合成数据政策全景扫描：国外科研数据仓储都在怎么做？

合成数据正在成为敏感科研数据开放共享的重要方式。本文梳理了英国、美国、瑞典、欧盟等国家和地区8份具有代表性的合成数据政策文本看看国外科研数据仓储在合成数据的生成、审核、发布和使用方面都有哪些做法。文末有一份关于科研用户合成数据认知信任与采纳行为的调研问卷欢迎参与。一、合成数据敏感数据开放的第三条路医疗健康、行政统计、社会调查等领域的敏感数据长期面临“想用而不敢开放”的困境。传统匿名化方法在多源数据链接攻击面前并不足够可靠。2013年的一项经典研究发现在150万用户的移动电话数据集中仅需4个时空点时间位置即可唯一识别95%的个体de Montjoye et al., 20132019年发表在《Nature Communications》上的研究进一步表明仅凭15个人口统计属性如性别、邮编、婚姻状况等就能以99.98%的准确率重新识别美国任意个体Rocher et al., 2019。合成数据Synthetic Data 提供了另一种思路它不是对真实记录进行脱敏而是通过学习真实数据的统计模式生成全新的、不对应任何真实个体的人工记录。世界经济论坛2025年发布的报告将其列为数据共享与隐私保护领域最具变革性的技术之一。但合成数据并非“生成的是假的”就能高枕无忧。2024年的一项研究SynthLeak显示两名研究生仅凭本地机器就在某商业合成金融数据集中匹配到了真实个体的姓名、电话和邮箱。过拟合导致的记忆泄露、成员推断攻击、模型反演攻击——合成数据的隐私风险远比直觉所认为的更复杂。正因如此各国科研数据仓储和统计机构开始制定专门的合成数据政策。截至2025年底英国、韩国、新加坡等法域已率先发布合成数据专门指南但这一领域的规则仍在快速形成之中。本文梳理了8份合成数据政策文本分析国外科研数据仓储在合成数据治理方面值得关注的做法。二、八份政策文本概览序号发布机构国家/地区文档名称篇幅核心定位1UCLH SAFEHR Data英国合成数据政策47页医疗健康领域最系统的分级治理框架2AHRQ美国合成医疗研究数据库数据使用协议3页严格的法律约束型数据使用协议3ADR UK英国合成数据提供规范13页Plan-Do-Check-Act全流程指南4UK Data Service英国合成数据最低文档标准4页文档化规范5ONS英国合成数据政策简短官方统计机构原则性政策6Research Data Scotland英国苏格兰合成数据政策8页区域研究数据基础设施政策7SND瑞典合成研究数据管理与发布指南8页北欧国家数据仓储操作指南8SYNDERAI欧盟合成数据管理政策简短跨境健康数据平台FHIR标准政策这8份文档覆盖了从国家级统计机构ONS、行政数据研究网络ADR UK、大学附属医院数据平台UCLH SAFEHR、国家数据服务UKDS/SND到欧盟跨境健康数据基础设施SYNDERAI的多元主体具有较强的代表性。三、政策关注点一数据保真度与实际效用合成数据最根本的张力在于保真度与隐私风险的此消彼长——数据越接近真实分布分析价值越大但重新识别的风险也越高。而保真度最终要落到实际效用上这份数据到底能不能用在我的研究上3.1 各机构的保真度分层几乎所有政策都引入了保真度层级的概念但表述各有不同。UCLH SAFEHR提出了最为精细的三层分类结构性合成数据仅复制数据结构变量名、类型、行列数不保留任何统计属性用于管道测试和系统开发公开来源合成数据基于公开的聚合统计信息生成保留单变量分布但不保留变量间关系可公开发布私有来源合成数据直接从真实私有数据学习统计关系可能保留变量间关联需要严格的隐私评估ADR UK和RDS则聚焦于低保真度合成数据保留数据结构和单变量分布但不保留变量间的统计关系。RDS经过研究者和公众调研发现用户更偏好低保真度合成数据因为它最适合用于代码开发和数据发现且无需进入可信研究环境TRE即可访问可及性更高。ONS的表述更为务实合成数据不应被期望准确反映真实数据的所有属性。简单合成数据可匹配行列数和文件大小用于估算代码运行时间更复杂的方法可能保留重要统计属性提供足够准确的分析结果。3.2 从保真度到实际效用保真度本身不是目的能不能用在具体科研场景中才是用户关心的。政策文本中隐含的效用判断大致对应几类场景代码开发与方法验证低保真度数据即可重点在结构和格式而非统计推断探索性分析与预研需要中保真度保留单变量分布可用于初步发现和方法测试正式分析与论文发表需要高保真度保留变量间关系但往往意味着必须在安全环境中使用教学与培训对保真度要求最低但需要数据具有合理性和可解释性ADR UK明确建议针对多个用例可能需要提供多份合成数据集英国数据服务UKDS则要求文档中必须说明原始目的、应用场景和局限性。