Dokument in einer anderen Sprache anonymisieren: Namen, Daten und Nummern, die sich ändern

In einer anderen Sprache bleibt die Methode gleich: Sie listen auf, was Personen identifiziert, suchen danach, schwärzen es und prüfen das Ergebnis. Die Formen ändern sich: Ein Name kann Endung, Reihenfolge oder Schrift wechseln, ein Datum einen anderen Kalender oder andere Ziffern nutzen. Eine Suche nach nur einer Form übersieht die anderen, also suchen Sie jede Form.

Warum übersieht die Namenssuche Namen in einer anderen Sprache?

Ein Name ist in jeder Sprache und Schrift ein personenbezogenes Datum. Artikel 4 Nummer 1 der DSGVO, der EU-Verordnung, nennt einen Namen und eine Kennnummer als Beispiele für Kennungen. Die Muster unten folgen dem W3C-Artikel über Personennamen, der warnt, dass echte Namen oft komplizierter sind.

Wie verändern Endungen und Geschlecht einen Familiennamen?

Stellen Sie sich Erika Mustermann vor, die in einem polnischen Vertrag Namen schwärzt. Sie sucht nach „Kowalski“ und findet die Unterschriftszeile. Die Klauseln mit „Kowalskiego“ oder „Kowalskiemu“ übersieht sie. Polnische und tschechische Namen ändern sich mit ihrer Rolle im Satz, das nennt man Deklination. Eine Studie in Polonica, einer Zeitschrift des Instituts für polnische Sprache, sagt: Familiennamen auf -ski, -cki oder -dzki werden wie Adjektive dekliniert.

Das Geschlecht bringt eine zweite Änderung. Im Russischen zeigen laut W3C die Endungen von Vatersname und Familienname, ob die Person ein Mann oder eine Frau ist. Im Tschechischen erhält der Name einer Frau normalerweise eine weibliche Form, etwa Nováková zu Novák. Seit dem 1. Januar 2022 kann eine Frau laut dem tschechischen Innenministerium im Personenstandsregister die unveränderte männliche Form verlangen, ohne besonderen Grund. Suchen Sie daher beide Formen.

Suchen Sie den Wortstamm, den unveränderlichen Teil. „Kowalsk“ findet Kowalski, Kowalskiego und Kowalska. „Novák“ findet Nováka und Nováková. Lesen Sie jeden Treffer, denn ein kurzer Stamm findet auch andere Wörter. Suchen Sie auch die Grundform: Der Autor der Studie merkt an, dass Rechtstexte und amtliche Schreiben sie meist verwenden. Eine Stammsuche ist ein Netz, keine Garantie.

Was gilt, wenn eine Person auf zwei Arten geschrieben wird?

Ein Reisepass bringt eine zweite Schreibweise. Die ICAO, die Internationale Zivilluftfahrt-Organisation, legt den Standard für Pässe in ihrem Dokument 9303 fest. In der maschinenlesbaren Zone (den Zeilen, die Scanner lesen) nutzen Namen nur die Buchstaben A bis Z. Für einen Buchstaben empfiehlt die ICAO mehrere Varianten. So kann Jörg Müllerhoff dort als MUELLERHOFF und JOERG oder als MULLERHOFF und JORG stehen. Beim Russischen macht die ICAO aus Ж ZH und aus Щ SHCH.

Die Schreibweise hängt auch vom Schreibenden ab. Der Anhang der ICAO zählt 32 Arten, den einen Namen Muhammad in lateinischen Buchstaben zu schreiben. Er merkt auch an, dass das Englische Omar Khayyam schreibt, wo das Deutsche Omar Chajjam schreibt. Im Japanischen können laut W3C vier verschiedene Familiennamen in lateinischen Buchstaben alle Shōji lauten. Die lateinische Form verbirgt, welcher gemeint ist.

Wie ändern sich Daten, Nummern und Adressen?

