AI-evaluatie van het anonimiseren van Nederlandse teksten

Controleert of een model of een anonimiseringscontext geen Nederlandse persoonsgegevens doorlaat (e-mail, telefoon, IBAN, BSN, geboortedatum).

Geëvalueerde resource

Criteria

Elk persoonsgegeven moet door het juiste label worden vervangen; een tekst zonder persoonsgegevens moet identiek blijven.

Testgevallen

Geschatte kosten

Invoertokens per aanroep : ≈ 332

Alleen de invoerkosten, zonder het antwoord van het model. Openbare standaardprijzen van de aanbieders (Mistral AI, DeepSeek, OpenAI, Anthropic), omgerekend van USD naar euro tegen de ECB-koers van 29 september 2026. Schatting: 1 token ≈ 3,6 tekens.

Identificatie

contextetech--eval-teksten-anonimiseren-avg

Type

Evaluaties

Bestand

eval-teksten-anonimiseren-avg.eval.jsonl

Formaat

JSON Lines (application/jsonl)

Grootte

494 bytes

Codering

UTF-8

Geschatte tokens

≈ 137

Taal

Nederlands

Licentie

CC BY 4.0

Commercieel gebruik

Toegestaan

Persoonsgegevens

Fictief (verzonnen)

Versie

1.0

Gepubliceerd op

8 oktober 2026 om 19:47

Bijgewerkt op

8 oktober 2026 om 19:47

Opslag

in de database

Keer gebruikt

0

Likes

0

eval-teksten-anonimiseren-avg.eval.jsonl

{"input":"Bel Ruben Smits op 06 98765432.","expected":"\\[TELEFOON_1\\]"}
{"input":"Mijn e-mailadres is l.mulder@ziggo.nl, bedankt.","expected":"\\[EMAIL_1\\]"}
{"input":"BSN: 111222333","expected":"\\[BSN_1\\]"}
{"input":"IBAN: NL91 ABNA 0417 1643 00","expected":"\\[IBAN_1\\]"}
{"input":"Geboren op 22-07-1988 woont Fleur Bos in Groningen.","expected":"\\[GEBOORTEDATUM_1\\]"}
{"input":"Het pakket vertrekt morgen vanuit Utrecht.","expected":"^Het pakket vertrekt morgen vanuit Utrecht\\.$"}

De evaluatie uitvoeren (Python)

import json, re

cases = [json.loads(l) for l in open("eval-teksten-anonimiseren-avg.eval.jsonl")]

def score(answer, expected, metric="regex"):
    if metric == "exact": return answer.strip() == expected.strip()
    if metric == "regex": return re.search(expected, answer) is not None
    return expected.lower() in answer.lower()   # contains (llm-judge : faire noter par un modèle)

def run(ask):  # ask(input) -> réponse du modèle
    ok = sum(score(ask(c["input"]), c["expected"]) for c in cases)
    print(f"{ok}/{len(cases)} réussis ({100 * ok // len(cases)} %), seuil 100 %")