Lợi nhuận:
- Chuẩn bị phản hồi các yêu cầu cung cấp thông tin theo quy định của pháp luật, giải thích không hơn không kém.
- Nó ẩn danh dữ liệu mở trước khi xuất bản và quét nó ở cấp độ kết hợp có nguy cơ tái nhận dạng.
- Biết rằng tính minh bạch là một công cụ quản trị giúp tăng cường niềm tin của công chúng và phân biệt những gì cần được giữ bí mật.
Nền tảng của một nền hành chính công dân chủ là tính minh bạch: khả năng của công dân trong việc tìm hiểu cách thức và cơ sở để đưa ra các quyết định liên quan đến họ. Nguyên tắc này đi vào cuộc sống trong hai cơ chế cụ thể. Đầu tiên là quyền được thông tin (Luật Quyền thông tin số 4982; công dân có thể yêu cầu thông tin và tài liệu từ các tổ chức công, ngoại trừ các trường hợp ngoại lệ). Thứ hai là dữ liệu mở (các tổ chức công xuất bản phần phi cá nhân và không bí mật của dữ liệu họ tạo ra theo cách mà mọi người đều có thể truy cập và sử dụng). Ở đây, AI là một công cụ hỗ trợ mạnh mẽ trong việc phân loại các yêu cầu thông tin đến, tạo ra các bản nháp phản hồi, đánh giá trước thông tin nào có thể được cung cấp và thông tin nào được miễn, cũng như chuẩn bị các bộ dữ liệu mở để xuất bản. Nhưng lời cảnh báo kép của đơn vị này rất quan trọng: tính minh bạch không hơn không kém - công dân phải được cung cấp thông tin mà họ có quyền, nhưng dữ liệu cá nhân và các trường hợp ngoại lệ thực sự phải được bảo vệ; Sự cân bằng này được thiết lập bởi công chức có trách nhiệm chứ không phải AI.
Hai mục đích sai lầm của việc tiếp thu kiến thức
Trong yêu cầu cung cấp thông tin, lỗi có thể xảy ra theo hai hướng:
- Thiếu minh bạch: Từ chối một cách không cần thiết những thông tin được cung cấp vì “bí mật/đặc biệt”. Điều này vừa vi phạm quyền, vừa tạo ra sự mất lòng tin vào thể chế và thường kết thúc ở cơ quan tư pháp.
- Tiết lộ quá mức: Vô tình tiết lộ dữ liệu cá nhân của bên thứ ba, bí mật thương mại hoặc ngoại lệ thực sự (bảo mật, v.v.) khi gửi tài liệu. Điều này vi phạm KVKK và gây thiệt hại.
AI có thể trợ giúp ở cả hai đầu: nó có thể quét tài liệu, đánh dấu dữ liệu cá nhân trong đó và đề xuất biên tập lại (che giấu/xóa các phần bí mật/cá nhân của tài liệu); Nó có thể liệt kê danh mục ngoại lệ mà bạn sẽ đánh giá yêu cầu. Nhưng quyết định cuối cùng - thông tin này có được đưa ra hay không, phần nào bị che khuất - thuộc về người chịu trách nhiệm pháp lý.
Lưu ý: Tuyên bố của AI rằng "thông tin này nằm trong phạm vi ngoại lệ" hoặc "có thể được đưa ra" không phải là quan điểm pháp lý. Việc đánh giá ngoại lệ được thực hiện và chứng minh theo quy định tại các điều khoản liên quan của Luật Tiếp cận thông tin; AI chỉ tạo ra các vòng sơ tuyển và bản nháp.
Xuất bản dữ liệu mở một cách an toàn
Dữ liệu mở tăng cường hiệu quả và trách nhiệm giải trình công cộng; doanh nhân, nhà báo, nhà nghiên cứu tạo ra giá trị từ dữ liệu này. Nhưng trước khi xuất bản một tập dữ liệu, cần kiểm tra nó để tránh nguy cơ bị nhận dạng lại (dữ liệu được cho là ẩn danh sẽ được liên kết ngược lại với các cá nhân bằng cách kết hợp nó với dữ liệu khác). Ví dụ: sự kết hợp "tuổi + hàng xóm + nghề nghiệp hiếm" có thể chỉ một người. Khi chuẩn bị một tập dữ liệu để xuất bản, AI rất hữu ích trong việc gắn cờ các tổ hợp cột có rủi ro và viết từ điển dữ liệu (mô tả ý nghĩa của từng cột).