这些要求的本质是让用户能够判断这份数据的效用是否匹配自己的需求。四、政策关注点二隐私安全与合规要求如果说保真度回答的是好不好用那么隐私安全回答的就是安不安全。这是所有政策文本中着墨最多的部分。4.1 识别出的主要风险类型政策文本和学术文献中识别的合成数据隐私风险主要包括三类个体识别Singling Out合成数据中的唯一值或罕见组合可能指向特定真实个体链接攻击Linkability将合成数据与外部数据集链接推断真实身份属性推断Attribute Inference从合成数据中推断个体的敏感属性此外针对生成模型本身的攻击也受到关注成员推断攻击判断某条真实记录是否在训练集中、模型反演攻击从模型输出重建训练数据、过拟合记忆生成模型逐字复现训练集中的罕见记录。4.2 各机构的控制措施AHRQ的做法最为严格其数据使用协议以法律禁止的方式划定红线严禁任何试图确定个人或机构身份的行为包括漏洞分析和渗透测试严禁用于商业或竞争目的、诉讼、执法严禁在美国境外存储、使用或访问严禁通过任何网站再分发UCLH SAFEHR采用分级治理公开来源合成数据经数据保护影响评估DPIA批准后可直接公开私有来源合成数据需要经过差分隐私评估、披露风险检查并在可信研究环境中提供。ADR UK在检查阶段要求进行系统的披露检查确认数据确实是合成的而非真实数据泄露检查唯一值是否可能识别个体必要时进行细节修改合并罕见类别、抑制极端值、移除重复唯一值。SND特别强调了合成个人数据的特殊处理如果合成数据基于个人数据生成即使生成后不再被视为个人数据生成过程本身仍需满足GDPR要求包括进行DPIA和伦理审查。4.3 合规要求用户不能忽视的另一面隐私风险之外合规要求是用户同样关心的问题。政策文本中隐含的合规边界包括用途限定合成数据仅限研究、分析、聚合统计报告不得用于商业、诉讼、执法地域限制部分数据如AHRQ仅限特定国家/地区内使用禁止再分发不得擅自将合成数据上传到公开网站或转给第三方引用要求使用合成数据的产出须明确标注并引用部分要求使用DOI对于用户而言这些合规边界意味着使用合成数据前需要清楚知道什么能做、什么不能做否则可能在论文发表、项目结项、后续数据共享时遇到麻烦。五、政策关注点三文档说明与生成过程透明合成数据的人工属性决定了它比真实数据更依赖文档说明。真实数据至少有原始采集过程可追溯而合成数据的生成方法、参数选择、质量评估、已知缺陷完全取决于生成者的记录和披露。5.1 最低文档标准英国数据服务的五部分框架UK Data Service发布的《合成数据最低文档标准》是这一领域最具体的规范要求合成数据集至少包含五个部分章节核心内容1. 介绍数据集名称须包含synthetic字样、简要描述、生成日期、负责人联系方式2. 来源概述真实数据集引用含DOI、原始数据类型/观测单元数/变量数、参考的模型和研究3. 原始目的、应用与局限性设计用途、已知约束、不适用场景4. 方法论生成技术和工具、验证方法、质量保证措施5. 数据结构与格式数据集结构、组织方式、格式说明5.2 生成过程透明方法、参数与可复现性除了基础文档生成过程的透明度同样重要。ADR UK在文档要求上更为详尽除上述内容外还要求生成代码的版本控制和可复现性说明真实数据的版本号用户责任声明许可合规政策或最终用户协议明确标注谁可以使用、是否有地域限制尽可能分配DOI标签要求是透明度的基础保障。ADR UK要求在每个变量名后添加’synth’后缀并确保文件名/头部包含’synthetic’一词。欧盟SYNDERAI项目则在FHIR资源层面要求添加合成数据标签并通过Provenance记录引用政策URL。这些要求的本质是用户在任何时候都不应该把合成数据误认为真实数据。5.3 局限性披露主动说不能做什么值得注意的是多份政策都强调了局限性披露的重要性——不仅要说数据能做什么更要说清楚不能做什么。UKDS要求文档必须说明已知约束、不适用场景。ADR UK要求文档中必须包含合成数据与真实数据的相似之处和差异之处以及用户最需要注意的局限性。ONS则直言“合成数据不应被期望准确反映真实数据的所有属性应该预期它们包含错误和差异。”这种坦诚的局限性声明恰恰是帮助用户做出合理判断的基础——用户更信任那些主动说明我不能做什么的数据而非声称无所不能的数据。六、政策关注点四平台审核与访问管理合成数据的发布不是生成完就挂上网这么简单。谁来审核数据质量通过什么渠道提供用户需要满足什么条件才能获取这些平台层面的治理安排直接影响用户的使用体验和信任判断。6.1 平台审核责任ADR UK要求合成数据的发布必须经过系统的检查阶段包括质量检查、披露风险检查和效用验证。这意味着仓储平台不能仅作为数据托管方而必须承担质量守门人的责任。