The Semi-Privatization of Digital Copyright Regulation: The Politics of Automated Filtering and Platform Immunity in Canada, the European Union, and the Trans-Pacific Partnership
Notice bibliographique
Résumé
Recent reforms to digital copyright enforcement have given platform intermediaries and large copyright holders the power to sanction billions of underrepresented users worldwide. The automated monitoring, filtering, and removal of user-generated content has mirrored other forms of machine-based decision making, as it provides legal authority to algorithms and privatizes control over legal expression. While there is much debate on the effectiveness of current enforcement methods, there is still much to understand about the politics that influence these changes and the legal and policy frameworks that lead to machine-based decision making. \n\nTo fill this gap, this study explores the recent policymaking discourses that have influenced public narratives of automated filtering and the legal outcomes of related regulatory debates. I present three case studies of international and national reforms in one specific area of internet policy: intermediary liability law. These case studies include the Trans-Pacific Partnership in the United States (2016), The Canadian Copyright Modernization Act (2012), and Article 17 of the new Directive on Copyright in the Digital Single Market in the European Union (2018). I have analyzed hundreds of pages of government documents, including hearing transcripts, stakeholder submissions, and government reports to ascertain how reforms to digital copyright enforcement have developed and what this documentary evidence discloses about the politics and the geopolitics that have influenced these changes. Additionally, I analyze the legal and policy frameworks that lead to machine-based decision making, and the implications of automated content controls on social welfare and human rights.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».