Interoperable and standardized algorithmic images: The domestic war on drugs and mugshots within facial recognition technologies
Notice bibliographique
Résumé
Beginning in the 1990s, the National Institute of Standards and Technology (NIST) leveraged the 1980s’ American War on Drugs to improve and expand facial recognition technology (FRT) infrastructure, including the domestic building of FRTs reliant on mugshots. When examining mugshot databases gathered by the NIST, such as the Multiple Encounters Dataset (MEDS) I and II (2010) and Special Database 18 Mugshot Identification Database (SD-18) (2016), it is clear that the same gendered and racialized dynamics present in policing practices related to the War on Drugs is reflected in the mugshot databases that continue to use for FRT research and evaluation into the contemporary moment. This paper details the SD-18 and MEDS databases, as well as the MORPH database, showcasing how their representational, technical and political protocols operate. The desires for frictionless interoperability built into the images’ technical protocols supersede concerns for eugenic political and representational protocols, resulting in a current moment where the deployment of mugshot datasets cannot be contained to their original intended use with FRTs, but leak into other forms of algorithmic governance as well as into algorithmic image-making and visual culture, including generative artificial intelligence systems such as DALL-E.
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 | 0,012 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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.
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 ».