Mẹo: Trước khi xuất bản dữ liệu mở, hãy hỏi: “Tôi có thể tìm thấy một người bằng cách kết hợp hai ba cột trong bộ này không?” Nếu câu trả lời là “có thể”, tổng hợp (nhóm thay vì cá nhân), kết hợp các danh mục hiếm hoặc loại bỏ khu vực nhạy cảm.
Luồng thông tin theo từng bước
- Tìm hiểu và phân loại nhu cầu. Yêu cầu là gì, liên quan đến đơn vị nào, thời lượng là bao lâu?
- Thông tin có tồn tại hay nó cần được tạo ra? Luật bao gồm kiến thức hiện có; tổ chức có thể không phải đưa ra phân tích mới (đã xác nhận).
- Đánh giá ngoại lệ. Có trường hợp ngoại lệ nào như dữ liệu cá nhân, bảo mật, bí mật thương mại, ý kiến nội bộ không?
- Biên tập. Loại bỏ các phần của tài liệu có thể xuất cần được bảo quản.
- Câu trả lời hợp lý. Phần đã cho/không cho và cơ sở của nó; Phương thức phản đối nếu bị từ chối.
- Đăng nhập và kiểm tra dấu vết. Yêu cầu, quyết định và biện minh được ghi lại.
ba trường hợp nhỏ
Trường hợp 1 - Tránh được lỗi chỉnh sửa. Một cơ quan sẽ nộp hồ sơ mời thầu để yêu cầu quyền tự do thông tin. AI đã quét tài liệu và đánh dấu số điện thoại cũng như số TR ID của ba người. Nếu nó được gửi đi mà không được hiệu đính thì đó sẽ là vi phạm KVKK; dữ liệu cá nhân bị bôi đen, tài liệu được chuyển giao an toàn.
Trường hợp 2 - Đã sửa lỗi từ chối không công bằng. Một đơn vị sẽ có thói quen từ chối yêu cầu cung cấp dữ liệu hoạt động vì lý do “nội bộ”. Khi AI được hỏi về các danh mục ngoại lệ, người ta thấy rằng dữ liệu này thực tế đã có thể xuất bản được dưới dạng dữ liệu mở. Yêu cầu đã được đáp ứng, khả năng phản đối và vụ kiện đã được ngăn chặn.
Trường hợp 3 - Rủi ro tái nhận dạng. Một đô thị sẽ xuất bản tập dữ liệu “yêu cầu dịch vụ” của mình dưới dạng dữ liệu mở. Bộ này bao gồm khu phố + phân tích địa chỉ đầy đủ của quận. AI cảnh báo rằng trường địa chỉ có thể trỏ đến các chữ số riêng lẻ; Địa chỉ được tổng hợp theo cấp độ đường phố và tập hợp đã được xuất bản một cách an toàn.
Bốn mẫu có thể sao chép
1) Phân loại yêu cầu thông tin:
Vai trò của bạn: chuyên gia thu thập thông tin. Xử lý yêu cầu sau: (1) chính xác yêu cầu là gì, (2) đơn vị nào liên quan, (3) liệu yêu cầu đó yêu cầu thông tin hiện có hay sản phẩm mới, (4) các danh mục ngoại lệ có thể có (dữ liệu cá nhân, bảo mật, bí mật thương mại, v.v.). Chỉ rõ rằng mỗi ngoại lệ "phải được giải thích bằng bài viết liên quan". Ra quyết định, đánh giá trước. YÊU CẦU: [văn bản]
2) Biên tập (đánh dấu dữ liệu cá nhân/bí mật):
Trong tài liệu bên dưới, hãy đánh dấu tất cả các phần cần KIẾM trong phản hồi thông tin: tên-họ, số TR ID, địa chỉ, số điện thoại, thông tin sức khỏe/tội phạm, dữ liệu của bên thứ ba, bí mật thương mại. Viết lời biện minh ngắn gọn cho mỗi dấu hiệu. Để nguyên phần có thể xuất của tài liệu. TÀI LIỆU: [văn bản]
3) Dự thảo câu trả lời hợp lý:
Soạn thảo phản hồi hợp lý cho yêu cầu sau: (1) thông tin nào đã được cung cấp, (2) phần nào không được cung cấp và tại sao (điều khoản ngoại lệ [sẽ được xác nhận]), (3) phương thức và thời hạn khiếu nại [sẽ được xác nhận]. Ngôn ngữ phải trang trọng và tôn trọng. Sự biện minh cho phần không được đưa ra phải cụ thể, không chung chung. YÊU CẦU: [tóm tắt] QUYẾT ĐỊNH: [những gì đã/không được đưa ra]
4) Kiểm soát xác thực lại dữ liệu mở:
Kiểm tra các cột của tập dữ liệu dưới đây. Liệt kê những tổ hợp cột nào có thể chỉ ra một người (nguy cơ nhận dạng lại). Đề xuất một số biện pháp giảm thiểu cho từng rủi ro: tổng hợp, tổng hợp danh mục hiếm, trích xuất hiện trường. Chỉ cần sử dụng danh sách cột nhất định. CỘT: [danh sách]
Dấu nhắc yếu / Dấu nhắc mạnh
Yếu: “Trả lời yêu cầu cung cấp thông tin này.”
