Distinguishing Friend from Foe: Law and Policy in the Age of Battlefield Biometrics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary In the space of just over ten years, the collection and use of biometric data in the context of international military operations has gone from being virtually unheard of to being an everyday occurrence. The Canadian and US armed forces operating in Afghanistan, for example, have together collected the digital fingerprints, eye scans, and digital photographs of more than 2.5 million Afghans. The introduction of biometrics technology to warfare has undoubtedly increased the security of the armed forces that use it and made it easier for them to kill or capture their enemies. Its effectiveness, reliability, and convenience have all been praised. Due in part to its novelty, however, law and policy relating to the use of biometrics in conflict situations remain underdeveloped. This underdevelopment poses considerable risks for the already vulnerable populations who are being subjected to these programs, potentially including violations of their right to privacy, misuse of their personal data, or their misidentification as enemies or threats. This article weighs these benefits and risks associated with biometrics technology. It analyzes the extent to which law and policy already govern the collection and use of biometrics by armed forces at both the domestic and international levels. It explores why the United States and Canada — the two states whose armed forces appear to be the most heavily engaged in the collection of biometric data abroad — have adopted such different policies with respect to the use of biometrics. It explains why the current international legal and policy vacuum in relation to battlefield biometrics is unacceptable and concludes that the time to discuss best practices is now. Ten non-legally binding guidelines are proposed for consideration and potential adoption by states.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| 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 découle