Review of Fan’s Camera Power: Proof, Policing, Privacy, and Audiovisual Big Data
Notice bibliographique
Résumé
Police body-worn cameras (BWCs) and civilian cameras continue to proliferate across the US, the UK, and Canada.As more BWCs and civilian cameras are adopted, the total collected audiovisual data increases.This collected data increase poses new challenges and opportunities for governments, police services, and the public.Camera Power: Proof, Policing, Privacy, and Audiovisual Big Data provides an excellent description of these new challenges and opportunities alongside various ethical, legal, and policy implications from the vast stores of audiovisual data and the continued proliferation of both police and civilian cameras.Fan argues that more cameras and their collected data, both from police and civilians, is not necessarily bad.These collected data can be bad, and there are serious ethical, legal, policy, and privacy concerns around the use of these collected data.However, if these concerns are navigated correctly, these data can provide better police training, public trust, and predictive analytic ability.Camera Power examines these concerns and potentials, spending its pages discussing both sides of each primary and sub-argument, offering academic literature, personal accounts, and legal decisions as support for the various arguments.The book ends with a short conclusion on how BWCs are "no technological silver bullet" (251); BWCs cannot solve the hard policy and law enforcement problems.However, BWCs do provide an avenue for both sides of the political divide to communicate, a necessity for navigating the ethical, legal, and policy concerns about BWCs.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».