Le vol interne d’informations : modéliser et mesurer les facteurs de risque
Notice bibliographique
Résumé
Les affaires Wikileaks et Renault l’ont illustré à merveille : une entreprise ou un Etat peut dresser une forteresse pour se protéger contre l’extérieur, celle-ci ne la protégera en rien des menaces qui émanent de l’intérieur. La problématique du vol interne s’est imposée au sommet des priorités de ces acteurs, et quelques études de sondage ont accrédité l’ampleur du phénomène. Toutefois, ainsi que le rappellent Audrey Asseman et Benoit Dupont, aucune étude empirique ne se concentre sur les facteurs explicatifs du vol interne. Carence désormais comblée avec l’enquête réalisée par ces deux auteurs, dont les résultats évoqués exclusivement dans cet article permettent de mesurer l’importance respective de ces facteurs dans la dynamique du vol d’informations sensibles. Des données indispensables pour formuler une politique de prévention efficace en la matière. Les auteurs comparent alors ces résultats avec les mêmes facteurs tels qu’ils sont recensés par la littérature académique (facteurs situationnels, psychologiques, sociaux et psychosociaux).
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».