Anonimizer – Kutatási terv

Munkacím: Kontextusérzékeny álnevesítés magyar nyelvű pszichológiai szövegekhez nagy nyelvi modellekkel végzett elemzés előtt

Állapot: tervezet, 2026. november · Helyszín: Szeged

1. Összefoglaló

A pszichológiai kutatásban és a terápiás gyakorlatban egyre többen használnának nagy nyelvi modelleket (LLM) interjúátiratok elemzésére, kvalitatív kódolásra vagy dokumentációra. A legjobb modellek felhőben futnak, a terápiás szöveg viszont a legérzékenyebb egészségügyi adatok közé tartozik. Magyar nyelven nincs olyan nyílt, mért pontosságú eszköz, amely ezt a szöveget megbízhatóan álnevesíti, majd a modell válaszába helyesen visszaállítja az eredeti adatokat.

A kutatás célja egy helyben futó, háromrétegű álnevesítő és kockázatelemző rendszer kifejlesztése és mérése magyar pszichológiai szövegekre. A rendszer felméri:

• mennyire találja meg a direkt és a kvázi-azonosítókat;
• mennyire rontja az álnevesítés az LLM-elemzés minőségét;
• mennyire állítható vissza helyesen a ragozott magyar szöveg;
• mekkora a maradék visszaazonosítási kockázat.

Tervezett kimenetek: nyílt, szintetikus magyar benchmark-korpusz; nyílt forráskódú álnevesítő könyvtár; legalább két publikáció; a kutatócsoportok etikai kérelmeihez felhasználható dokumentációs csomag.

2. Háttér

• Magyar NLP-alapok. A HuSpaCy a Szegedi Tudományegyetem Informatikai Intézetében készült ipari minőségű magyar szövegfeldolgozó (Orosz, Szántó, Berkecz, Szabó, Farkas). Tartalmaz névelem-felismerőt (NER), amelyet a NYTK-NerKor és a Szeged NER korpuszon tanítottak.
• Klinikai azonosító-felismerés. A Debreceni Egyetem kutatói (Berzi és mtsai, 2025) spaCy-alapú modelleket tanítottak magyar klinikai szövegek személyes adatainak felismerésére: 15 000+ dokumentum, 90 000+ azonosító, 10 kategória, validációs F1 0,977–0,987. A modellek és az adatok nem nyilvánosak.
• Magyar álnevesítés ragozással. A HUN-REN NYTK kutatói (Hatvani, Laki, Yang) NER-t, morfológiai elemzést és generálást kötöttek össze, hogy az álnevesített szöveg folyékony maradjon.
• A rés. A meglévő munkák orvosi leletekre, jogi vagy hírszövegekre készültek. Terápiás és interjús beszédre egyik sem. Ott a fő kockázat nem a név, hanem a kvázi-azonosító: ritka foglalkozás, egyedi életesemény, családszerkezet, kisváros. A visszacserélés és a downstream LLM-hasznosság mérése sincs megoldva magyar nyelvre.

3. Kutatási kérdések

4. Adatok

4.1 Szintetikus korpusz (nyílt). Pszichológusok által írt forgatókönyvek alapján, LLM-mel generált és szakértők által átnézett terápiás ülés- és interjúrészletek, beépített kitalált azonosítókkal. Tervezett méret: 1500–3000 szövegrészlet. Mivel minden azonosító kitalált, az eredeti szöveg is elküldhető a felhőmodellnek. Ez teszi lehetővé a K2 mérését.

4.2 Valós kutatási átiratok (zárt). Együttműködő kutatócsoport meglévő interjúi, saját etikai engedéllyel és a résztvevők beleegyezésével. Csak helyben dolgozzuk fel, felhőbe csak álnevesített formában kerülhetnek. Ez szolgál a K1, K3 és K5 valós validációjára.

4.3 Annotációs séma.

• Direkt azonosítók: név, cím, település, intézmény, munkahely, dátum, életkor, telefonszám, e-mail, TAJ- és egyéb azonosító szám.
• Kvázi-azonosítók: foglalkozás, ritka életesemény, családi helyzet, egészségügyi esemény időponttal, egyedi hobbi vagy közéleti szerep.
• Érzékeny tartalom: diagnózis, gyógyszer, kezelés (ezt nem cseréljük le, de jelöljük).

Két független annotátor dolgozik, egyezés: Cohen κ. Az eltéréseket harmadik annotátor dönti el.

