A Challenge to Data Protection: the Privacy Implications of Data Mining and Machine Learning Artifacts
Notice bibliographique
Résumé
This paper considers some difficulties posed by data mining. While the legal implications of data mining have been considered by numerous scholars, this article differs in that it examines issues from a private-sector perspective. Much of the existing literature examines the implications of data mining when used to further state-sponsored surveillance programs. In contrast, this article focuses on several issues concerning data mining that arise in the course of commercial activity. In particular, I examine the issues that arise in the course of commercial data processing, where a data custodian sends data to a data processor. I argue that data mining poses a unique challenge, in that the intermediate work products developed during the data mining process can retain significant amounts of information about the data sets from which they were created, while at the same time eluding restrictions set by digital rights management, copyright and data protection (privacy) law. As a result, data mining may provide a means for data processors to legally obtain copies of confidential business information, as well as personal information. While some of these issues can be addressed by contract, the mechanisms involved are of general applicability, and have important ramifications for privacy and copyright law.
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 | 0,069 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,011 | 0,076 |
| Communication savante | 0,020 | 0,034 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,019 | 0,021 |
| 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 ».