MétaCan
Menu
Retour à la cohorte
Enregistrement W3087356675 · doi:10.4018/ijepr.20210401.oa3

Surveillance in the COVID-19 Normal

2020· article· en· W3087356675 sur OpenAlexaff
Michael K. McCall, Margaret Skutsch, Jordi Honey‐Rosés

Notice bibliographique

RevueInternational Journal of E-Planning Research · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueCOVID-19 Digital Contact Tracing
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésSeriousnessCoronavirus disease 2019 (COVID-19)Pandemic2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Term (time)Tracking (education)BusinessComputer securityPublic relationsRisk analysis (engineering)Political scienceInternet privacyComputer scienceSociologyMedicineVirologyLaw

Résumé

récupéré en direct d'OpenAlex

The COVID-19 pandemic has accelerated the adoption of surveillance technologies in cities around the world. The new surveillance systems are unfolding at unprecedented speed and scale in response to the fears of COVID-19, yet with little discussion about long-term consequences or implications. The authors approach the drivers and procedures for COVID-19 surveillance, addressing a particular focus to close-circuit television (CCTV) and tracking apps. This paper describes the technologies, how they are used, what they are capable of, the reasons why one should be concerned, and how citizens may respond. No commentary should downplay the seriousness of the current pandemic crisis, but one must consider the immediate and longer-term threats of insinuated enhanced surveillance, and look to how surveillance could be managed in a more cooperative social future.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,671
Score d'incertitude au seuil0,712

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0040,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,249
Tête enseignante GPT0,474
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of E-Planning ResearchMême sujetCOVID-19 Digital Contact TracingTravaux en français237 207