MétaCan
Menu
Retour à la cohorte
Enregistrement W4386331776 · doi:10.32920/24065577.v1

Election success and voter privacy: a delicate equilibrium

2023· preprint· en· W4386331776 sur OpenAlexaffabout
Mackenzie Gregory

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueLegal and Policy Issues
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésBallotModernization theoryEnforcementPublic administrationPoliticsPolitical scienceAccountabilityBusinessPrivacy policyFTC Fair Information PracticeLaw and economicsInformation privacyInformation privacy lawLawVotingEconomics

Résumé

récupéré en direct d'OpenAlex

This paper examines the extent to which Canadian political parties comply with legal requirements set out in the Elections Modernization Act, in the 2019 Federal Election. The two research questions explored will be as follows: did the introduction of the Elections Modernization Act fill the gap for appropriate voter data protection measures in federal elections; and what requirements gaps existed when compared to the European Union’s General Data Protection Regulation (GDPR). This paper finds that the Elections Modernization Act was not effective at protecting voter privacy due to absence of enforcement measures, failure to require adequate detail within the privacy policies, exemptions from Canada’s existing privacy policies, and the disregard for the metadata that exists within personal information. Additionally, it is argued that political parties do not comply with legal requirements and ultimately fall short on global best practices because of inadequate policies and lack of accountability measures. These conclusions suggest that implementing adequate privacy policies is not aligned with the agendas of candidates, as the motivations of elected members and party officials is to (a) increase their influence on voters, and (b) reap success at the ballot box, which can be done more easily and accurately with voter data.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,034
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,075
Score d'incertitude au seuil0,150

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,034
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0040,006
Communication savante0,0070,005
Science ouverte0,0010,004
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0340,002

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.

Tête enseignante Opus0,087
Tête enseignante GPT0,395
Écart entre enseignants0,308 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetLegal and Policy IssuesTravaux en français237 207