Güçlü: "Vai trò của bạn là một chuyên gia về đơn vị thông tin. Đầu tiên, hãy phân loại yêu cầu: yêu cầu nào, đơn vị nào, có sẵn không, các trường hợp ngoại lệ có thể xảy ra là gì. Đánh dấu từng ngoại lệ là 'được chứng minh bằng bài viết liên quan', không tự mình đưa ra quyết định pháp lý. Sau đó, đánh dấu các phần cá nhân/bí mật cần được che giấu trong tài liệu sẽ được gửi cùng với đề xuất biên tập. Cuối cùng, tạo ra một bản dự thảo phản hồi hợp lý bao gồm phần được đưa ra/không được đưa ra và cách phản đối; làm cho lời giải thích cụ thể."
Sự khác biệt: lời nhắc mạnh mẽ cân bằng giữa tính minh bạch và khả năng bảo vệ, gắn ngoại lệ với lý do biện minh, bổ sung đường dẫn xử lý và kháng cáo.
Tiếp cận theo loại thông tin
Loại thông tin
Mặc định
Chú ý
Thống kê, dữ liệu tổng hợp
mở
Kiểm tra nhận dạng lại
Lý do xử lý hành chính
có thể được đưa ra
Biên tập lại dữ liệu của bên thứ ba
Dữ liệu cá nhân của bên thứ ba
được bảo vệ
KVKK; nhưng với sự cho phép/ngoại lệ
Ngoại lệ về bảo mật/quyền riêng tư
được bảo vệ
Đây có phải là ngoại lệ thực sự không, xác nhận
Ý kiến/đàm phán nội bộ
Phụ thuộc
Đánh giá theo bài viết liên quan
Ẩn danh và nguy cơ tái nhận dạng
Bước kỹ thuật nhưng quan trọng nhất trong việc xuất bản dữ liệu mở là ẩn danh (làm cho một người không thể nhận dạng được trực tiếp hoặc gián tiếp từ dữ liệu). Tên và TR Xóa số ID thường là không đủ; bởi vì sự kết hợp của một số lĩnh vực thông thường làm cho một người có thể được xác định lại. Điều này được gọi là nhận dạng lại (tìm người bằng cách đối chiếu chéo dữ liệu được cho là ẩn danh với thông tin khác). Ví dụ: nếu có một ông góa vợ 92 tuổi độc thân ở khu phố, bộ ba "khu phố + tuổi + tình trạng hôn nhân" sẽ tiết lộ ông ấy. AI có thể giúp sàng lọc những tổ hợp trường nào trong tập dữ liệu có nguy cơ bị tiết lộ và đề xuất phân nhóm an toàn hơn (chuyển đổi độ tuổi thành phạm vi, kết hợp các danh mục hiếm); Nhưng quyết định xuất bản và kiểm toán cuối cùng là trách nhiệm của tổ chức.
Trường hợp nhỏ - tiết lộ với ba lĩnh vực. Một đô thị đã công bố dữ liệu trợ giúp xã hội một cách "ẩn danh": không có tên, nhưng khu phố, năm sinh và loại khuyết tật. Một nhà báo nhận thấy một loại khuyết tật hiếm gặp ở một người trong một khu phố và xác định được người đó. Dữ liệu bị rút; Nó được tái bản khi năm sinh được chuyển đổi thành khoảng cách 10 năm và các danh mục hiếm được nhóm lại thành "khác".
