Health Data and Privacy in the Digital Era
Notice bibliographique
Résumé
In 2010, the social networking site Facebook launched a platform allowing private companies to request users’ permission to access personal data. Few users were aware of the platform, which was integrated into Facebook’s terms of service. In 2014, Cambridge Analytica, a UK-based political consulting firm, developed a data-harvesting app. That app prompted Facebook users to provide psychological profiles, including responses such as “I get upset easily” and “I have frequent mood-swings” as part of a “research project.” The Facebook platform allowed users to share their friends’ data as well, enabling Cambridge Analytica to access tens of millions of personal profiles, identifying voters’ political preferences. The controversy revealed risks to identifiable health data posed by social media and web services companies’ practices. After the Cambridge Analytica controversy, Facebook suspended a project that aimed to link data about users’ medical conditions with information about their social networks. Individuals often reveal detailed, sensitive health information online. Through wearable devices, social media posts, traceable web searches, and online patient communities, users generate large volumes of health data. Although some individuals participate in online patient forums and wellness information sharing apps under their own names, others participate via pseudonyms, assuming their privacy is preserved. Many users believe their data will be shared only with those they designate.
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 | 0,021 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,051 |
| Communication savante | 0,016 | 0,023 |
| Science ouverte | 0,001 | 0,012 |
| Intégrité de la recherche | 0,010 | 0,010 |
| 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 ».