko lang ay screening sa panganib. Mga Column: [column names]Output: 1) Direct identifiers (dapat tanggalin). 2) Mga kumbinasyon ng hindi direktang identifier (panganib ng muling pagkakakilanlan). 3) Inirerekomenda ang pagpapangkat/pagmask para sa bawat mapanganib na kumbinasyon. 4) Pangwakas na mga tanong sa pagsusuri bago ilathala. Panuntunan: Hindi ako naglagay ng anumang tunay na personal na mga halaga; isaalang-alang lamang ang istraktura ng haligi.
Babala: "Binura ko ang pangalan, ngayon ay hindi nakikilala" ay ang pinakakaraniwan at mapanganib na maling kuru-kuro. Ang hindi pagkakilala ay tinutukoy hindi ng mismong field, ngunit sa pamamagitan ng kumbinasyon ng mga field at ang posibilidad ng pagtutugma sa panlabas na data. Kung may pagdududa, huwag i-publish; Ang anonymity ay isang hindi mababawi na desisyon.
Mga karaniwang pagkakamali
- Sa nakagawiang pagtanggi. Isinasaalang-alang ang impormasyon na maaaring ibigay bilang hindi kinakailangang "kumpidensyal" ay isang paglabag sa mga karapatan at isang dahilan para sa demanda.
- Pagsusumite ng mga hindi na-redact na dokumento. Ang pagbubunyag ng data ng third party ay isang paglabag sa KVKK.
- Paggamit ng exception nang walang katwiran. Ang pagtanggi ay dapat gawin nang may konkretong sangkap at konkretong katwiran; Ang pagsasabi ng "in-house" ay hindi sapat.
- Umaasa sa legal na paghatol ng AI. Ang desisyon na gumawa ng eksepsiyon ay tao; Nag-pre-qualify ang AI.
- Pag-bypass sa muling pagkakakilanlan sa bukas na data. Ang mga kumbinasyon ng column ay makakahanap ng mga tao; pinagsama-sama.
- Hindi tinukoy ang paraan ng pagtutol. Sa mga pagtanggi, ang paraan at tagal ng aplikasyon ay dapat isulat (nakumpirma).
Sa buod
Ang transparency ay ang pundasyon ng tiwala ng publiko; Ang AI ay isang makapangyarihang tulong sa pag-uuri ng mga kahilingan sa FOI, pagrerekomenda ng pag-proofread, pagbalangkas ng mga tugon, at paghahanda ng bukas na data para sa paglalathala. Ngunit kritikal ang balanse: dapat ibigay sa mga mamamayan ang impormasyong nararapat sa kanila, dapat protektahan ang mga tunay na eksepsiyon at personal na data. Ang desisyon na gumawa ng eksepsiyon ay dapat na makatwiran at makatao; Dapat i-audit ang bukas na data para sa panganib ng muling pagkakakilanlan bago ilathala.
Gawain ng aplikasyon
Makatanggap ng isang tunay na (masked) na kahilingan sa kalayaan ng impormasyon. Paunang pagsusuri gamit ang template na "Pag-uuri ng kahilingan," ilapat ang template na "Redaction" sa isang naka-attach na dokumento at markahan ang mga lugar na itatakpan. Ilapat ang template na "Buksan ang pagsusuri sa muling pagkakakilanlan ng data" sa mga column ng isang bukas na set ng data at maghanap ng hindi bababa sa isang mapanganib na kumbinasyon.
checklist
- [ ] Inuri ko ang kahilingan; Hindi ko tinanggihan ang impormasyong maaaring ibigay nang hindi kinakailangan.
- [ ] Sinuri ko ang mga eksepsiyon na may konkretong sangkap at katwiran (pagpasya ng tao).
- [ ] Inalis ko ang personal/kumpidensyal na data sa dokumentong isusumite.
- [ ] Sa kaso ng pagtanggi, sinabi ko ang paraan ng pagtutol at tagal (nakumpirma).
- [ ] Sinuri ko ang panganib ng muling pagkakakilanlan sa bukas na data.
- [ ] Itinala ko ang kahilingan, desisyon at katwiran para sa pag-audit.