Skip to content

Ethik des Tastenanschlag-Loggings

Einwilligung, IRB-Prüfung, Aufbewahrung und Rechte der Teilnehmenden beim Tastenanschlag-Logging in Potato: was die Daten verraten können und wie sich Schreibprozess-Markierungen fair einsetzen lassen.

Tastenanschlag-Logging zeichnet auf, wie Ihre Annotatoren schreiben. Das sind Verhaltensdaten über identifizierbare Menschen, und damit gehen Pflichten einher, die die technische Dokumentation nicht abdeckt.

Diese Seite richtet sich an die Person, die die Funktion einsetzt. Sie ist keine Rechtsberatung und ersetzt nicht die Prüfung durch Ihre eigene Institution.

Nichts davon greift, solange Sie die Funktion nicht einschalten. keystroke_logging.enabled ist standardmäßig false, und ein Upgrade ändert das nicht.

Was Sie tatsächlich erheben

Potatos Ströme sind inhaltsblind. Sie halten fest, dass ein Zeichen eingefügt wurde, wann, an welcher Stelle im Feld und welche Klasse von Taste es erzeugt hat, aber nie, welches Zeichen es war. Aus einem Strom lässt sich der Text nicht rekonstruieren.

Das ist ein spürbarer Schutz der Privatsphäre, und es ist nicht dasselbe, wie dass die Daten nicht identifizierend wären.

Zeitmuster sind ein Biometrikum

Tastenanschlagsdynamik, also die Verteilung der Abstände zwischen Tastenanschlägen, der Haltezeiten und der Digraph-Latenzen, ist ein gut belegtes Verhaltensbiometrikum. Damit lassen sich Einzelpersonen identifizieren und Konten über Kontexte hinweg verknüpfen. Potato tut das nicht und stellt dafür auch keine Werkzeuge bereit, aber die zugrunde liegenden Daten tragen es.

Behandeln Sie einen Tastenanschlagsstrom wie jedes andere Verhaltensbiometrikum: als identifizierend, als etwas, das eine Aufbewahrungsfrist braucht, und als etwas, das eine Einwilligung erfordert.

Was sich über die Urheberschaft hinaus ableiten lässt

Zeitdaten wurden in der Forschung genutzt, um auf Tippfertigkeit, Sprachkompetenz und Zweitsprachlichkeit, auf kognitive Belastung und Ermüdung und in einigen Literaturen auf motorische und neurologische Erkrankungen zu schließen. Potato berechnet nichts davon, aber die Daten, die Sie aufbewahren, würden solche Analysen tragen, und Ihre Teilnehmenden rechnen damit kaum, wenn sie einer „Annotationsaufgabe“ zustimmen.

Sagen Sie, was Sie erheben. Verlassen Sie sich nicht darauf, dass eine allgemeine Klausel über „Nutzungsdaten“ das abdeckt.

Offenlegung

disclose_to_annotators ist standardmäßig true. Abschalten erzeugt beim Start eine Warnung:

yaml
keystroke_logging:
  disclose_to_annotators: false   # logs a warning; make sure your IRB covers this

Es gibt legitime Gründe für eine nicht offengelegte Erhebung, denn manche Studiendesigns werden ungültig, wenn man Teilnehmenden sagt, was gemessen wird. Das ist eine Entscheidung der Ethikkommission und keine Bequemlichkeit der Konfiguration. Wenn Sie die Offenlegung abschalten, sollten Sie auf die Genehmigung verweisen können, die das erlaubt.

Musterformulierung für die Einwilligung

Passen Sie das an Ihr Protokoll an. Es ist ein Ausgangspunkt und kein Textbaustein zum ungelesenen Einfügen.

Wie Sie schreiben, wird aufgezeichnet, nicht nur was Sie schreiben.

Während Sie Ihre Antworten tippen, zeichnet diese Studie das Timing Ihres Tippens auf: wann Sie beginnen und aufhören, wie lange Sie pausieren, wann Sie zurückgehen und überarbeiten und wann Sie Text von anderswo einfügen. Aufgezeichnet werden das Timing und die Struktur Ihres Tippens, nicht die einzelnen Tasten, die Sie drücken. Aus der Aufzeichnung lässt sich nichts von dem wiederherstellen, was Sie getippt haben, außer den Antworten, die Sie absenden.

Das dient dazu, zu verstehen, wie Menschen die Aufgabe bearbeiten, und die Qualität der erhobenen Daten zu prüfen.

[Falls zutreffend:] Diese Messungen können genutzt werden, um Antworten zu erkennen, die anderswo kopiert oder erzeugt und nicht von Ihnen geschrieben wurden.

[Falls zutreffend:] Die Aufzeichnungen werden als Teil eines anonymisierten Forschungsdatensatzes geteilt.

Sie können jederzeit die Löschung Ihrer Daten verlangen, indem Sie sich an [ ] wenden.

Die eingeklammerten Sätze sind wichtig. Wenn Sie Markierungen für Entscheidungen über Bezahlung oder Ausschluss nutzen wollen, sagen Sie das, bevor die Arbeit beginnt, und nicht, nachdem Sie jemanden markiert haben.

Markierungen fair einsetzen

Die Schreibprozess-Erkennung erzeugt Markierungen mit Belegen. Wie Sie sie einsetzen, liegt in Ihrer Verantwortung.