UCLH SAFEHR要求公开来源合成数据的生成机制必须经信息治理部门批准包括算法审查、聚合统计审查、披露控制方法审查。私有来源合成数据则需要更严格的差分隐私评估和安全环境内提供。这些审批流程本质上就是平台的准入机制。6.2 访问方式的光谱政策文本在访问方式上呈现出明显的光谱访问模式代表政策特点完全开放UCLH公开来源数据、SYNDERAI经批准后可公开下载无需注册注册获取ADR UK建议要求用户注册便于追踪使用情况安全环境内访问RDS高保真数据、UCLH私有来源数据必须在可信研究环境中操作数据不出域严格协议地域限制AHRQ签署数据使用协议仅限美国境内使用RDS设计了三种提供方式由数据控制者选择在元数据目录中提供无需安全环境、通过可信研究环境提供、更广泛的公开发布。ADR UK指出“要求注册是追踪数据集使用情况的有效方式”同时建议低风险低保真度合成数据应更快、更容易、更便宜地获取。6.3 使用限制的共性尽管访问门槛不同使用限制方面存在高度共识禁止重新识别所有政策无一例外用途限定仅限研究、分析、聚合统计报告禁止商业、诉讼、执法用途禁止再分发不得将数据上传到公开网站或转给第三方引用要求使用合成数据的产出须明确标注并引用七、政策关注点五数据溯源与长期可用合成数据作为科研产出的一种同样需要考虑长期可追溯性和可重用性。用户拿到一份合成数据不仅关心现在能不能用还关心以后还能不能找到、能不能复现。7.1 FAIR原则的落实ADR UK在发布阶段专门用FAIR框架组织要求可发现Findable分配DOI在真实数据的信息入口处设置合成数据的路标可访问Accessible通过开放标准协议获取说明访问条件可互操作Interoperable使用开放格式CSV/JSON提供机器可读元数据社区需要专有格式时并行提供开放格式可重用Reusable明确许可CC BY/ODC-BY或定制用户协议、完整来源和生成方法、质量/隐私评估、局限性、版本变更日志、推荐引用格式瑞典SND同样强调合成数据发布到数据仓储时需要提供额外的元数据以确保可理解性和可重用性。SYNDERAI采用CC BY 4.0许可要求再分发时保留政策引用。7.2 版本管理与可持续性合成数据不是一次性产品。ADR UK要求明确版本管理策略支持可复现性说明更新频率、旧版本存储位置和可访问性提供质量问题反馈和解决的正式渠道考虑生成方法的碳成本和研究公平性这些要求对用户的意义在于基于某版本合成数据得出的研究结论在数据更新后是否仍然成立旧版本是否还能获取到以支持复现版本管理的清晰度直接影响用户对数据长期可用性的判断。八、几点观察梳理完这8份政策文本有几个值得关注的趋势第一分级治理成为共识。没有任何一份政策主张合成数据一律公开或一律管控。普遍做法是根据保真度和隐私风险进行分级低保真度、低风险的数据可广泛开放高保真度、高风险的数据在安全环境中提供。UCLH的三层分类、RDS的三种提供方式、ADR UK的低保真度聚焦都是这一思路的体现。第二文档和透明度要求越来越细。从UKDS的五部分最低标准到ADR UK的详尽文档要求再到SYNDERAI的机器可读标签政策制定者越来越认识到合成数据的质量不仅取决于生成算法更取决于 accompanying documentation 的充分程度。缺乏文档的合成数据不仅不可用还可能被误用。第三平台责任在加重。合成数据的发布不再是生成者单方面的事。仓储平台需要承担质量审核、披露检查、准入管理、用户追踪等多重责任。这对科研数据仓储的能力建设提出了新的要求。第四国内仍有较大差距。中国的科研数据基础设施近年来发展迅速如ScienceDB、国家科学数据中心体系等但在合成数据这一细分领域尚未见到国家级科研数据仓储发布专门的合成数据政策或指南。上海市大数据中心等机构已开始探索数据合成技术在公共数据开放中的应用但主要聚焦于公共数据场景尚未延伸至科研数据仓储。随着合成数据在科研中的应用越来越广这一空白需要尽快填补。九、邀请你参与一份调研如果你是科研人员、数据管理者或者对合成数据有了解和兴趣邀请你参与一份关于科研用户合成数据认知信任与采纳行为的调研问卷。问卷采用匿名方式所有数据仅用于了解科研用户对合成数据的认知、使用意愿和关切点不涉及个人身份信息不做商业用途。问卷约需10—15分钟完成答案没有对错之分请根据真实想法作答。你的参与对了解国内科研用户对合成数据的真实需求非常有价值也欢迎在评论区分享你对合成数据的看法和使用经验。问卷链接https://v.wjx.cn/vm/P2G8Fju.aspx#参考资料政策文件UCLH SAFEHR Data.Synthetic Data Policy. 