Integrating gender in anti-cybercrime capacity-building: a toolkit
Notice bibliographique
Résumé
Cybercrime has multiple gendered impacts. Ransomware attacks on healthcare systems can expose data and information that render women, LGBTIQ people and other minoritized groups vulnerable because of societal discrimination. Disruptions to online systems for public services can impede access to vital services – including sexual and reproductive health services – for people who already face barriers to access. The hacking of social media accounts and unlawful accessing of personal information is a risk for everyone, but the consequences of unauthorized sharing of intimate content – including images that have been altered or artificially generated – are often most serious for women and marginalized groups. Cybercrime defences must therefore ensure appropriate and proportionate protection for all vulnerable groups. This toolkit has been designed for practitioners working to integrate gender considerations in anti-cybercrime capacity-building activities. Using a set of example projects, it offers clear steps to promote the gender-sensitive design and implementation of a wide range of capacity-building activities. Presented as both an interactive digital resource and a PDF download, the toolkit is intended to enable everyone responsible for developing and strengthening the skills, abilities and resources of organizations and communities to survive and thrive in cyberspace – and those who support them in this work – to do so with full regard for gender equity and sensitivity.
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 | 0,015 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,009 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,004 | 0,021 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,007 |
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 ».