Das Europäische Patentamt (EPA) schreibt, dass Kaiserjahre in Japan überall vorkommen, besonders in amtlichen Dokumenten. Thailändische Patente geben ihre Daten laut EPA nur in buddhistischen Jahren an. Hier steht der 8. Oktober 2026 in fünf gängigen Formen.

Rechnen Sie, bevor Sie suchen: Das EPA nennt Reiwa plus 2018 oder buddhistisches Jahr minus 543 als Weg zum westlichen Jahr. Die Sprach- und Regionsdaten von Unicode führen arabisch-indische und persische Ziffern als eigene Zeichen, darum findet eine einfache Suche nach 2026 keine von beiden.

Arabische Dokumente können auch den Hidschra-Kalender nutzen, der dem Mond folgt. Laut EPA lässt sich ein Hidschra-Jahr nicht direkt umrechnen.

Adressen können rückwärts laufen. Laut Weltpostverein (UPU) steht eine japanische Adresse in der Regel vom größten Gebiet zum kleinsten, und Straßennamen werden nicht verwendet. Eine chinesische Adresse in chinesischer Schrift beginnt mit der Provinz, die Fassung in lateinischer Schrift läuft umgekehrt. Schwärzen Sie den ganzen Adressblock samt Postleitzahl.

Wie prüfen Sie ein gescanntes Dokument in einer anderen Sprache?

Ein reiner Scan enthält keinen Text, bis die OCR (optische Zeichenerkennung) ihn liest, und die OCR braucht die richtige Sprache. Die Tesseract-Dokumentation erklärt, dass man eine Sprache wählt oder mehrere, durch ein Pluszeichen verbunden, und dass Englisch gilt, wenn man keine wählt.

Schrift von rechts nach links bringt eine weitere Falle. Das W3C erklärt, dass Text in logischer Reihenfolge gespeichert, aber in visueller Reihenfolge angezeigt wird. Zahlen in arabischem Text laufen trotzdem von links nach rechts. Testen Sie daher, bevor Sie vertrauen: Suchen Sie einen Namen oder eine Zahl, die Sie sehen. Bleibt die Suche leer, trauen Sie der Suche auf dieser Seite nicht. Seiten mit mehreren Schriften brauchen einen Test pro Schrift.

ONYRI Sanitize läuft in Ihrem Browser. Es findet Ausweisnummern, Telefonnummern und Datumsangaben aus 47 Ländern, dazu Postleitzahlen und Straßenadressen in fast allen davon (für das Vereinigte Königreich und Belgien gibt es keine Erkennung von Straßenadressen). Es liest auch arabische, persische und andere Ziffernsysteme. Die OCR auf dem Gerät liest Englisch, Französisch und Deutsch, dazu die Sprache Ihres Browsers, wenn sie zu etwa dreißig weiteren gehört. Grenze: Bei Polnisch, Tschechisch, Russisch, Japanisch oder Koreanisch wird ein einzelner Name nur geschwärzt, wenn ein Titel oder eine Feldbezeichnung davorsteht oder er in einer Unterschrift steht.

Welche Schritte führen bei einem Dokument zum Ziel, das Sie nicht lesen?

1. Suchen Sie jemanden, der die Sprache kennt.
2. Listen Sie jede Person und jede Firma mit allen Formen auf: Originalschrift, lateinische Buchstaben, Schreibweise im Pass, Kurzformen, Endungen beider Geschlechter.
3. Suchen Sie jede Form, dann den Wortstamm. Lesen Sie jeden Treffer im Satz.
4. Suchen Sie Zahlen in jedem Ziffernsystem. Lesen Sie Daten im Kalender des Dokuments.
5. Schwärzen Sie jede Adresse als einen Block. Suchen Sie bei Scans ein Wort, das Sie sehen, in jeder Schrift.
6. Schwärzen Sie von Hand, was keine Suche findet: Unterschriften, Stempel, Handschrift, einzelne Namen.
7. Prüfen Sie die exportierte Datei, nicht den Bildschirm. Sehen Sie jede Seite für jede Form an, und durchsuchen Sie sie auch, wenn der Text noch auswählbar ist.

Häufige Fragen

Quellen und Verweise