5. Módszer

5.1 A rendszer.

1. Szabályalapú réteg: reguláris kifejezések, ellenőrzőösszeg, helynévlista.
2. NER-réteg: HuSpaCy, finomhangolva a korpuszon.
3. Kontextuális réteg: helyi LLM a kvázi-azonosítók felismerésére és általánosítására.
4. Visszacserélő: morfológiai elemzés és generálás a ragozott alakokhoz.
5. Kockázati kapu: helyi LLM és szabályok a küldés előtt.

5.2 Kísérletek.

• E1 (K1): a rétegek önmagukban és kombinálva, a szintetikus és a valós teszthalmazon.
• E2 (K2): három stratégia × két feladat (kvalitatív kódolás, ülés-összefoglaló). Az eredeti szövegen kapott eredmény a referencia, csak a szintetikus korpuszon.
• E3 (K3): visszacserélés gépi és emberi értékeléssel.
• E4 (K4): egy erős LLM-et utasítunk, hogy a háttérismereteiből azonosítsa a személyt. Ehhez kitalált, de egyedi életutakat ültetünk el a szintetikus korpuszban.
• E5 (K5): a kapu kiértékelése szándékosan hibás álnevesítéseken.

5.3 Helyi modellek. HuSpaCy (CPU) és nyílt súlyú, magyarul is jól teljesítő LLM-ek, köztük a PULI-család modelljei. A modellválasztás maga is eredmény: milyen hardveren fut elfogadható sebességgel egy terápiás stúdióban?

6. Munkacsomagok és ütemezés (24 hónap)

7. Lehetséges partnerek (megkeresendők)

• SZTE Informatikai Intézet, nyelvtechnológiai csoport (HuSpaCy): NER, finomhangolás, korpuszépítés. Szegedi bázisként a természetes első partner.
• SZTE pszichológiai oktatói és kutatói: forgatókönyvek, annotáció, pilot, etikai keret.
• Debreceni Egyetem (Berzi és mtsai): klinikai PII-modellek, összehasonlító mérés.
• HUN-REN NYTK: morfológiai generálás, PULI modellek.

A konferencia-megjelenés kézenfekvő helye a szegedi Magyar Számítógépes Nyelvészeti Konferencia (MSZNY).

8. Etika és adatvédelem

• A valós adatot használó vizsgálatok saját kutatásetikai engedéllyel futnak (intézményi bizottság vagy ETT TUKEB, a vizsgálat jellegétől függően).
• A valós átiratok csak helyben futnak. Felhőbe csak álnevesített formában kerülhetnek, és csak a kapu jóváhagyása után.
• A résztvevők tájékoztatása kitér az MI használatára.
• A szintetikus korpusz nyilvános. A valós adat és a kódtábla nem hagyja el a partnerintézményt, a kódtáblát a vizsgálat végén töröljük.
• Adatvédelmi hatásvizsgálat (DPIA) a valós adatos munkacsomagokhoz.

9. Kimenetek és hasznosítás

• Nyílt benchmark: az első magyar pszichológiai álnevesítési korpusz.
• Nyílt forráskódú könyvtár (az álnevesítő és a visszacserélő magja).
• Publikációk: MSZNY, nemzetközi NLP-konferencia (pl. LREC-COLING) vagy folyóirat (pl. Frontiers in AI).
• Dokumentációs csomag kutatócsoportoknak (adatfolyam, DPIA-sablon, mért pontosság).
• Az üzleti hasznosítás az Anonimizer termékben történik (lásd az üzleti tervet). A nyílt mag és a zárt termék határát a konzorciumi szerződés rögzíti.

10. Kockázatok

11. Finanszírozás (ellenőrizendő)

• Egyetemi–ipari konzorcium hazai K+F pályázatokra (NKFIH-konstrukciók).
• Doktori vagy hallgatói kutatási témák (szakdolgozat, TDK, PhD).
• Saját forrás a termékfejlesztésből.

A konkrét pályázati kiírásokat és határidőket a beadás előtt ellenőrizni kell.

Források

• Orosz Gy. és mtsai: HuSpaCy: an industrial-strength Hungarian natural language processing toolkit
• Orosz Gy. és mtsai: Advancing Hungarian Text Processing with HuSpaCy
• Berzi A. és mtsai (2025): Hungarian clinical PII de-identification, Frontiers in Artificial Intelligence
• Hatvani P., Laki L. J., Yang Z. Gy.: Pseudonymization for Hungarian, Annales Mathematicae et Informaticae
• HUN-REN NYTK Nyelvtechnológiai Kutatócsoport