Tillgång till textuell forskningsdata är kritisk för framsteg inom flera forskningsdomäner men personligt innehåll hindrar ofta vidareanvändning. Det finns risker både i att personer kan identifieras via t.ex. namn eller yrke, och att annan känslig information om dem kan läka ut t.ex. politiska åsikter. GDPR rekommenderar pseudonymisering för att maskera all personlig och känslig information. I nuläget saknar vi dock djupare kunskap om pseudonymisering och dess påverkan på forskningsdata, och behöver studera dessa utifrån flera vinklar. Vår forskningsmiljö samlar kompetens från tre större områden för att studera pseudonymisering systematiskt, nämligen språkteknologi, datavetenskap & dataintegritet, lingvistik & språkinlärning. Avsikten är att genom forskningsmiljösatsningen stödja Sveriges arbete med öppen tillgång till forskningsdata. 

Vi satsar på följande inriktningar: 

1. utveckling av automatiska metoder för att upptäcka, markera och ersätta personliga identifikatorer med passande alternativ i fritt skrivna texter (t.ex. uppsatser) med ett huvudfokus på lingvistiska utmaningar, såsom ortografiska fel, flertydiga ord, semantisk korrelation med kontexten, osv 

2. analys av typer och antal av identifikatorer kontra acceptabel nivå på personskydd, med efterföljande experiment för att identifiera personen bakom pseudonymiserad text. Det sista för att få bevis att pseudonymisering framgångsrikt kan skydda personer bakom texter 

3. analys av pseudonymiseringens påverkan på forskningsdata, inklusive läsbarhet, datans forskningsvärde för teoretiska studier (t.ex. kring språkinlärning) och för praktiska tillämpningar (t.ex. språkbedömning) 

Vi kommer att använda SweLL data (pilot och gold) med elevuppsatser (ca 1000 uppsatser), som har samlats och manuellt annoterats i ett tidigare projekt, och generalisera till andra domäner, såsom datan från sociala nätverk tillgänglig via Språkbanken Text. Sråkteknologi, maskininlärning, neurala nätverk, word embeddings  är några av de metoder som vi kommer att använda.

Alla verktyg och datamängder kommer att tillängliggöras; teoretiska och metodologiska insikter kommer att diskuteras utförligt i artiklar.