Utlösare: AI används med forskningsdata eller deltagaruppgifter.

Bevis-Ripple för forsknings-AI

Gör forsknings-AI
reproducerbar, avgränsad och granskningsbar.

Spåra datamängder, modeller, härkomst, samtyckesgränser, analyspipelines, RAG-system och AI-agenter som används i forskning utan att förvandla bevis till byråkrati.

Datamängders härkomst och proveniensBevis på samtyckesgränsReproducerbarhetskvittonVetenskaplig validitet hävdas inte
Multi-site Oncology Model - federated trainCleared with Limits
GDPR Art. 9(2)(j)Research basis · ethics approval and consent scope on file
Dataset fingerprintSHA-256 per site · snapshot v2026-03
Contamination checkEval split held out - no overlap with any site's train set
Cross-site DTAExecuted · no raw record leaves any participating site
GDPR Art. 9(2)(j)Annex IV lineageArt. 10Art. 15

Reproducibility Evidence

✓Model registry commit pinned - code hash + weights hash
✓Dataset snapshot SHA-256 recorded per site
✓Environment pinned - driver, library and seed
✓Train/eval contamination check passed

Känsligt sammanhang

Varför forsknings-AI behöver en bevisinfrastruktur.

Forsknings-AI verkar på deltagaruppgifter, egna datamängder och modeller vars utdata kan ligga till grund för publicerade resultat. Brister i reproducerbarhet, överträdelser av samtyckesgränser och odokumenterad dataproveniens undergräver den vetenskapliga integriteten och medför juridiska, etiska och institutionella konsekvenser.

Datakategorier inom omfattningen

Deltagaruppgifter och svar i forskning
Data från kliniska prövningar eller hälsostudier
Egna träningsdatamängder
Publicerade resultat och resultat före publicering
Data som delas mellan institutioner

Berörda personer

ForskningsdeltagarePatienter i kliniska studierForskningssamarbetspartner och institutionerTidskriftsgranskare och det akademiska samfundetFinansiärer och etikkommittéer

Riskscenarier

Vad som vanligtvis går fel.

Specifika felmoder som ses i detta känsliga sammanhang - utan strukturerade bevis.

En forskningsmodell tränas på deltagarnas enkätdata utöver den ursprungliga samtyckesomfattningen.

Etikkommittén kräver bevis på samtyckesgräns. Inga strukturerade bevis finns. Publiceringen fördröjs eller dras tillbaka.

En analyspipeline producerar utdata som inte kan reproduceras av en granskare.

Ingen modellregisterspårning aktiv. Inget versionsfingeravtryck för datamängden. Miljön inte fångad. Påståendet om reproducerbarhet i publikationen kan inte styrkas.

En RAG-assistent för forskning byggs över manuskript före publicering och råa intervjutranskript.

Ingen dokumentgräns. Innehåll före publicering åtkomligt via frågor. Konfidentiell data i riskzonen. Inga bevis på förankring av hämtningen.

En forsknings-AI-agent skriver delar av en litteraturöversikt utan redovisning.

Ingen spårning av proveniens. Ingen redovisningsmekanism. Institutionens integritetspolicy potentiellt överträdd.

Gränskontroll, tillämpad här

Skanna systemet. Utfärda passet. Bevilja visumet.

Vad skanningen finner i detta sammanhang, vad passet registrerar och vilka villkor visumet fäster.

01

Currents

skanningen

Vilken AI körs, och vad vet vi inte om den?

Currents öppnar akten: vilka modeller och pipelines som berör deltagaruppgifter, om behandlingen håller sig inom det samtycke som faktiskt gavs, vilka analyser som i dag inte kan reproduceras eftersom datamängdens version och miljö aldrig fångades, och vad som ligger i ett hämtningsindex som inte borde lämna stadiet före publicering.

02

Ripples

passet

Vad är detta system, och vad är bevisat om det?

