伊拉斯姆斯大学学术研究的综合数据

改进数据和隐私以增强研究完整性

合成数据集通过保留其统计特性和变量之间的关系来模仿真实数据集。 值得注意的是，这种方法还将披露风险降至零，因为合成数据集中没有记录代表真实的个人。

通过更轻松地访问更多数据来促进数据探索

通过共享模仿原始数据集的合成数据集（否则无法公开），研究人员、大学和利益相关者现在可以促进数据探索，同时维护参与者的隐私。 合成数据使研究人员能够访问更多的数据，而这些数据是真实个人数据无法获得的。 这允许使用更多数据进行数据探索，以实现更早的假设验证和研究过程中的结果。

通过更轻松地访问合成数据来增强研究的可重复性

通过共享模仿原始数据集的合成数据集（否则无法公开），研究人员可以确保其结果的可重复性。 作为出于可重复性目的发布和/或共享真实个人数据的替代方案，研究人员现在可以发布和/或共享合成数据。

学习课程的代表性综合数据

学习课程继续包含更多与分析相关的任务。 为此，需要代表性数据来让学生学习如何使用代表性数据构建和执行分析解决方案。 合成数据可以作为学习课程的一部分提供，以促进这一点，并让学生学习在代表性场景中构建分析模型。