Semantische maskering: privacy beschermen zonder de betekenis van tekst te verliezen

Bijgewerkt: 4 september 2026 · 6 min leestijd

Stel je een ziekenhuisdossier voor waarin staat: "Patiënt Jan de Vries (52) uit Almere werd op 3 maart opgenomen met een hartinfarct, gebeld door zijn dochter Sanne." Als een onderzoeker dit dossier wil gebruiken om patronen in hartklachten te bestuderen, hoeft die de naam of woonplaats niet te weten. Klassieke anonimisering zou de namen simpelweg wegstrepen: "Patiënt XXX (52) uit XXX werd opgenomen." Semantische maskering doet iets slimmers: het vervangt "Jan de Vries" door een label als [PERSOON] of zelfs door een verzonnen maar vergelijkbare naam, en "Almere" door [WOONPLAATS] — zodat de zin leesbaar en bruikbaar blijft, terwijl niemand nog kan achterhalen om wie het gaat.

Het woord "semantisch" verwijst naar betekenis. Bij semantische maskering herkent een computerprogramma niet alleen dat er ergens een woord staat, maar begrijpt het ook wát voor soort informatie dat woord is: een naam, een adres, een ziekte, een burgerservicenummer. Dat onderscheidt de techniek van ouderwetse methodes die simpelweg zoeken naar patronen, zoals een vast aantal cijfers voor een telefoonnummer. Semantische maskering leunt op kunstmatige intelligentie, met name op taalmodellen die getraind zijn om de context van woorden te begrijpen — dezelfde technologie die ook chatbots als ChatGPT aandrijft.

Wat is het precies?

Semantische maskering combineert twee stappen. De eerste stap heet named entity recognition (herkenning van benoemde entiteiten): een AI-model leest een tekst en markeert welke woorden tot een bepaalde categorie behoren, zoals namen, locaties, data, telefoonnummers of medische termen. Dit gebeurt niet op basis van een simpele lijst met namen, maar op basis van context. Het model heeft geleerd dat "Jan belde naar het ziekenhuis" waarschijnlijk een persoonsnaam bevat, ook als die naam nooit eerder is gezien.

De tweede stap is de maskering zelf: het vervangen van de gevonden informatie. Dat kan op verschillende manieren. De eenvoudigste vorm plakt een generieke labelaanduiding over het woord, zoals [NAAM] of [PLAATS]. Geavanceerdere systemen gebruiken zogeheten synthetische substitutie: ze vervangen "Jan de Vries" door een andere, willekeurig gekozen naam als "Peter Bakker", zodat de tekst grammaticaal en stilistisch natuurlijk blijft. Dat laatste is vooral belangrijk wanneer de gemaskeerde tekst gebruikt wordt om weer nieuwe AI-modellen te trainen, want een tekst vol vierkante haken leest anders dan lopende taal en kan modellen juist slechter maken.

Een cruciaal verschil met eenvoudige zoek-en-vervang-methodes is dat semantische maskering ook indirecte aanwijzingen probeert te herkennen. Iemand kan bijvoorbeeld herkenbaar zijn door de combinatie "52-jarige oud-wethouder van een dorp met 900 inwoners", zonder dat er een naam wordt genoemd. Systemen die hier goed in zijn, proberen dit soort zogeheten quasi-identificatoren — kenmerken die in combinatie iemand uniek maken — ook te signaleren of af te zwakken.

Wat wil men ermee bereiken?

Het hoofddoel is het spanningsveld oplossen tussen twee dingen die allebei waardevol zijn: de bruikbaarheid van data en de privacy van de mensen erin. Onderzoekers, bedrijven en overheden hebben enorme hoeveelheden tekst nodig — medische dossiers, klantenservicegesprekken, rechtbankverslagen — om AI te trainen, patronen te ontdekken of beleid te onderbouwen. Tegelijkertijd bevat die tekst vaak persoonsgegevens die onder wetten als de Algemene Verordening Gegevensbescherming (AVG, in Europa) beschermd zijn.

Simpelweg alle namen wegstrepen was lange tijd de standaardoplossing, maar dat maakt teksten minder bruikbaar en lost het probleem van indirecte herkenbaarheid niet op. Semantische maskering belooft een middenweg: data die statistisch en taalkundig grotendeels intact blijft, maar waarin de kans dat een individu herkend wordt sterk verkleind is. Daarnaast speelt een nieuwere drijfveer mee: grote taalmodellen kunnen soms letterlijk stukken van hun trainingsdata onthouden en later reproduceren. Semantische maskering van trainingsdata is een van de manieren waarop AI-bedrijven proberen te voorkomen dat een chatbot per ongeluk iemands adres of medisch dossier napraat.

