Verktyg
I arbetet med forskningsdata som innehåller personuppgifter och andra skyddsvärda data kan det underlätta med olika verktyg som hjälper till att hantera och skydda data. Det kan till exempel handla om att bedöma risken för återidentifiering eller om att systematiskt förbereda en datafil för utlämning. Här går vi igenom några olika verktygstyper och programvaror som kan vara användbara vid hantering av kvantitativa och kvalitativa data samt specifikt för kryptering, för att skapa syntetiska data och för säkra beräkningsmiljöer.
Verktyg för kvantitativa data
Det finns en rad olika verktyg för statistisk röjandekontroll i kvantitativa data, det vill säga för att skapa sig en bild av vilka risker för identifiering som finns i ens data. Verktygen erbjuder också olika typer av skyddsåtgärder och funktioner för att beräkna datamängdens användbarhet efter eventuella åtgärder. Nedan ger vi några exempel på de vanligaste verktygen för statistisk röjandekontroll.
Verktig för kvalitativa data
Det finns flera digitala verktyg som kan användas för att hantera kvalitativa data, särskilt för att underlätta anonymisering och strukturering av till exempel intervjumaterial. QualiAnon är ett exempel på verktyg som kan användas för att skydda personuppgifter samtidigt som datans analysvärde bevaras.
Verktyg för kryptering
Det finns flera digitala verktyg som kan användas för att hantera kvalitativa data, särskilt för att underlätta anonymisering och strukturering av till exempel intervjumaterial. QualiAnon är ett exempel på verktyg som kan användas för att skydda personuppgifter samtidigt som datans analysvärde bevaras.
Verktyg för att skapa syntetiska data
Syntetiska data är fiktiva data som har genererats från en statistisk modell och kan skapas på en rad olika sätt. De kan baseras på verkliga data eller genereras från grunden med hjälp av en självständig modell som använder specifika ingångsvärden.
Säkra beräkningsmiljöer
En säker beräkningsmiljö är designad för att skydda känslig eller konfidentiell information samt forskningsdata mot obehörig åtkomst, dataläckor eller andra typer av säkerhetshot. Den är särskilt viktig där man hanterar personuppgifter eller andra skyddsvärda data. Många universitet erbjuder egna säkra lokala beräkningsmiljöer. Nedan listas två nationella exempel: MONA och Bianca.