Auswahl an Strategien zum Verändern/Maskieren personenbezogener Informationen
- Ersetzen/Maskieren durch Merkmale mit vergleichbarer Bedeutung oder durch Platzhalter
- Ersetzen durch Umschreiben/Abstrahierung/Generalisierung/Vergröberung: Abstrahieren von detaillierten Informationen in allgemeinere Begriffe, z.B. Vergröberung von Orts- bzw. Regionalangaben
- Aggregation von Informationen/Werten: (z.B. durch Gruppierung von Werten eines Merkmals in allgemeinere Kategorien; Verringerung von detailreichen personenbezogenen Informationen durch Ersetzung mit Angaben auf einer höheren inhaltlichen Abstraktionsebene; Rundung; generalisierende Werte), z. B. Bildung von Einkommens- oder Altersgruppen
Anwendungsbeispiel:
Bitte beachten Sie:
Es handelt sich bei der folgenden Tabelle um ausgewählte Beispiele, um deutlich zu machen, welche Abstraktionen möglich sind und Anregungen dazu zu schaffen, sich als forschende Person über den Grad der Abstraktion im Vorfeld Gedanken zu machen. Die unterschiedlichen Vorgehen 
sind nicht immer voneinander trennbar.
Welches Pseudonymisierungsverfahren für das Projekt bzw. für die einzelnen personenbezogenen/personenbeziehbaren Daten geeignet ist, liegt dabei im Ermessen der Forschenden. Natürlich gibt es in der Realität Mischverfahren, da für die personenbezogenen/personenbeziehbaren Daten nicht immer das gleiche Maß an Abstraktion notwendig bzw. für das Forschungsinteresse zielführend ist. Der Anspruch dabei ist möglichst treffende Pseudonyme zu finden, welche keine inhaltlich schwerwiegenden Verzerrungen herbeiführen. Es kann durchaus sehr anspruchsvoll und ressourceneinnehmend sein, eine gute Strategie zu entwickeln. Planen Sie daher genügend Zeit für diesen Prozess ein.
Besonders beachtet werden sollte dabei, dass bereits vor dem Prozess der Pseudonymisierung eine Tabelle (Pseudonymisierungsprotokoll) erstellt wird, in der die Pseudonyme festgelegt sind. Dabei spielt es keine Rolle, ob eine oder mehrere Forschende an dem Projekt beteiligt sind. Eine solche Form der Dokumentation für das Vermeiden von doppelten oder falschen Pseudonymen sowie eine spätere Nachvollziehbarkeit ist in jedem Fall hilfreich. Eine adäquate Pseudonymisierung ist für die Forschung gehaltvoll in Bezug auf die Informationen und entsprechen gleichzeitig den Vorgaben der DSGVO und forschungsethischen Richtlinien.
Stellen Sie sich vor, in einem narrativen Biographieinterview erzählt eine Person folgendes:
„Als ich damals als Sozialarbeiter in Hannover gearbeitet habe, hat Frau Kaya – das war damals, ich glaube so 2003 die Leitung der Einrichtung – viele Konflikte mit allen Kolleg*innen gehabt aufgrund ihrer Depression.“
Farbcode:
grün → starke Abstraktion
orange → mittelstarke Abstraktion
rot → mittelstarke bis schwache Abstraktion
| Kategorie personenbezogene Daten/Merkmal: | Original |
Kodierung Das Identifikations-merkmal wird durch ein einen Code, bestehend aus einer Buchstaben- oder Zahlenkombination ersetzt. |
Randomisierung Randomisierung geschieht z. B. durch das Hinzufügen kleiner zufälliger Änderungen in den Daten. |
Paraphrasierung Die sachliche Wiederholung einer empfangenen Botschaft mit den eigenen Worten. |
Ersetzen von Merkmalen durch Platzhalter Ersetzung des Identifikationsmerkmals durch einen allgemeinen Überbegriff. |
relationale Ersetzung Ersetzung des Identifikationsmerkmals durch einen Überbegriff, welcher in Bezug auf die interviewte Person steht. |
