Moneyball in the Era of Biometrics: Who Has Ownership Rights Over the Biometric Data of Professional Athletes?
Notice bibliographique
Résumé
The 2003 release of Michael Lewis’s book, Moneyball, brought into the mainstream a new paradigm for professional sports management: the use of statistical analysis to identify currently undervalued athletes in an effort to gain a competitive advantage. This pressure to accurately value athletes has led, in part, to the widespread collection of professional athletes’ biometric data. While biometric data can create many benefits, its misuse can lead to detrimental outcomes for the athletes, including inequitable contract negotiations, loss of potential revenue from monetization of said data, and a loss of privacy. Thus, this paper seeks to determine who holds the ownership rights over biometric data collected from professional athletes. I argue that the question of ownership is unanswered by the collective bargaining agreements and standard player contracts for professional sports leagues in North America, as well as by the Personal Health Information Protection Act and the Personal Information Protection and Electronic Documents Act. I turn to the precedent set by the Supreme Court of Canada regarding ownership of patient medical records to conclude that ownership rights over the biometric data belong to the party collecting such data, and not the athletes themselves. Nevertheless, the collective bargaining agreements and relevant legislation afford athletes some protections against the misuse of their biometric data.
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 | 0,017 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,032 |
| Communication savante | 0,016 | 0,017 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,011 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».