MétaCan
Menu
Retour à la cohorte
Enregistrement W4317515961 · doi:10.1109/access.2023.3238311

Post-Pandemic Follow-Up Audit of Security Checkpoints

2023· article· en· W4317515961 sur OpenAlexafffund
Kenneth Lai, Leonardo Queiroz, Vlad P. Shmerko, Kelly W. Sundberg, Svetlana Yanushkevich

Notice bibliographique

RevueIEEE Access · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueCOVID-19 Digital Contact Tracing
Établissements canadiensMount Royal UniversityUniversity of Calgary
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaNatural Sciences and Engineering Research Council of CanadaMinistère de la Défense Nationale
Mots-clésAuditPandemicComputer securityCoronavirus disease 2019 (COVID-19)Computer scienceProfiling (computer programming)BusinessAccounting

Résumé

récupéré en direct d'OpenAlex

This paper provides a follow-up audit of security checkpoints (or simply checkpoints) for mass transportation hubs such as airports and seaports aiming at the post-pandemic R&D adjustments. The goal of our study is to determine biometric-enabled resources of checkpoints for a counter-epidemic response. To achieve the follow-up audit goals, we embedded the checkpoint into the Emergency Management Cycle (EMC) – the core of any doctrine that challenges disaster. This embedding helps to identify the technology-societal gaps between contemporary and post-pandemic checkpoints. Our study advocates a conceptual exploration of the problem using EMC profiling and formulates new tasks for checkpoints based on the COVID-19 pandemic lessons learned. In order to increase practical value, we chose a case study of face biometrics for an experimental post-pandemic follow-up audit.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,247
Score d'incertitude au seuil0,620

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0020,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,334
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE AccessMême sujetCOVID-19 Digital Contact TracingTravaux en français237 207