Namen entfernen reicht oft nicht: So prüfen Sie Freitexte auf Personenbezug, kombinieren automatische Erkennung und Kontrolle und erhalten relevante Aussagen.
Wer Kundenfeedback, offene Befragungsantworten oder Support-Tickets auswertet, verarbeitet häufig mehr als Meinungen. Texte können Namen, Kontaktdaten und Angaben enthalten, die eine Person erst in Kombination erkennbar machen. Automatische Erkennung und Maskierung können helfen, solche Angaben zu reduzieren. Sie garantieren allein jedoch keine Anonymität.
Dieser Leitfaden beschreibt einen Prüfablauf für Textdaten. Bild- und Videoanonymisierung, etwa das Unkenntlichmachen von Gesichtern, ist ein anderer Anwendungsfall.
Anonymisierung oder Pseudonymisierung?
Bei pseudonymisierten Daten lässt sich die Zuordnung zu einer Person mithilfe zusätzlicher Informationen wiederherstellen. Diese Daten bleiben personenbezogen. Ob Texte anonym sind, hängt dagegen auch davon ab, welche Mittel zur Identifizierung vernünftigerweise eingesetzt werden könnten. Das Ersetzen eines Namens durch einen Platzhalter reicht dafür nicht automatisch aus. Maßgeblich sind insbesondere Artikel 4 Absatz 5 und Erwägungsgrund 26 der DSGVO.
Ein fiktives Beispiel aus Kundenfeedback
Original: „Ich bin die einzige Kundin mit einem roten Spezialfahrzeug in der Filiale Nord. Frau Beispiel hat meinen Termin am 12. März dreimal verschoben.“
Nur den Namen entfernen: „Ich bin die einzige Kundin mit einem roten Spezialfahrzeug in der Filiale Nord. [PERSON] hat meinen Termin am 12. März dreimal verschoben.“
Der Name ist maskiert, die ungewöhnliche Kombination aus Fahrzeug, Filiale und Termin bleibt. Eine prüfbare Alternative für eine Analyse der Terminorganisation lautet:
Für diesen Analysezweck reduziert: „Mein Termin wurde dreimal verschoben.“
Die Kernaussage bleibt erhalten. Informationen über Filiale und Zeitpunkt gehen bewusst verloren. Ob diese Kürzung angemessen ist, hängt davon ab, welche Frage die Auswertung beantworten soll und welcher Personenbezug im gesamten Datensatz verbleibt.
Welche Methoden helfen bei Freitexten?
- Mustererkennung: geeignet für strukturierte Angaben wie E-Mail-Adressen oder bestimmte Kennungsformate. Abweichende Schreibweisen müssen mitgetestet werden.
- Entitätserkennung (NER): kann Namen, Orte oder Organisationen im Kontext markieren. Eine Erkennung kann Angaben übersehen oder harmlose Wörter fälschlich markieren.
- Kontextprüfung: untersucht seltene Rollen, Ereignisse und Kombinationen. Hier reicht eine Liste offensichtlicher Kontaktdaten oft nicht aus.
- Verallgemeinerung oder Kürzung: ersetzt unnötige Details durch gröbere Angaben oder entfernt sie. Anschließend ist zu prüfen, ob die Aussage für den Analysezweck noch brauchbar ist.
Ein Ablauf für größere Textbestände
- Analysefrage festlegen. Welche Themen sollen untersucht werden? Welche Angaben werden dafür tatsächlich gebraucht?
- Repräsentative Testtexte auswählen. Unterschiedliche Sprachen, lange Antworten, Schreibfehler und seltene Situationen berücksichtigen. Für erste Tests synthetische Beispiele verwenden.
- Erkennung und Ersetzung konfigurieren. Gewünschte Kategorien und den Umgang mit Fundstellen dokumentieren.
- Ergebnis prüfen. Sowohl übersehene Personenangaben als auch unnötig entfernte Inhalte erfassen. Den verbleibenden Kontext mitlesen.
- Analyse vergleichen. Prüfen, ob wichtige Themen durch die Bearbeitung verschwinden oder ihre Bedeutung verändern.
- Freigabe dokumentieren. Festhalten, welche Daten in welchem Zugriffskreis für welchen Zweck genutzt werden dürfen. Bei neuen Datenquellen erneut prüfen.
Was sollte eine Software demonstrieren können?
Testen Sie mit denselben Beispielen: Werden relevante Stellen erkannt? Sind Fehlmarkierungen sichtbar? Kann das Team Korrekturen nachvollziehen? Wie werden Originale, bearbeitete Texte und eventuelle Zuordnungen aufbewahrt? Welche Stellen und Dienstleister können darauf zugreifen?
Ein einzelner gut maskierter Beispielsatz beantwortet diese Fragen nicht. Lassen Sie sich den gesamten Weg bis zur Auswertung zeigen und unterscheiden Sie nachgewiesene Funktionen von geplanten Funktionen.
Häufige Fragen
Ist ein Text nach dem Entfernen aller Namen anonym?
Nicht zwangsläufig. Seltene Tätigkeiten, Orte, Ereignisse und weitere Angaben können eine Person weiterhin erkennbar machen. Prüfen Sie Kombinationen und Zusatzwissen.
Kann Anonymisierung ohne Informationsverlust funktionieren?
Das ist keine allgemeine Zusage. Manche Details sind für den Datenschutz relevant und zugleich analytisch nützlich. Definieren Sie deshalb, welche Informationen entfallen dürfen, und vergleichen Sie die Ergebnisse vor und nach der Bearbeitung.
Was ist der nächste Schritt für eine Feedbackanalyse?
Definieren Sie zuerst ein kleines Testset und klare Prüfkriterien. Informationen zum Anonymisierungsmodul von deepsight helfen beim Produktvergleich. Der Datenschutzleitfaden für KI-Textanalyse ergänzt den organisatorischen Ablauf. Wenn Sie den konkreten Einsatz besprechen möchten, können Sie eine Demo anfragen.
