בעידן הדיגיטלי, מחקרי איכותניים מכילים פרטים אישיים, הקשריים וארגונליים שמסכנים את הפרטיות אם לא מטופלים נכון. אנונימיזציה ידנית איטית, לא עקבית ומדלגת לעיתים על מזהים קריטיים. כלים אוטומטיים קיימים מסתמכים על התאמת דפוסים או כללים קבועים, שכושלים בהבנת הקשר ועלולים לשנות את משמעות הנתונים. מחקר חדש מציג תהליך אנונימיזציה אמין וחוזר על עצמו באמצעות מודלי שפה גדולים מקומיים (LLM), שמזהים ומטפלים בנתונים רגישים בתמלילי מחקר איכותני.
המחקר מציג את מסגרת SFAA (Structured Framework for Adaptive Anonymizer), הכוללת שלושה שלבים: זיהוי, סיווג ואנונימיזציה אדפטיבית. המסגרת משלבת ארבע אסטרטגיות אנונימיזציה: החלפה מבוססת כללים, כתיבה מחדש מודעת הקשר, הכללה והשמדה. אסטרטגיות אלה מוחלות בהתאם לסוג המזהה ורמת הסיכון. המזהים מטופלים בהתאם לסטנדרטים בינלאומיים מרכזיים כמו GDPR, HIPAA והנחיות OECD, מה שמבטיח עמידה בכללי אתיקה ופרטיות.
הערכה בוצעה בשיטה כפולה: ידנית ומבוססת LLM. נבחנו שני מחקרי מקרה: הראשון כולל 82 ראיונות פנים אל פנים על גמייפיקציה בארגונים, והשני 93 ראיונות מנוהלים על ידי מכונה באמצעות מראיין מבוסס AI לבדיקת מודעות LLM ופרטיות במקום עבודה. נוסו שני מודלים מקומיים: LLaMA ו-Phi. התוצאות מראות כי ה-LLM זיהו יותר נתונים רגישים ממבקר אנושי.
מודל Phi עלה על LLaMA בזיהוי נתונים רגישים, אך טעה מעט יותר. Phi זיהה מעל 91% מהנתונים הרגישים, ושמר על 94.8% מהסנטימנט המקורי של הטקסט, מה שמעיד על דיוק גבוה שלא פוגע בניתוח הנתונים האיכותניים. זהו שיפור משמעותי על פני שיטות מסורתיות.
המסגרת SFAA מציעה פתרון פרקטי לחוקרים ועסקים שמתמודדים עם נתוני מחקר רגישים. היא חוסכת זמן, מגבירה דיוק ומשמרת את משמעות הטקסט, תוך עמידה בתקנות פרטיות. בעתיד, שילוב מודלים מקומיים כאלה יאפשר טיפול בטוח יותר בנתונים, במיוחד בסביבות ארגוניות ישראליות שבהן פרטיות היא נושא מרכזי. מה תעשו כדי להגן על הנתונים שלכם?