연구팀은 공개용 데이터세트를 준비하고 있습니다. PDF에는 수백 명의 참가자의 설문 조사 응답이 포함되어 있으며 각 행에는 이름, 인구 통계 데이터, 응답 점수 및 자유 텍스트 의견이 표시됩니다. 자금 지원 기관에서는 데이터를 공개적으로 사용할 수 있도록 요구하지만, 윤리 검토 위원회에서는 출판 전에 참가자 이름을 삭제하도록 요구합니다. 나머지 데이터, 점수, 인구통계, 댓글은 완전히 표시되고 기계 판독이 가능한 상태로 유지되어야 합니다. 다른 모든 것을 보존하면서 이름만 수정하는 것은 주변 데이터와 이름을 구별하고 인접한 콘텐츠를 방해하지 않고 제거할 수 있는 도구가 필요한 정밀한 작업입니다.
표준 PDF 교정 도구는 페이지의 직사각형 영역을 검게 표시하도록 설계되었습니다. 콘텐츠가 무엇인지에 관계없이 직사각형 내부의 모든 내용을 수정합니다. 이름이 숫자 점수 및 계속 표시되어야 하는 인구통계 코드 옆의 테이블 셀에 있는 경우 이름 위에 직사각형을 그리면 인접한 열의 일부도 포함됩니다. 결과는 이름이 제거되었지만 남아 있는 열의 데이터가 손상된 PDF입니다. 이름 텍스트만 제거하는 타겟 편집에는 콘텐츠를 식별하고 제거하는 데 근본적으로 다른 접근 방식이 필요합니다. 2025년 학술 출판 조사에 따르면, PDF로 공개된 연구 데이터 세트의 34%에는 부정확한 편집 방법으로 인해 이름이 아닌 열에 의도하지 않은 데이터 손실이 포함되어 있었습니다(COPE, "Research Data Publishing Integrity", 2025). 구조화된 데이터에 대한 적절한 PDF 수정 기술을 구현하려면 직사각형 기반 도구를 넘어 인접한 데이터 필드의 무결성을 유지하는 패턴 인식 수정 방법으로 이동해야 합니다.
밀집된 레이아웃에서 이름만 제거할 때 직사각형 기반 편집이 실패하는 이유
PDF 교정은 페이지 영역을 검정색 오버레이로 덮은 다음 문서의 데이터 스트림에서 기본 콘텐츠를 제거하여 PDF의 내부 구조를 복사하거나 검사하여 복구할 수 없도록 하는 방식으로 작동합니다. 교정 도구는 페이지에 직사각형 주석을 적용하고, 교정이 적용되거나 번인되면 해당 직사각형, 텍스트 문자, 벡터 그래픽 및 이미지와 교차하는 모든 항목이 영구적으로 제거되고 검은색 상자로 대체됩니다.
일반적인 연구 데이터 테이블에서 Smith, J.와 같은 이름은 왼쪽의 좁은 열을 차지하고 바로 오른쪽에는 연령, 성별, 소득 계층 및 응답 점수에 대한 열이 있습니다. Smith, J.를 덮는 직사각형은 필연적으로 연령 열로 확장되어 적어도 연령 값의 첫 번째 숫자를 부분적으로 덮습니다. 인접한 열과 겹치지 않도록 직사각형을 촘촘하게 그린 경우 Smith의 y에 있는 디센더와 같은 특정 문자의 꼬리가 잘려 읽을 수 있는 눈에 보이는 조각이 남을 수 있습니다. 직사각형 접근 방식은 완전한 이름 제거와 인접 데이터에 대한 부수적 손상 제로 사이에서 절충안을 강제하며, 대부분의 실제 테이블 레이아웃에서는 모든 셀에서 수동 조정 없이 두 요구 사항을 동시에 충족하는 직사각형 크기가 없습니다. 수백 또는 수천 개의 행이 포함된 대규모 데이터 세트에서는 셀별 수동 조정이 비실용적입니다. 이는 텍스트 기반 PDF 개인 정보 보호 편집을 연구 응용 프로그램에 매우 중요하게 만드는 근본적인 제한 사항입니다.
