shield_personناشناس‌سازی

ناشناس‌سازی و شبه‌نام‌سازی داده با اطمینان

Skimle Anonymise نام‌ها، نقش‌ها، مکان‌ها، سازمان‌ها و تاریخ‌ها را در متن‌های پیاده‌شده و اسناد شما پیدا می‌کند و پیش از هر تحلیلی آن‌ها را با شبه‌نام‌های یکسان جایگزین می‌کند.

دورهٔ آزمایشی رایگان، بدون کارت اعتباری، طرح‌ها از ۲۰ یورو در ماه

در سه گام از مشارکت‌کنندگان محافظت کنید

ناشناس‌سازی درون پروژه اجرا می‌شود، پس از تأیید فایل‌ها و پیش از تحلیل، پس هیچ متن شناسایی‌پذیری به تحلیل نمی‌رسد.

  1. settings01

    برای هر منبع داده روشنش کنید

    مصاحبه‌های حساس را ناشناس کنید و اسناد عمومی را دست‌نخورده بگذارید. یک پیش‌تنظیم برگزینید یا هر دسته را خودتان تنظیم کنید.

  2. shield_person02

    Skimle شناسایی و جایگزین می‌کند

    نام‌ها، عنوان‌ها و نقش‌ها، مکان‌ها، سازمان‌ها، تاریخ‌ها، عددها و کدها پیدا و جایگزین می‌شوند و هر فرد در همهٔ فایل‌ها یک شبه‌نام یکسان می‌گیرد.

  3. plagiarism03

    بازبینی کنید، سپس تحلیل

    در حالت دستی هر سند را بررسی می‌کنید و پیش از تحلیل، هر چه از قلم افتاده را اصلاح می‌کنید. در حالت خودکار اسناد مستقیم عبور می‌کنند.

ناشناس‌سازی طراحی‌شده برای اخلاق پژوهش

کمیته‌های اخلاق، مسئولان حفاظت از داده و مشتریان می‌پرسند از مشارکت‌کنندگان چگونه محافظت می‌شود. Skimle پاسخی روشن به شما می‌دهد.

  • folder

    شناسایی هوشمند شناسه‌ها

    نام‌ها، عنوان‌ها و نقش‌ها، مکان‌ها، سازمان‌ها، تاریخ‌ها و زمان‌ها، عددها و کدها، و هر چیز شناسایی‌کنندهٔ دیگر.

  • tune

    حذف یا جایگزینی را انتخاب کنید

    نگه‌داشتن، شبه‌نام‌سازی با کد، شبه‌نام‌سازی با جایگزینی واقع‌نما، جایگزینی با برچسب عمومی، یا سیاه کردن.

  • sync

    یکسان در همهٔ فایل‌ها

    یک فرد در همهٔ اسناد یک شبه‌نام یکسان می‌گیرد، پس الگوهای میان مصاحبه‌ها دیده‌شدنی می‌مانند.

  • lock

    سطح ناشناس‌سازی را انتخاب کنید

    شبه‌نام‌سازی سبک، شبه‌نام‌سازی قوی یا ناشناس‌سازی قوی، هر کدام قابل تنظیم دسته به دسته. کلید شناسایی مجدد در اختیار شماست: نگهش دارید، فایل‌ها را بدون آن خروجی بگیرید، یا وقتی برنامهٔ مدیریت دادهٔ شما دادهٔ ناشناس می‌خواهد، نابودش کنید.

پرسش‌های متداول

Skimle Anonymise چه می‌کند؟add_circle

شناسه‌های شخصی را در متن‌های پیاده‌شده و اسناد، مانند نام‌ها، سازمان‌ها، مکان‌ها و تاریخ‌ها، شناسایی می‌کند و پیش از تحلیل داده، بر اساس تنظیمات شما جایگزین یا حذفشان می‌کند.

تفاوت شبه‌نام‌سازی و ناشناس‌سازی چیست؟add_circle

در دادهٔ شبه‌نام‌سازی‌شده شناسه‌ها جایگزین می‌شوند، اما کلیدی باقی می‌ماند که می‌تواند افراد را دوباره شناسایی کند، بنابراین طبق GDPR همچنان دادهٔ شخصی است. دادهٔ ناشناس‌شده را نمی‌توان به فردی پیوند داد. Skimle از هر دو پشتیبانی می‌کند، از شبه‌نام‌سازی سبک تا ناشناس‌سازی قوی با نابودی کلید.

آیا ناشناس‌سازی خودکار به‌اندازهٔ کافی قابل اعتماد است؟add_circle

شناسایی خودکار است، اما برای مطالعات حساس از حالت دستی استفاده کنید: هر سند منتظر می‌ماند تا شناسه‌های شناسایی‌شده را بررسی کنید و پیش از تحلیل، موارد از قلم افتاده یا بیش از حد علامت‌خورده را اصلاح کنید.

آیا با ضبط‌های صوتی و تصویری هم کار می‌کند؟add_circle

بله. ضبط‌ها ابتدا رونویسی و سپس متن‌های پیاده‌شده ناشناس می‌شوند. منبع داده‌ای که ناشناس‌سازی می‌کند هرگز صوت یا ویدیو را نگه نمی‌دارد.

هزینهٔ ناشناس‌سازی چقدر است؟add_circle

ناشناس‌سازی اعتبار مصرف می‌کند: حدود یک اعتبار برای هر صفحه. هر گام جداگانه محاسبه می‌شود، پس مصاحبه‌ای که رونویسی و ناشناس شده، هم برای رونویسی و هم برای ناشناس‌سازی اعتبار مصرف می‌کند. دورهٔ آزمایشی رایگان اعتبار کافی برای امتحان آن روی دادهٔ واقعی دارد.

آیا ناشناس‌سازی پروژهٔ مرا با GDPR سازگار می‌کند؟add_circle

یکی از سازوکارهای حفاظتی مهم است. Skimle همچنین در اتحادیهٔ اروپا میزبانی می‌شود، هرگز مدل‌های هوش مصنوعی را با داده‌های شما آموزش نمی‌دهد و قرارداد پردازش داده ارائه می‌کند، اما انطباق به تصمیم‌های شما دربارهٔ رضایت، نگهداری و دسترسی نیز بستگی دارد.

نخستین متن‌های پیاده‌شده‌تان را همین امروز ناشناس کنید

مصاحبه‌ها را بارگذاری کنید، ناشناس‌سازی را روشن کنید و داده را با محافظت از مشارکت‌کنندگان از همان آغاز تحلیل کنید.

رزرو نمایش

دورهٔ آزمایشی رایگان، بدون کارت اعتباری، طرح‌ها از ۲۰ یورو در ماه