Tun Sie das:

  • Behandeln Sie eine Markierung als Anlass hinzusehen, nicht als Befund.
  • Lesen Sie die Belege pro Sitzung, nicht nur das Urteilslabel.
  • Geben Sie dem Annotator Gelegenheit zur Erklärung, bevor Sie handeln.
  • Berücksichtigen Sie die bekannten Falsch-Positiven: mobile Tastaturen, IME-Nutzung, Diktat, assistive Technik und schnelle Schreibkräfte.
  • Halten Sie Ihre Entscheidungsregel vorab in Ihrem Protokoll fest.

Tun Sie das nicht:

  • Markierungen an automatische Ablehnung, das Einbehalten von Bezahlung oder Sperren koppeln.
  • Den kalibrierten Rand als Fehlverhalten deuten. Eine Perzentilgrenze markiert einen festen Anteil jeder Population, auch einer vollkommen ehrlichen.
  • Risikowerte pro Annotator so veröffentlichen, dass sie Einzelne identifizieren.
  • Markierungen für Aussagen über eine Person jenseits der Urheberschaft einer Antwort verwenden. Die Daten tragen keine Schlüsse über ihre Kompetenz, ihren Einsatz oder ihren Charakter.

Das Grundratenproblem

Wenn 5 % Ihrer Antworten aus einem Chatbot eingefügt sind und Ihre Regel 5 % der Sitzungen markiert, kann das meiste, was Sie markieren, trotzdem ehrliche Arbeit sein, je nachdem, wie gut die Regel die beiden trennt. Auf einer Plattform, auf der echtes Fehlverhalten selten ist, erzeugt eine Regel schon mit einer kleinen Falsch-Positiv-Rate mehr falsche Beschuldigungen als echte Treffer. Schätzen Sie Ihre Grundrate ab, bevor Sie eine Regelung auf die Markierungen setzen.

Rechte der Teilnehmenden

Löschung

Die Ströme und Zusammenfassungen einer teilnehmenden Person entfernen:

python
from potato import typing_store
typing_store.delete_for_user(task_dir, project, user_id)

Das leert typing_sessions. Die nach <output_annotation_dir>/<user>/user_state.json unter typing_summaries gespiegelten Zusammenfassungen müssen Sie gesondert entfernen, wenn Sie ein vollständiges Löschverlangen erfüllen wollen.

Datenminimierung

Erheben Sie so wenig, wie Ihre Frage beantwortet:

yaml
keystroke_logging:
  fidelity: summary               # features only, no raw streams retained
  include_schemas: [rationale]    # instrument one field, not every box
  classify_paste_source: false    # skip clipboard comparison entirely

Aufbewahrung

Potato lässt Daten nicht ablaufen. Wenn Ihr Protokoll eine Aufbewahrungsfrist zusagt, löschen Sie die Ströme selbst, sobald sie abgelaufen ist. Nach der Analysephase auf fidelity: summary umzustellen ist ein vertretbarer Mittelweg: Die aggregierten Merkmale bleiben, das biometrische Detail fällt weg.

Weitergabe und Veröffentlichung

Wenn Sie Tastenanschlagsdaten als Teil eines Datensatzes veröffentlichen:

  • Ersetzen Sie Nutzer-IDs durch studienspezifische Pseudonyme, die sich nicht auf Plattform-IDs zurückführen lassen. Worker-IDs von Prolific und MTurk sind Identifikatoren, keine Pseudonyme.
  • Überlegen Sie, ob das Timing auf Sitzungsebene nötig ist oder ob zusammenfassende Merkmale reichen. Zusammenfassungen sind weit weniger re-identifizierend als Ströme.
  • Prüfen Sie, ob Ihre Einwilligung die Weitergabe abdeckt und nicht nur die Erhebung.
  • Die Hashes der Einfügungen sind pro Sitzung gesalzen und nicht umkehrbar, aber sie verraten, dass derselbe Text zweimal eingefügt wurde. Entscheiden Sie, ob diese Verknüpfung in einer öffentlichen Veröffentlichung vertretbar ist.

Genau deshalb sind Potatos Exporte Opt-in. export_include_typing_dynamics und der Exporter keystrokes sind beide standardmäßig aus, damit Verhaltensdaten nie versehentlich in einer Datensatzveröffentlichung landen.

Hinweise zu Rechtsräumen

Keine Rechtsberatung. Hier steht, was erfahrungsgemäß relevant wird.

DSGVO und UK GDPR. Zeitmuster, die eine Person identifizieren können, sind personenbezogene Daten. Wenn Sie sie nutzen, um Einzelne herauszugreifen, prüfen Sie, ob Artikel 22 (automatisierte Entscheidungen im Einzelfall) greift, besonders wenn eine Markierung die Bezahlung beeinflusst. Die Einwilligung muss spezifisch und informiert sein, und eine allgemeine Zustimmung zu Nutzungsbedingungen dürfte nicht genügen.

Institutionelle Prüfung in den USA. Das ist in der Regel Forschung am Menschen. Manche IRBs behandeln Tastenanschlagsdynamik als biometrischen Identifikator, was die Prüfkategorie ändern kann.

Crowdsourcing-Plattformen. Prolific, MTurk und ähnliche Plattformen haben eigene Regeln zur Beobachtung von Teilnehmenden und zur Ablehnung von Arbeit. Prüfen Sie die Richtlinie der Plattform, bevor Sie jemanden aufgrund einer Markierung ablehnen. Mehrere verlangen, dass Sie eine Ablehnung gegenüber der arbeitenden Person begründen können.

Weiterführende Informationen

Implementierungsdetails finden Sie in der Quelldokumentation.