Safe Haven & Daten-Architektur

Executive Summary (English) The „Spiegelwelten“ project implements a Safe Haven architecture to ensure maximum data privacy and GDPR compliance.

• On-Device Processing: Sensitive raw data remains strictly on the local device („Cold Storage“).
• Anonymization Pipeline: A local Python-based extraction process separates narrative content from mathematical signals.
• Data Export: Only anonymized metrics (crisis scores, word counts, and temporal markers) are exported for research, making re-identification technically impossible while preserving the full „mathematical signal“ of the crisis trajectory.

Fokus: Datenschutz-Souveränität und Anonymisierung

Das Projekt implementiert ein Safe Haven-Modell, das auf lokaler Datenverarbeitung („On-Device-AI“) basiert und die Privatsphäre technisch garantiert.

• Cold Storage Prinzip: Rohdaten (JSON-Volltexte inklusive PII) verbleiben ausschließlich auf dem lokalen Endgerät des Patienten. Es erfolgt kein Upload sensibler Inhalte in eine Cloud.
• 3-Ebenen-Extraktion:
  1. Interne Ebene: Verarbeitung des Volltexts zur Berechnung der Metriken.
  2. Pseudonymisierungs-Brücke: Umwandlung von System-UUIDs in neutrale, sequenzielle IDs (CONV_00001 bis CONV_00262) via lokaler Mapping-Tabelle.
  3. Forschungs-Export: Ausgabe ausschließlich mathematischer Repräsentationen (Scores). Narrative Kontexte werden entfernt, das mathematische Signal (Krisenverlauf) bleibt erhalten.
• Mathematische Normalisierung: Berechnung der Krisenintensität unabhängig von der Textlänge mittels der Formel:$$D_{krise} = \frac{Score_{summe}}{Wortanzahl} \cdot 1000$$