Protecting farmers' data privacy and confidentiality: Recommendations and considerations
Notice bibliographique
Résumé
With the increasing use of precision agriculture and technological development, the agricultural sector has been majorly transformed. Precision agriculture uses technological innovations such as sensors, drones, and data analysis tools to improve the productivity of resources and management decisions on the farm. Since these technologies collect a large amount of data related to the farm, the farmers are concerned about the privacy of their data. The farmers are worried about unauthorized access, collection, and sharing of their data with third parties by the agricultural technology providers (ATPs). Furthermore, the ambiguity of agreements and legal frameworks around data collection, processing, and sharing may result in uncertainty in data privacy practices. Furthermore, this situation is aggravated by a lack of adoption of best practices and standards for farm data protection. Violation of privacy can cause reluctance among farmers to adopt new technologies which can negatively impact various stakeholders, government, and public. Protecting farmers' privacy and respecting their rights related to the collected data should be addressed collectively by the actors in the farming ecosystem, including farmers, agricultural technology providers, governments, and supply chain stakeholders. This paper aims at providing recommendations on how to minimize privacy risks and concerns for farmers and reviews some of the data governance best practices for data protection.
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 | 0,107 | 0,193 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,015 |
| Communication savante | 0,018 | 0,039 |
| Science ouverte | 0,009 | 0,010 |
| Intégrité de la recherche | 0,039 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,004 |
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 ».