Voorbeelden uit de praktijk

In Nederland is DEDUCE een bekend voorbeeld: een open source-systeem, ontwikkeld door Nederlandse onderzoekers verbonden aan de academische ziekenhuiswereld, dat specifiek Nederlandstalige medische dossiers van namen, adressen, geboortedata en andere identificerende gegevens ontdoet voordat onderzoekers ermee aan de slag gaan. Het werk hieraan is beschreven in wetenschappelijke publicaties uit de tweede helft van de jaren 2010.

MedRoBERTa.nl is een Nederlands taalmodel, getraind op elektronische patiëntendossiers, ontwikkeld door onderzoekers van de Vrije Universiteit Amsterdam. Dit soort modellen wordt onder meer gebruikt als basis voor het herkennen en maskeren van gevoelige medische termen in het Nederlands, een taal waarvoor internationale tools vaak minder goed werken dan voor het Engels.

Microsoft Presidio is een opensourceproject dat sinds enkele jaren door softwareontwikkelaars wereldwijd wordt gebruikt om automatisch persoonsgegevens in tekst en afbeeldingen te herkennen en te maskeren, met kant-en-klare ondersteuning voor meerdere talen.

In de Verenigde Staten organiseren onderzoeksgroepen verbonden aan Harvard Medical School al sinds midden jaren 2000 de zogeheten i2b2- en later n2c2-wedstrijden, waarin onderzoeksteams wereldwijd wedijveren om het beste systeem te bouwen voor het de-identificeren van Engelstalige klinische tekst. Deze wedstrijden hebben de ontwikkeling van semantische maskeertechnieken decennialang aangejaagd.

Ook grote cloudbedrijven bieden dit soort functionaliteit aan als dienst: Google Cloud's Data Loss Prevention-API kan bijvoorbeeld tekst en documenten scannen op tientallen typen gevoelige informatie en deze automatisch maskeren of vervangen, iets wat bedrijven wereldwijd inzetten om te voldoen aan privacywetgeving.

Hoe ver is de techniek?

Voor goed gedocumenteerde, structurele soorten gegevens — namen, telefoonnummers, e-mailadressen, in het Engels — werkt semantische maskering inmiddels behoorlijk betrouwbaar, met nauwkeurigheden die in wetenschappelijke tests boven de 95 procent kunnen uitkomen. Voor het Nederlands, en voor talen met minder trainingsdata in het algemeen, ligt de betrouwbaarheid doorgaans lager, simpelweg omdat er minder voorbeeldmateriaal beschikbaar is om AI-modellen op te trainen.

De grootste, hardnekkige uitdaging is niet het maskeren van voor de hand liggende gegevens, maar het opsporen van indirecte identificatie: de combinatie van op zichzelf onschuldige details die samen toch één specifiek persoon aanwijzen. Onderzoek laat herhaaldelijk zien dat zelfs "volledig geanonimiseerde" datasets soms opnieuw naar individuen te herleiden zijn, zeker wanneer aanvallers ze combineren met andere, publiek beschikbare bronnen. Dit staat bekend als het re-identificatierisico en is een actief onderzoeksveld op zich.

Een tweede complicerende factor is de opkomst van steeds grotere taalmodellen. Enerzijds verbeteren die de kwaliteit van semantische herkenning, omdat ze context beter begrijpen dan oudere systemen. Anderzijds vergroten diezelfde grote modellen het privacyrisico, omdat ze traindata soms onthouden. Er is dus een wapenwedloop gaande tussen steeds krachtigere maskeringstechnieken en steeds krachtigere modellen die geneigd zijn informatie te onthouden. Volledige garanties bestaan op dit moment niet; goede semantische maskering verkleint risico's aanzienlijk, maar sluit ze niet volledig uit.

Wie werken eraan?

Academische ziekenhuizen en universiteiten in Nederland, waaronder onderzoeksgroepen verbonden aan de Vrije Universiteit Amsterdam en andere universitair medische centra, ontwikkelen en onderhouden tools specifiek gericht op Nederlandstalige medische en publieke tekst. Op Europees niveau zet ook de Nederlandse Autoriteit Persoonsgegevens, net als andere Europese privacytoezichthouders, zich in voor het beoordelen en stimuleren van goede anonimiseringspraktijken onder de AVG.

Internationaal investeren grote technologiebedrijven als Microsoft, Google en Amazon in tools en clouddiensten voor geautomatiseerde detectie en maskering van gevoelige gegevens, mede gedreven door de vraag van bedrijven die aan privacywetgeving moeten voldoen. In de Verenigde Staten spelen Harvard Medical School en aanverwante onderzoeksinstituten van oudsher een voortrekkersrol via de eerdergenoemde de-identificatiewedstrijden. Daarnaast werken onafhankelijke onderzoeksgroepen aan universiteiten wereldwijd, vaak gepubliceerd via conferenties op het gebied van taaltechnologie, aan nieuwe methodes om zowel de nauwkeurigheid van maskering te verbeteren als de resterende re-identificatierisico's beter te meten.