Sharing traumatic stress research data: assessing and reducing the risk of re-identification
Notice bibliographique
Résumé
Background: FAIR Data practices support data sharing and re-use and are essential for advancing science and practice to benefit individuals, families, and communities affected by trauma. In traumatic stress research, as in other health and social science research, ethical, legal, and regulatory frameworks require careful attention to data privacy. Most traumatic stress researchers are aware of basic methods for de-identifying/anonymising datasets that are to be shared. But our field has not generally made use of systematic, data analytic approaches to reduce the risk of re-identification of study participants or disclosure of personal or sensitive information.Objective: To facilitate safe and ethical data sharing by better preparing traumatic stress researchers to systematically assess and reduce re-identification risk using contemporary data analytic methods.Method: In two case studies using publicly available trauma research datasets from international, multi-language projects, we applied a systematic approach guided by the Checklist for Reducing Re-Identification Risk in Traumatic Stress Research Data.Results: For each case study dataset, we identified specific recommended actions to further reduce the risk of re-identification, and we then communicated these recommendations to the original investigators. After implementing the recommended changes, each dataset is judged to be at very low re-identification risk.Discussion: The particular nature of traumatic stress research, i.e. its content, data, and study designs, can influence the likelihood and potential impact of re-identification or disclosure. The two worked case examples in this paper demonstrate the utility of applying a systematic approach to assess and further mitigate re-identification risk in shared datasets. At each stage of the research data lifecycle, there are research practices and choices relevant to reducing re-identification risk. This paper presents practical tips for research teams to facilitate FAIR data practices while attending to data privacy.
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 | 0,595 | 0,791 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,014 | 0,008 |
| Études des sciences et des technologies | 0,017 | 0,020 |
| Communication savante | 0,015 | 0,027 |
| Science ouverte | 0,010 | 0,040 |
| Intégrité de la recherche | 0,008 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».