En Ripple registrerar datamängders proveniens och versionsfingeravtryck, samtyckes- och etikgränsen, körspårning som räcker för att en oberoende granskare ska kunna reproducera resultatet, hämtningsgränsen över opublicerat material, och redovisningspositionen för AI-genererad text. Vetenskaplig validitet ingår inte - det är sakkunniggranskningens uppgift.

03

Droplets

visumet

Får det köras HÄR, på DESSA data, under VILKA villkor?

En Droplet klarerar pipelinen för en studie och en samtyckesomfattning: dessa datakategorier, detta överföringsavtal, bevis på reproducerbarhet aktiva, åtkomst mellan institutioner endast där ett DTA är bekräftat - med ett förfallodatum knutet till etikgranskningscykeln snarare än till publiceringsdatumet.

Omfattning

Vad som behöver en Ripple.

AI-modeller och pipelines för forskningsanalys
AI-verktyg för behandling av deltagaruppgifter
RAG-assistenter för litteraturöversikt och forskning
AI för hypotesgenerering och upptäckt
Modeller för analys av data från kliniska prövningar
Forsknings-AI-plattformar mellan institutioner
AI-agenter som används i forskningsflöden

Arbetsflöde för intressenter

Från utlösare till åtkomstbeslut.

1

Scan

Art. 6 route · Annex III test

2

Evidence call

Annex IV · Art. 10 bias file

3

Seal Review

DPO · CISO · Art. 14 owner

4

Droplet

Conditions bound · expiring

5

Re-scan

On retrain, drift or model swap

Huvudansvarig forskare

“Forsknings-AI kommer att behandla deltagaruppgifter eller producera publicerbara utdata.”

Kräv en Ripple som dokumenterar samtyckesomfattning, härkomst och bevis på reproducerbarhet före driftsättning.

Etikkommitté / IRB

“AI-verktyg används med deltagaruppgifter i en forskningsstudie.”

Granska avsnittet om samtyckesgräns i en Ripple. Bekräfta samstämmighet med studieprotokollet.

Dataförvaltare / DPO

“Forskningsdata delas mellan institutioner via AI-plattform.”

Bekräfta DTA-status, bevis på dataöverföring och integritetsavsnittet före åtkomst mellan institutioner.

Åtkomstbeslut

Villkor för kontext-Droplet.

De åtkomstbeslut som gäller i detta känsliga sammanhang - och de bevisvillkor som ger upphov till dem.

Godkänd med begränsningar
  • Samtyckesomfattning bekräftad och dokumenterad i Ripple
  • Datamängders härkomst och versionshantering aktiv
  • DTA mellan institutioner bekräftat
  • Bevis på reproducerbarhet: modellregisterspårning aktiv
Granskning krävs
  • Samtyckesomfattning oklar eller bredare än det ursprungliga syftet
  • Härkomst saknas - kan inte reproducera pipelinens utdata
  • Överföring mellan institutioner utan DTA
Mänsklig granskning krävs
  • AI används för att generera eller utforma publikationsinnehåll
  • Deltagaruppgifter inom omfattningen - etikkommittégranskning krävs
  • Klinisk data - bekräftelse av IRB / etikgodkännande behövs
Blockerad
  • Deltagaruppgifter behandlade utöver samtyckesomfattningen
  • Rå opublicerad data åtkomlig via okontrollerad hämtning
  • Ingen härkomst - påståendet om reproducerbarhet i publikationen kan inte styrkas

Mätning

Bevisfamiljer vi kan strukturera.

De mätbara beviskategorier som är relevanta för detta sammanhang och de bevissignaler de ger upphov till.

Datamängders härkomst och versionshantering

Datamängders proveniens, versionshistorik och transformationshärkomst från rådata till modellindata.

Modellspårning

Körspårning, fångst av hyperparametrar och modellversionshantering som möjliggör reproducerbarhet av publicerade analyser.

Samtyckes- och etikgräns

Bevis på att databehandlingen håller sig inom omfattningen av deltagarnas samtycke och etikkommitténs godkännande.

RAG-dokumentgräns

Bevis på att hämtningsomfattningen endast täcker godkända dokument - innehåll före publicering uteslutet där så krävs.

