Evaluating PPRL Vs Clear Text Linkage with Real-World Data
Notice bibliographique
Résumé
IntroductionPrivacy-preserving Record Linkage (PPRL) is a record linkage technique that can increase the security of personal information. PPRL uses techniques of either hashing identifiers (where exact matches are required) or Blooming identifiers (where partial matches are of interest before they are provided for linkage. Objectives and ApproachWe use LinXmart software to evaluate performance of PPRL linkage compared to linkage using clear text identifiers. The test linkage dataset is one that is routinely linked (N=2,672,257) at our linkage centre. The population spine (N=8,440,442) includes a record for every person who has resided in British Columbia, Canada over the past 30 years. Weights were determined using LinXmart’s implementation of the Expectation Maximization (EM) algorithm. For both linkages, accepted links were the highest-weighted candidate link with a weight above the threshold suggested by EM estimation. We compare linkage rates and quality and differences in weight and threshold estimations between clear-text and PPRL linkages ResultsClear-text and PPRL methods resulted in 97% and 90% linkage rates, respectively. Approximately 67% of records in the linked datasets contained a nominally unique ID. Records with a unique ID linked at higher rates (>99% for both clear-text and PPRL) while the linkage rate for records missing the ID differed substantially (92% /70% for clear-text/PPRL). Comparing PPRL linkage to the clear-text linkage, we obtain F-measures of 0.99 and 0.80 for records with and without the unique ID, respectively. Conclusion / ImplicationsLinkage performance may be attributable to differences in comparison operators between the two methods. Bloomed fields compared with Dice coefficient allow for partial matching but may not be as sensitive as clear-text string comparisons. Numerical comparisons in PPRL are exact matches while clear-text comparisons allow for more sophisticated matching. Further refinements in PPRL are being explored to improve these results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,078 | 0,194 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».