Læringsdata uten å ofre personvern

Etter hvert som utdanning blir stadig mer datadrevet, gir læringsanalyse nye muligheter til å forbedre undervisning og læring gjennom bruk av store mengder studentdata. Samtidig reiser bruken av detaljerte og sensitive data viktige spørsmål knyttet til personvern og databeskyttelse.

I sin doktorgradsavhandling undersøker Liu hvordan personvernrisiko oppstår gjennom hele prosessen for læringsanalyse, og hvordan disse kan håndteres ved hjelp av personvernfremmende teknologier (Privacy-Enhancing Technologies, PETs).

Avhandlingen gir en systematisk kartlegging av personvernutfordringer gjennom hele datapipelinen, fra datainnsamling til analyse og rapportering, og viser at risiko akkumuleres på tvers av stadier og er vanskelig å håndtere med tradisjonelle tilnærminger.

Liu undersøker videre hvordan teknologier som syntetiske data og differensielt personvern kan redusere disse risikoene. Funnene viser at syntetiske data kan redusere personverntrusler samtidig som de opprettholder analytisk verdi, selv om avveininger avhenger av konteksten.

For å støtte praktisk anvendelse introduserer avhandlingen DEFLA-rammeverket (Differential privacy framework for learning analytics) for implementering av differensielt personvern i reelle systemer, og utforsker hybride tilnærminger som kombinerer flere metoder. Arbeidet bidrar til å utvikle læringsanalyse som ikke bare er datadrevet, men også personvernbevisst, og støtter en mer pålitelig og bærekraftig bruk av data i utdanning.

Personalia

Qinyi Liu (f. 1998) har bakgrunn i både informatikk og samfunnsvitenskapelige metoder. Doktorgradsarbeidet ble gjennomført ved Centre for the Science of Learning & Technology (SLATE), Det psykologiske fakultet, Universitetet i Bergen. Hovedveileder for avhandlingen er professor Mohammad Khalil, med professor Małgorzata Cyndecka som medveileder.