Réalisations pour le projet MAPA

Voir https://mapa-project.eu/ pour plus d'informations sur ce projet européen d'anonymisation multilingue (27 langues officielles de l'Union Européenne) dans les domaines cliniques et juridiques.

Réintroduction de données nominatives (noms, prénoms, adresses) dans deux corpus en français, afin de permettre l'entraînement de réseaux de neurones pour une désidentification multilingue (ici pour le français) :

• cas cliniques (corpus de fichiers *txt utilisés dans DEFT 2019 à 2021), https://deft.lisn.upsaclay.fr/2021/

• jurisprudence (corpus de fichiers *xml)

Cette réintroduction se fait en tenant compte des propriétés des documents traités : pour les cas cliniques, certaines mentions ("Le patient", "La patiente") sont remplacées par des noms et prénoms ; pour la jurisprudence, les passages avec des initiates sont remplacés par des noms et prénoms reprenant les initiales d'origine (sauf s'il s'agit du X d'anonymat générique).

Deux scripts de réintroduction de données nominatives dans les corpus :

• perl clinique_introduit-donnees.pl entree/ sortie/

• perl juris_modifie-donnees.pl entree/ sortie/

Les scripts de préparation et de nettoyage des listes sont dans le répertoire data/sirene/

Les listes de noms et prénoms (féminins et masculins) utilisées ont été constituées à partir des listes de sociétés de la base Sirène de l'INSEE. Les requêtes effectuées sur la base Sirène reposent sur le type de société (ETI, GE, PME) et sur différentes périodes :

• etablissements-crea-18010101-591231.csv

• etablissements-crea-600101-801231.csv

• etablissements-crea-810101-821231.csv

• etablissements-crea-830101-841231.csv

• etablissements-ETI-creation010101.csv

• etablissements-GE-creation010101.csv

• etablissements-PME-080105-080131.csv

• etablissements-PME-080201-081231.csv

• etablissements-PME-090101-091231.csv

• etablissements-PME-100101-111231.csv

• etablissements-PME-120101-120630.csv

• etablissements-PME-120701-121231.csv

• etablissements-PME-130101-131231.csv

• etablissements-PME-140101-141231.csv

• etablissements-PME-150101-150630.csv

• etablissements-PME-150701-151231.csv

• etablissements-PME-201101-201130.csv

• etablissements-PME-201201-201231.csv

• etablissements-PME-210101-210131.csv

• etablissements-PME-210201-210221.csv

• etablissements-PME-210301-210331.csv

• etablissements-PME-210401-210430.csv

• etablissements-PME-210501-210520.csv

Les trois listes produites et utilisables sont (voir data/sirene/lanceur.sh) :

• liste-noms.csv (72204 patronymes)

• liste-prenoms-fem.csv (2728 prénoms féminins)

• liste-prenoms-masc.csv (1528 prénoms masculins)

Ces fichiers se composent de 4 colonnes : fréquence d'utilisation, nom ou prénom, sexe F/M, origine culturelle (tentative). Pour les besoins du projet, seules les deux premières colonnes ont été utilisées.

Les anciennes listes (dans le répertoire data/) proviennent de https://www.data.gouv.fr/fr/datasets/liste-de-prenoms-et-patronymes/ mais sont abandonnées (erreurs, intégralement en majuscules sans accent).

Ces listes ont ensuite servi à produire une liste de 10000 identités fictives uniques (prénoms et noms, 50% femmes, 50% hommes), utilisées pour les besoin du projet comme ressource pour entraîner les modèles à reconnaître des données identifiantes. Ces identités ont été produites avec le script produit-combi-nom-pre.pl

• liste-10000.txt

La liste se compose de prénoms simples (majorité), composés (3,3% : Marie-Madeleine) et multiples (1,01% : José Manuel), et de noms simples (majorité), composés (0,39% : Faivre-Rampant) et multiples ou à particules (2,6% : Marraud Des Grottes ; De Oliveira Fernandes). La cohérence culturelle entre prénom et nom n'a pas été recherchée (e.g., Brigitte Zhang ; Marie Aude Ben Abdeljelil), mais si elle se produit (e.g., José Manuel Gonzalez ; Ahmed Assouline), c'est sous l'effet du hasard. Enfin, la distribution des noms et prénoms semble cohérente (non vérifiée) avec celle de la population française (noms les plus présents dans la liste : Martin, Bernard, Moreau, Michel, Durant, Dupont ; prénoms les plus présents dans la liste : Pierre, Michel, Philippe, Nathalie, Catherine, Isabelle, Alain, Jacques, etc.). La phonétique produite par l'enchaînement de certains prénoms et noms étant disgracieuse, certaines combinaisons ont peut de chances d'exister réellement (Rose-Marie Marrec ; Sarah Barat ; Serge Séreni ; Sybille Sibi).

Il est possible qu'une de ces identités soit réellement portée par une personne, difficile voire impossible à vérifier.