The Ethics of BI with Private and Public Entities
Notice bibliographique
Résumé
The Internet plays a vital role in data collection, information creation, and business intelligence (BI). The nature of information collected on the Internet, and the degree to which such information is collected, both have ethical ramifications. What data can be collected is very different from what data should be collected. Disregarding the latter question can be more profitable, but doing so can often involve unethical practices and more importantly, compromise the privacy of individuals. It has become widely known that private enterprises collect all manner of (BI) data about individuals, causing ethical concerns. The ethics of privacy do not affect private enterprises alone. In recent times the development and implementation of public information systems by public agencies have also resulted privacy breaches, both overt and inadvertent. This is despite the fact that governments have a responsibility to protect private data from external parties. While some privacy laws have been enacted, paradoxically, other governmental legislation such as the Freedom of Information Act (FOIA) has actually eased restrictions on the very information that the privacy laws have sought to protect. In this context, it is useful to compare US privacy regulations other countries, e.g. Canada. It is also useful to contrast federal regulations with those in States, e.g. Connecticut. Ethical concerns regarding private information have also spawned various “solutions” whose motives and success can be widely interpreted. It can be argued that the protection of privacy and private information are the responsibility of both private and public entities, who should take concrete steps to classify and protect private information
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».