1 Enabling Dynamic Linkage of Linguistic Census Data at Statistics Canada
Notice bibliographique
Résumé
Abstract—We explore the applicability of two privacypreserving mechanisms to solve a real-world problem of strategical importance in population health research in Canada. The goal is to enable dynamic and automated linkage between health data (hosted at ICES – a provincial agency) and language variables from the 2006 census (hosted at Statistics Canada – a federal agency). The first mechanism relies on a pattern of interaction that, by design, prevents the collection of residual information, all the while making assumptions on the entities ’ intentions. The second makes no such assumption and relies instead on the true understanding of what statistical leakage is at play, thanks to recent advances in private data analysis (a field at the confluence of cryptology, statistics, and database systems). In particular, we show how results from this domain make it possible to characterize the worst-case information leakage, and support the argument that data utility remains achievable for virtually any level of risk acceptable. This demonstrates a form of linkage is possible between health data and linguistic data in Canada, despite the seemingly hard obstacles induced by its multi-level privacy policies. Based on these observations, we suggest some directions to implement the proposed mechanisms, whose availability would create unprecedented opportunities for population health researchers. A. The context I.
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 | 0,021 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,005 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».