Penser la protection des renseignements inférés sur la santé des personnes : du contrôle individuel à l’encadrement des utilisations en fonction de leur légitimité
Notice bibliographique
Résumé
Les outils d’analyse prédictive sont maintenant utilisés pour inférer des renseignements sur la santé des personnes à partir de vastes quantités de données disponibles, notamment celles que les gens laissent en naviguant sur Internet ou en utilisant un appareil connecté. Ces renseignements inférés peuvent servir à prendre des décisions sur les personnes à leur insu et mener à de la manipulation, de la discrimination et des inégalités sociales. Dans cet article, nous expliquerons qu’un encadrement des renseignements inférés en fonction de la légitimité de leur utilisation pourrait permettre de mieux protéger les personnes, mais à la condition d’élargir les préoccupations traditionnelles de notre législation sur la protection des renseignements personnels. Nous mettrons de l’avant la pertinence d’une approche fondée sur les risques qui va au-delà des risques d’identification et qui tient compte des effets du traitement des données pour les individus, les groupes d’individus et la société en général. En terminant, nous soulignerons la pertinence de la théorie de l’intégrité contextuelle d’Helen Nissenbaum afin d’identifier les utilisations des renseignements inférés sur la santé qui sont légitimes et socialement acceptables.
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 | 0,011 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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 ».