To track or not to track? Employees’ data privacy in the age of corporate wellness, mobile health, and GDPR†
Notice bibliographique
Résumé
... The latest digital health developments have allowed for a better tracking of individuals’ health through wearable devices and health apps, also known as ‘mobile health’ (mHealth). mHealth companies do not only target individual consumers, but also businesses, as they see a market in corporate health and wellness programs. As such, some employers now offer employees to use fitness wristbands or smartwatches so that employees can monitor their health at work and beyond. These devices and apps enable users to track their exercise, number of steps, sleep patterns, eating habits, and a myriad of other health-related activities, which are typically not connected to work. For example, the Apple Watch Series 5 offers to monitor heart rate and glucose levels, and collects, the user's health information in the user’s iPhone Health app.’1 Employers present mHealth devices and apps as company ‘perks’ for employees. However, the use of mHealth devices may come at a price for employees, who may share their most personal information, namely their health information, with their employer and third parties, such as mHealth developers, and/or insurance companies. For example, an employee may share unwillingly or unknowingly information with his/her employer about his/her diabetes condition, heart disease, or insomnia. Sharing this information with the employer not only affects the employee’s right to privacy and data protection, but also his/her right to non-discrimination, as the employer could potentially take into account this health information in decisions ranging from promoting to dismissing the employee.
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 | 0,014 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,010 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».