MétaCan
Menu
Retour à la cohorte
Enregistrement W4401326620 · doi:10.1007/s40318-024-00276-7

The use of doping control data to administer sex-based eligibility regulations: an analysis of how the World Anti-Doping Agency and international sport federations violate data protection laws

2024· article· en· W4401326620 sur OpenAlexaffabout
Marcus Mazzucco, Jensen Brehaut

Notice bibliographique

RevueThe International Sports Law Journal · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDoping in Sports
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésLawAgency (philosophy)Political scienceSociology

Résumé

récupéré en direct d'OpenAlex

Abstract The World Anti-Doping Agency (WADA)’s World Anti-Doping Code (WADC) provides that anti-doping organizations, such as international sport federations (IFs), may use data from a doping control test to monitor compliance with sex-based eligibility regulations that regulate the serum testosterone levels of transgender and intersex athletes. This contemplated use of doping control data has been incorporated into the regulations of several IFs and is facilitated by WADA’s Anti-Doping Administration Management System (ADAMS)—a web-based database managed by WADA in Canada that contains analytical results from doping control tests and is accessible by anti-doping organizations. WADA’s collection, use and disclosure of personal information through ADAMS is subject to Canada’s Personal Information Protection and Electronic Documents Act (PIPEDA). This paper examines WADA’s non-compliance with PIPEDA when it discloses doping control data in ADAMS to an IF for the purpose of the IF’s administration of sex-based eligibility regulations, and how a complaint about WADA’s data disclosures might be handled by Canada’s Privacy Commissioner. The paper also examines the application of the European Union’s General Data Protection Regulation to IFs that seek to use doping control data stored in or outside of ADAMS to administer sex-based eligibility regulations. The paper concludes with the perspective that data protection laws can be used to challenge the implementation of sex-based eligibility regulations, alongside other human rights-based legal strategies.

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)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Communication savante
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 enseignants0,400
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0020,000
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 Opus0,174
Tête enseignante GPT0,405
Écart entre enseignants0,231 · 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.

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

Citations7
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe International Sports Law JournalMême sujetDoping in SportsTravaux en français237 207