Data Sovereignty & Forensic Investigative Genetic Genealogy (FIGG): A Path Forward For Humanitarian & Mass Graves Investigations
Notice bibliographique
Résumé
This paper addresses several issues concerning the ethical governance of forensic investigative genetic genealogy (FIGG) in humanitarian investigations that seek to identify decedents in mass graves, disaster victims, and to reconstruct past atrocities. FIGG is better suited to human remains investigations than existing forensic DNA methods, such as partial matching in CODIS databases, and for this reason its use has increased. However, survivor communities may not benefit from the use of FIGG to reconstruct past events and promote the goals of healing and reconciliation unless we first address several pressing issues with the ethical governance of FIGG in humanitarian investigations. These include a lack of trust on the part of survivor communities, concerns over privacy, autonomy, informed consent, and the future uses of genetic data that generate an unwillingness to provide DNA for forensic investigations. This paper looks at the movement of Indigenous data sovereignty, which posits that control over data should be put in the hands of those who are most affected by its use, and its potential to be used as a blueprint for the ethical governance of FIGG in all humanitarian investigations. This is illustrated through recent examples of data sovereignty being applied by FIGG investigators: the private, non-profit DNA Justice database, and the mass graves investigations at the Mother and Baby Home in Tuam, Ireland.
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 | 0,001 | 0,002 |
| 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 | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».