Notice bibliographique
Résumé
As the internet rapidly evolves and its wide influence expands, the Canadian government (as well as many other nations) have struggled to create and enforce policies that protect people online. This has become especially problematic as digital spaces used by children are constantly growing, and even more so as these children become active participants in not only the consumption but also the creation of internet content, leaving them vulnerable to privacy breaches and labour exploitation. Child Internet stars, or kidfluencers, are a vulnerable group that has relatively no legislative protection. Although the United States has laws to protect child actors from financial exploitation, these laws do not address other forms of abuse or the privacy of these children, and no laws exist in Canada or the United States to protect online child performers from the exploitation of their private lives and labour (Geider 2021 pg. 29). Instead, the responsibility falls to parents to ensure their kids are safe and protected when producing content online, but when the abuse stems from the family, no one is there to protect children from their parents. In the absence of concrete regulation, the onus falls on the platforms themselves to regulate and remove content that exploits children; however, content regulation has its own drawbacks. The Canadian government has the opportunity to act as an international legislative leader by putting forth legislation that requires platforms to cooperate with a national child digital welfare service to ensure fair treatment and compensation for this new generation of internet stars. This paper outlines various issues in regulating child based content as well as suggests possible policy solutions.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».