MétaCan
Menu
Retour à la cohorte
Enregistrement W1492103209 · doi:10.54648/eulr2014017

How Good are PIA Reports And Where are They?

2014· article· en· W1492103209 sur OpenAlexaboutno aff
David Wright

Notice bibliographique

RevueEuropean Business Law Review · 2014
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental and Social Impact Assessments
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCommissionStandardizationEuropean commissionProcess (computing)Data Protection Act 1998Political scienceBusinessPublic relationsLawPublic administrationEuropean unionComputer scienceInternational trade

Résumé

récupéré en direct d'OpenAlex

Privacy impact assessments (PIAs) may soon be standardised. The European Commission plans to make PIAs mandatory if Article 33 of its proposed Data Protection Regulation is adopted without any serious depredations by lobbyists. Concurrently, the International Organization for Standardization (ISO) is considering a standard for PIAs. The approaches currently being pursued by the Commission and the ISO have their antecedents in the PIA methodologies used in Australia, Canada, Ireland, New Zealand, the UK and the US. However, almost no attention has been paid to actual PIA reports to see how well or poorly they have been prepared and how closely they follow the PIA guidance documents in their countries. This paper argues that it is worth doing - to review actual PIA reports to see what can be learned from how they are implemented and whether their implementation offers any signposts for the policymaking process. However, finding actual PIA reports is something of a challenge. Following a search for UK PIA reports, this paper provides the results of analysis of some of those in terms of how well they followed the ICO PIA Handbook guidance, and what we can learn from an analysis of actual PIA reports. Along the way, this paper argues that organisations in the UK should create a registry of publicly available PIA reports.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,237
score de la tête « metaresearch » (Gemma)0,644
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,237
Score d'incertitude au seuil0,941

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2370,644
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0250,024
Études des sciences et des technologies0,0040,013
Communication savante0,0460,045
Science ouverte0,0060,004
Intégrité de la recherche0,0090,008
Charge utile insuffisante (le modèle a refusé de juger)0,0060,009

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,014
Tête enseignante GPT0,231
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Business Law ReviewMême sujetEnvironmental and Social Impact AssessmentsTravaux en français237 207