A Comparative Analysis of the Legal and Bioethical Frameworks Governing the Secondary Use of Data for Research Purposes
Notice bibliographique
Résumé
The secondary use of research and health data for purposes that differ from the original purpose of the collection is becoming a major trend in research, since it allows for the optimal use of already available resources, and reduces the costs of research activities. However, the consent provided at the time of the initial data collection might not have foreseen these new uses of the data. This is especially true for biobanks having collected data under a restricted or a disease-specific consent, and for data linkage, which allows researchers to combine research data with information from the medical record of participants. To protect the participants' privacy, confidentiality, and autonomy, the use of identifiable research and clinical data for secondary research purposes is governed by a rather complex legal and ethical framework. This article aims to: (1) provide a comprehensive analysis of the legal and bioethical framework governing the secondary use of data at the international level, and; (2) identify points of convergence and divergence with regard to the secondary use of data for research purposes, in five countries (Australia, Canada, France, United Kingdom, and United States). While the secondary use of already collected data carries benefits and drawbacks, the international and national legal framework provide guidance to promote a wider (although limited) secondary use of data, while protecting research participants' rights and interests. Despite some differences, the similarities between international and national regulations and norms reveal the emergence of a common set of criteria for the secondary use of data in international research.
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 | 0,006 | 0,017 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».