Integritet vid dataexport

Bevis på att dataöverföringar mellan institutioner endast sker under bekräftade avtal om dataöverföring.

Integritet

Bevis på upptäckt av personuppgifter och avidentifiering av deltagaruppgifter före analys eller delning.

Data protection · GDPR Art. 9 / 35Retrieval grounding · injection testedData lineage · Annex IV

Ärlig omfattning

Vad som fortfarande inte kan bedömas.

AffectLog överdriver inte. Dessa punkter kräver extern expertis, regulatorisk process eller långsiktig studie.

Forskningsresultatens vetenskapliga validitet

Vetenskaplig validitet kräver sakkunniggranskning, metodbedömning och ämnesexpertis - inte en AI-bevisplattform.

I stället: Skicka in resultaten för sakkunniggranskning. Anlita ämnesexperter. AffectLogs bevis stöder granskningen av infrastrukturen - inte den vetenskapliga bedömningen.

Etikkommitténs godkännande

Etikgodkännande ges av institutionella granskningsnämnder och etikkommittéer efter särskilda granskningsprocesser.

I stället: Vänd dig till din institutionella IRB / etikkommitté. AffectLogs bevis kan stödja ansökan - inte ersätta den.

Huruvida AI-genererat innehåll uppfyller tidskrifters eller institutioners redovisningsstandarder

Redovisningsstandarder fastställs av tidskrifter, institutioner och yrkesorgan - utanför en bevisplattforms omfattning.

I stället: Hänvisa till din institutions policy för AI-användning och den valda tidskriftens riktlinjer.

Exempel

Exempel på Ripple för detta sammanhang.

Ripple - evidence passportCleared with Limits

ClinicalSynth Analysis Pipeline

Modell för analys av data från kliniska prövningar · Hälsoforskning

Evidence76%
Expiry30 Jun 2027
Raw data exportoff
ALP-2026-RES-C4S8

Åtkomstvillkor

Behandlingsomfattning begränsad till datakategorier med samtycke
Modellregisterspårning aktiv - utdata reproducerbara
Versionsfingeravtryck för datamängd: all träningsdata versionshanterad
Åtkomst mellan institutioner endast under bekräftat DTA
Inga råa deltagaruppgifter i RAG-omfattningen
Etikkommittégranskning med 12-månadersintervall

Vad vi inte kommer att överdriva

AffectLog tillhandahåller tekniska och operativa bevis för forsknings-AI. Vi hävdar inte vetenskaplig validitet, etikgodkännande eller efterlevnad av publiceringsstandarder. Vi visar härkomst, samtyckesgränser, bevis på reproducerbarhet och vilka granskningsvillkor som gäller.

Vanliga frågor

Frågor som detta sammanhang väcker.

“Vi har redan körspårning internt - vi behöver inget ytterligare bevislager.”

Körspårning fångar enskilda experimentkörningar. AffectLog strukturerar det till en Ripple: samtyckesomfattning, bevis på överföring mellan institutioner, RAG-dokumentgränser och åtkomstbeslut - vilket gör interna verktyg tillgängliga för etikkommittéer, DPO:er och institutionella granskare.

“Forskning är utforskande - vi kan inte veta i förväg vilken data vi kommer att behöva.”

Utforskande omfattningar kan dokumenteras som bevis på bredd och avsikt. En Ripple vid forskningens början fastställer samtyckes- och datagränserna - uppdaterad allteftersom omfattningen utvecklas - snarare än att rekonstruera bevis efter publicering.

Kom igång

Gör bevisen för forsknings-AI
lika rigorösa som forskningen själv.

Kartlägg vilka AI-verktyg som finns i din forskningspipeline, upprätta bevis på samtycke och härkomst, och strukturera villkor för reproducerbarhet före din nästa publiceringscykel.

AffectLog tillhandahåller tekniska och operativa bevis. Inte vetenskaplig validering, etikgodkännande eller certifiering av publiceringsstandarder.