Pseudonym Der gleichwertige Austausch von Identifikationsmerkmalen oder auch eine generischere Ersetzung plus Nummerierung. |
Aggregation/Generalisierung Daten verschiedener Personen werden zusammengeführt und mit einem Oberbegriff betitelt, somit entsteht eine „Datengruppe“. |
kontextuale Ersetzung
|
genderneutrale Ersetzung
|
| Berufsbezeichnung | Sozialarbeiter | 8312 (nach Klassifikation der Berufe 2010) | Sozialpädagogin | Interviewpartner*in erzählt von einer Situation mit einer anderen Person innerhalb eines Lohnarbeitskontexts. | Beruf | ausgeübter Beruf | Pflegekraft oder Beruf1 | Sozial- und Pflegeberuf | ein sozialer Beruf | Sozialarbeiter*in |
| Arbeitsort | Hannover | Berlin | Ort | damaliger Arbeitsort | Mainz oder Stadt3 | Westdeutschland | eine Großstadt/Hauptstadt in Westdeutschland | |||
| Nachname | Kaya | N4 (eigene Kodierung) | Person | Yildiz oder Name2 | ||||||
| Geschlecht | Frau | Herr | Person | Herr/Frau | ||||||
| Zeitangabe | 2003 | 2004 | Zeitangabe | Zwischen 2000 und 2010 | ||||||
| Beruflicher Status | Leitung | 1C (eigene Kodierung) | Status | Vorgesetzte | Leiter:in | |||||
| Gesundheitsdaten | Depression | ICD-10 F32 | Interviewpartner*in erzählt von der Erkrankung einer vorgesetzten Person. | psychische Erkrankung | Burn Out | Erkrankung |
Wenn Sie sensible personenbezogene Daten erhoben haben (z. B. Gesundheitsdaten: Depressionserkrankung von Frau Kaya), welche aber keine Relevanz zur Forschungsfrage haben oder die Forschungsteilnehmenden darum gebeten haben, diese Informationen nicht weiterzugeben, dann bietet es sich an, diesen Abschnitt komplett zu löschen und als Anmerkung „Aus datenschutzrechtlichen Gründen gelöscht.“ an die entsprechende Stelle zu setzen.
Sensible personenbezogene Daten sind (laut DSGVO Artikel 9):
- Informationen zur rassischen und ethnischen Herkunft
- politische Meinungen
- religiöse oder weltanschauliche Überzeugungen
- Gewerkschaftszugehörigkeit
- genetische Daten
- biometrischen Daten zur eindeutigen Identifizierung einer natürlichen Person
- Gesundheitsdaten
- Daten zum Sexualleben oder der sexuellen Orientierung
Audiodateien: grundsätzlich empfiehlt sich ein sofortiges Löschen direkt nach der Transkription; relativ aufwändige Alternativen sind: Verzerrung der Stimmen, Pieptöne oder Rauschen über entsprechende Stellen legen
Videoaufnahmen: auch hier empfiehlt es sich grundsätzlich, die Aufnahme nach der Analyse zu löschen; Alternativen: Verpixelung, schwarze Balken
Es existieren technische Möglichkeiten, um solche Maßnahmen der Pseudonymisierung wieder rückgängig zu machen!
Weiterführende Links und Literatur:
Eine weitere, gute Step by Step Anleitung für Anonymisierung finden Sie beim UK Data Service.
Forschungsdateninfo: zum Thema Datenschutz und Anonymisierung → https://forschungsdaten.info/themen/rechte-und-pflichten/datenschutzrecht/
Forschungsdaten Bildung: zum Thema Datenschutz und Anonymisierung → https://www.forschungsdaten-bildung.de/datenschutzrechtliche-aspekte#Anonymisieren-und-Pseudonymisieren
Meyermann, Alexia; Porzelt, Maike (2014): Hinweise zur Anonymisierung von qualitativen Daten
Mozygemba, Kati; Hollstein, Betina (2023): Anonymisierung und Pseudonymisierung qualitativer textbasierter Forschungsdaten – eine Handreichung. With assistance of Universität Bremen, updated on 20