패턴 기반 검색을 사용하여 교정할 이름만 선택
정밀 이름 수정에 대한 솔루션은 수정 도구의 검색 및 수정 기능을 사용하는 것입니다. 이 기능은 특정 기하학적 영역이 아닌 특정 패턴과 일치하는 텍스트에 수정을 적용합니다. 이름 위에 직사각형을 그리는 대신 데이터세트에서 이름이 어떻게 보이는지 설명하는 검색 패턴을 정의하면 도구가 해당 패턴과 일치하는 모든 텍스트 인스턴스를 찾아서 수정합니다.
Last, First Middle 형식의 이름을 가진 데이터 세트의 경우 검색 패턴은 [A-Z][a-z]+, [A-Z][a-z]*와 같은 정규식을 사용할 수 있습니다. 이는 대문자 단어와 쉼표 및 공백 뒤에 하나 이상의 대문자 단어가 오는 것과 일치합니다. 교정 도구는 전체 PDF에서 이 패턴과 일치하는 텍스트를 검색하고 각 일치 항목에 교정 오버레이를 적용합니다. 수정은 수동으로 그린 사각형이 아닌 텍스트 일치 영역에 적용되므로 오버레이는 텍스트에 정확하게 맞고 인접한 열로 확장되지 않습니다.
패턴 기반 접근 방식의 성공 여부는 이름의 형식이 얼마나 일관되고 문서의 다른 텍스트와 얼마나 구별되는지에 따라 달라집니다. 인구통계 코드나 응답 데이터에도 동일한 패턴과 일치하는 텍스트가 포함되어 있으면 해당 텍스트도 수정됩니다. 전체 문서에서 패턴을 실행하기 전에 단일 페이지에서 패턴을 테스트하세요. 테스트 페이지의 수정 표시를 검토하고 의도한 이름만 표시되었는지 확인합니다. 필요에 따라 패턴을 조정하여 일치 항목을 좁히거나 넓힌 다음 최종 패턴을 전체 문서에 적용합니다. WukongPDF의 PDF 편집 도구는 교정이 적용되기 전에 이름 위치를 식별하기 위한 준비 단계로 사용할 수 있는 검색 기반 텍스트 작업을 지원합니다.
패턴 일치에 저항하는 이름 형식 처리
실제 이름 데이터 세트에는 간단한 정규식 패턴을 깨뜨리는 극단적인 사례가 포함되어 있습니다. Munoz, J. 또는 O'Reilly, M.과 같이 ASCII가 아닌 문자가 포함된 이름은 표준 [A-Z][a-z]+ 패턴에서 실패합니다. Smith-Jones, T.와 같은 하이픈으로 연결된 성은 여러 줄로 분할되거나 다양한 PDF 생성 도구에 따라 다르게 처리될 수 있습니다. Doe, J. K. 대 Doe, J.처럼 중간 이니셜이 있을 때도 있고 없을 때도 있는 이름은 일부 이름은 일치하고 다른 이름은 누락되는 일관되지 않은 일치를 유발합니다.
| 이름 형식 문제 | 예 | 패턴 솔루션 |
|---|---|---|
| 악센트 문자 | 무노즈, J. | 문자 클래스 확장: [A-ZÀ-ÿ][a-zà-ÿ]+ |
| 성의 아포스트로피 | 오라일리, M. | 아포스트로피 추가: [A-Z][A-Za-z']+, [A-Z] |
| 하이픈으로 연결된 성 | 스미스-존스, T. | 하이픈 추가: [A-Z][A-Za-z-']+, [A-Z] |
| 선택적 중간 이니셜 | Doe, J. 대 Doe, J.K. | 선택적 두 번째 이니셜: [A-Z][a-z]+, [A-Z]( [A-Z])? |
| 여러 단어로 구성된 성 | 드 라 크루즈, A. | 다중 단어 지원: [A-Z][a-z]*( [a-z]+)*, [A-Z] |
패턴 기반 검색이 모든 이름 변형을 안정적으로 처리할 수 없는 경우 2단계 접근 방식으로 격차를 메울 수 있습니다. 먼저 가장 일반적인 이름 형식과 일치하는 패턴을 적용합니다. 둘째, 특정 성 검색을 사용하여 패턴에서 누락된 나머지 이름 변형을 수동으로 검색합니다. 흔하지 않은 성을 교정 도구의 검색 필드에 입력하고 각 일치 항목에 교정을 적용하여 직접 검색하세요. 수동 패스는 이름당 시간이 더 걸리지만 자동 패스가 처리할 수 없는 극단적인 경우에만 필요합니다. 500개의 이름이 있는 데이터 세트의 경우 잘 설계된 패턴은 그 중 480개를 포착하고 20개는 수동 검토 및 수정을 위해 남겨 둘 수 있습니다.
