To Observe and Protect? How Digital Rights Management Systems Threaten Privacy and What Policy Makers Should Do About it
Notice bibliographique
Résumé
The author begins the chapter by distinguishing between technological protection measures (TPMs) and digital rights managements (DRMs) systems, examining how such technologies are used to enforce corporate copyright policies and express copyright permissions imposed by a DRM through a registration process that requires purchasers to hand over personal information. Given DRM's extraordinary surveillance capabilities, the author argues that anti-circumvention laws must contain express provisions and penalties to protect citizens from organizations using TPMs and DRMs to pirate personal information, engage in excessive monitoring, and preclude people from exercising their right to access and control personal information. The author presents the view that any law which protects surveillance technologies used to enforce copyright must also protect people's privacy. Such laws must contain express provisions and penalties that protect citizens from organizations using TPMs and DRMs to engage in excessive monitoring or the piracy of personal information. In determining an appropriate balance, the author introduces three public policy considerations: (i) the Anonymity Principle; (ii) Individual Access; and (iii) Freedom From Contract. The author concludes with three corollary recommendations: (i) include an express provision prohibiting the circumvention of privacy by TPM/DRM, notwithstanding license provisions to the contrary; (ii) include an express provision stipulating that a DRM licence is voidable when it violates privacy law; and (iii) include an express provision permitting the circumvention of TPM/DRM for personal information protection purposes. These recommendations provide a set of counter-measures necessary to offset the new powers and protections afforded to TPM and DRM.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,050 |
| Communication savante | 0,039 | 0,060 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,015 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».