2024. https://www.safehr-data.org/synthetic-data-policyAgency for Healthcare Research and Quality (AHRQ).Synthetic Healthcare Database for Research (SyH-DR) Data Use Agreement. 2024. https://www.ahrq.gov/sites/default/files/wysiwyg/data/SyH-DR-DUA-042324.pdfADR UK Synthetic Data Working Group.Considerations for the provision of synthetic forms of secure data. 2025. https://www.adruk.org/learning-hub/exploring-the-potential-of-synthetic-data/UK Data Service.Minimal documentation standard for synthetic data collections. Version 01.00, 2024. https://ukdataservice.ac.uk/app/uploads/MinimalDocumentationStandardForSyntheticDataCollections.pdfOffice for National Statistics (ONS).Synthetic data policy. UK. https://www.ons.gov.uk/aboutus/transparencyandgovernance/datastrategy/datapolicies/syntheticdatapolicyResearch Data Scotland.Synthetic Data Policy. Edinburgh. https://www.researchdata.scot/engage-and-learn/data-explainers/intro-to-synthetic-data/synthetic-data-policy/Swedish National Data Service (SND).Managing and publishing synthetic research data. Version 1, 2025. https://doi.org/10.5281/zenodo.14887525SYNDERAI Project.SYNDERAI Synthetic Data Generation and Use Policy. Version 1.2, 2025. https://synderai.net/World Economic Forum.Synthetic Data: The New Data Frontier. 2025. https://reports.weforum.org/docs/WEF_Synthetic_Data_2025.pdfProtecting patient privacy in tabular synthetic health data: a regulatory perspective. npj Digital Medicine, 2025. https://www.nature.com/articles/s41746-025-02112-0de Montjoye, Y.-A., Hidalgo, C. A., Verleysen, M., Blondel, V. D.Unique in the Crowd: The privacy bounds of human mobility. Scientific Reports, 3, 1376, 2013. https://doi.org/10.1038/srep01376Rocher, L., Hendrickx, J. M., de Montjoye, Y.-A.Estimating the success of re-identifications in incomplete datasets using generative models. Nature Communications, 10(1), 3069, 2019. https://doi.org/10.1038/s41467-019-10933-3SynthLeak.Breaching Privacy in Real-World Synthetic Data. 2024. https://amanpriyanshu.github.io/SynthLeak/