이름만 수정되었고 데이터가 손실되지 않았는지 확인
이름 수정을 적용한 후 모든 이름이 제거되었고 이름이 아닌 데이터가 영향을 받지 않았는지 체계적으로 확인합니다. 확인 프로세스는 수정 자체만큼 중요합니다. 일부 이름을 표시하는 불완전한 수정은 개인정보 침해이고, 인접한 열에서 데이터를 제거하는 과도한 수정은 데이터 무결성 실패이기 때문입니다.
3번의 패스로 검증을 수행합니다. 먼저 수정된 PDF를 200% 확대/축소하여 시각적 스캔을 수행하고 모든 페이지를 스크롤하여 모든 이름 셀에 검은색 상자가 표시되고 그 옆의 모든 데이터 셀에 원래 값이 표시되는지 확인합니다. 둘째, 수정된 PDF에서 PDF 텍스트 추출 도구를 실행하고 추출된 텍스트에 수정되어야 하는 이름이 전혀 포함되어 있지 않은지 확인합니다. 텍스트 추출을 통해 교정 오버레이가 시각적으로 덮었지만 기본 텍스트 레이어에서 제거하지 못한 이름이 드러납니다. 시각적으로는 완전해 보이지만 텍스트 추출이 가능한 수정은 연구 출판에서 가장 흔한 수정 오류이며, 이로 인해 널리 알려진 수많은 데이터 침해가 발생했습니다.
셋째, 위험도가 높은 데이터 세트의 경우 차등 분석을 수행합니다. 즉, 원본 PDF와 수정된 PDF에서 텍스트를 추출하고 두 텍스트 추출 간의 유일한 차이점이 수정 대상이 된 특정 이름 문자열인지 확인합니다. 다른 차이점은 조사하고 수정해야 하는 부수적인 편집 손상을 나타냅니다. 차등 접근 방식에는 스크립트로 작성된 텍스트 비교가 필요합니다. 이 비교에는 시간이 더 걸리지만 이름과 함께 실수로 제거된 데이터가 없다는 수학적 확실성을 제공합니다. 공개된 데이터 세트의 수정 오류로 인한 평판 비용이 검증 자체 비용을 초과하는 경우가 많기 때문에 공공 기록 보관소로 향하는 연구 데이터 세트는 이러한 수준의 검증을 통해 이점을 얻습니다(유럽 데이터 보호 위원회, "출판 연구의 데이터 익명화에 대한 지침", 2025).
윤리 검토 및 규정 준수를 위한 수정 방법론 문서화
윤리 검토 위원회와 기관 검토 위원회에서는 연구 데이터를 익명화하는 데 사용되는 편집 방법론에 대한 문서화를 점점 더 요구하고 있습니다. 문서화된 방법론은 수정이 체계적으로 수행되고 철저하게 검증되었으며 데이터 세트를 재발행하거나 수정해야 하는 경우 재현될 수 있음을 보여줍니다.
수정 방법론 문서에는 이름을 식별하는 데 사용된 특정 패턴 또는 검색어, 수정을 수행하는 데 사용된 도구 및 버전, 수정이 수행된 날짜와 이를 수행한 사람의 이름, 완전한 이름 제거 및 데이터 손실 없음을 확인하기 위해 취한 검증 단계, 수행된 경우 차등 분석 결과가 포함되어야 합니다. 미래의 연구원과 감사자가 편집의 신뢰성과 완전성을 평가할 수 있도록 이 문서를 게시된 데이터세트와 함께 보관하세요. 문서는 윤리심사위원회의 규정 준수 감사를 위한 절차 기록으로도 사용됩니다. NIH 및 NSF를 포함한 연구 자금 지원 기관은 이제 데이터 관리 및 공유 계획(NIH, "데이터 관리 및 공유 정책", 2025)에서 데이터 익명화 방법론을 명시적으로 요구하고 있으며, 편집 문서는 해당 방법론을 따랐다는 주요 증거입니다.