Mẫu sàng lọc rủi ro nhận dạng lại:
Nhiệm vụ: Xét các cột của tập dữ liệu sau; Tôi không công bố dữ liệu cá nhân, tôi chỉ muốn sàng lọc rủi ro. Cột: [tên cột]Đầu ra: 1) Số nhận dạng trực tiếp (phải xóa). 2) Sự kết hợp định danh gián tiếp (nguy cơ tái nhận dạng). 3) Khuyến nghị phân nhóm/che đậy cho từng sự kết hợp rủi ro. 4) Các câu hỏi kiểm tra lần cuối trước khi xuất bản. Quy tắc: Tôi không dán bất kỳ giá trị cá nhân thực sự nào; chỉ cần xem xét cấu trúc cột.
Thận trọng: “Tôi đã xóa tên, hiện ẩn danh” là quan niệm sai lầm phổ biến và nguy hiểm nhất. Tính ẩn danh được xác định không phải bởi chính trường đó mà bởi sự kết hợp của các trường và xác suất khớp với dữ liệu bên ngoài. Nếu nghi ngờ, đừng xuất bản; Ẩn danh là một quyết định không thể thay đổi.
Những lỗi thường gặp
- Để có thói quen từ chối. Việc coi thông tin có thể được cung cấp là "bí mật" không cần thiết là vi phạm quyền và là nguyên nhân dẫn đến vụ kiện.
- Gửi các tài liệu chưa được biên tập. Tiết lộ dữ liệu của bên thứ ba là vi phạm KVKK.
- Sử dụng ngoại lệ mà không có lý do chính đáng. Việc từ chối phải được thực hiện bằng nội dung cụ thể và lý do cụ thể; Nói “trong nhà” là chưa đủ.
- Dựa vào phán đoán pháp lý của AI. Quyết định đưa ra ngoại lệ là của con người; AI đủ điều kiện trước.
- Bỏ qua việc tái nhận dạng trong dữ liệu mở. Tổ hợp cột có thể tìm thấy người; tổng hợp.
- Không nêu rõ phương tiện phản đối. Trong trường hợp bị từ chối, phải ghi rõ phương thức nộp đơn và thời hạn nộp đơn (được xác nhận).
Tóm lại
Minh bạch là nền tảng của niềm tin công chúng; AI là một trợ giúp mạnh mẽ trong việc phân loại các yêu cầu FOI, đề xuất hiệu đính, soạn thảo phản hồi và chuẩn bị dữ liệu mở để xuất bản. Nhưng sự cân bằng là rất quan trọng: công dân phải được cung cấp thông tin mà họ có quyền, các trường hợp ngoại lệ thực sự và dữ liệu cá nhân phải được bảo vệ. Quyết định đưa ra một ngoại lệ phải hợp lý và nhân văn; Dữ liệu mở cần được kiểm tra nguy cơ tái nhận dạng trước khi xuất bản.
Nhiệm vụ ứng dụng
Nhận được yêu cầu tự do thông tin thực sự (được che giấu). Đánh giá trước bằng mẫu "Yêu cầu phân loại", áp dụng mẫu "Xử lý" cho tài liệu đính kèm và đánh dấu các khu vực cần che. Áp dụng mẫu "Kiểm tra nhận dạng lại dữ liệu mở" cho các cột của tập dữ liệu mở và tìm ra ít nhất một kết hợp rủi ro.
danh sách kiểm tra
- [ ] Tôi đã phân loại yêu cầu; Tôi đã không từ chối những thông tin có thể được cung cấp một cách không cần thiết.
- [ ] Tôi đã đánh giá các trường hợp ngoại lệ bằng nội dung cụ thể và sự biện minh (quyết định của con người).
- [ ] Tôi đã biên tập lại dữ liệu cá nhân/bí mật trong tài liệu sẽ được gửi.
- [ ] Trong trường hợp từ chối, tôi đã nêu rõ phương thức và thời hạn phản đối (đã xác nhận).
- [ ] Tôi đã kiểm tra nguy cơ tái nhận dạng trong dữ liệu mở.
- [ ] Tôi đã ghi lại yêu cầu, quyết định và lý do kiểm tra.