Protecting Big Data in the Big Leagues: Trade Secrets in Professional Sports
Notice bibliographique
Résumé
The protection of trade secrets within the professional sports industry became a hot-button issue in the summer of 2015, after news reports emerged revealing that officials from Major League Baseball’s St. Louis Cardinals were under federal investigation for having illegally accessed proprietary information belonging to their league rival, the Houston Astros. Indeed, professional sports teams in the United States and Canada often possess various forms of proprietary information or processes — ranging from scouting reports and statistical analyses to dietary regimens and psychological assessment techniques — giving them a potential competitive advantage over their rivals. Unfortunately, as with the rest of the economy at-large, little empirical data exists regarding either the types of proprietary information owned by these teams, or the measures that teams are taking to protect their trade secrets. Drawing upon freshly collected survey data, this article helps to fill this void in the literature by providing novel empirical evidence regarding the modern trade secret practices of the teams in the four major North American professional sports leagues. Based on the results of a first-of-its-kind survey conducted in the spring of 2016 of the general counsels of teams in the four major leagues, the article sheds light on both the types of information subjected to trade secret assertion by these firms, as well as the methods they are using to safeguard their data. In the process, the article examines the implications of these survey results for the professional sports industry, while also identifying potential new lines of inquiry for future trade secret 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 | 0,003 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 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 ».