MétaCan
Menu
Retour à la cohorte
Enregistrement W179288672

Identity Theft: Who Is Using Your Name?

2014· article· en· W179288672 sur OpenAlexfundaboutno aff
Sean Edward Moran

Notice bibliographique

RevueSummit (Simon Fraser University) · 2014
Typearticle
Langueen
DomaineComputer Science
ThématiqueCybercrime and Law Enforcement Studies
Établissements canadiensnon disponible
Organismes subventionnairesSimon Fraser University
Mots-clésIdentity (music)Identity theftInternet privacyComputer securityBusinessComputer sciencePhilosophyAesthetics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Technology has advanced at a tremendous pace over the last decade. These advancements have produced immense benefits to the population, but have also increased opportunities for criminal activity. Traditional crimes are being perpetuated in a different environment, with different tools, and targeting different victims. Identity theft is a form of larceny that may destroy a person’s reputation and causes emotional and financial havoc, with long-lasting effects. Consequently, while research has progressed, it has been a constant struggle to keep up with the evolution of the crime and the subsequent policy and legislative responses of governments. This study investigates the rise of identity theft in Canada and its implications for individuals, businesses, governments, and other public bodies. The main objective of the research is to recommend ways Canadian legislation and policies can keep up to date with the accelerated growth of identity theft and fraud.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,922
Score d'incertitude au seuil0,715

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,025
Tête enseignante GPT0,241
Écart entre enseignants0,216 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations1
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSummit (Simon Fraser University)Même sujetCybercrime and Law Enforcement StudiesTravaux en français237 207