Balancing Privacy & Security: Legal Frameworks Governing Digital Surveillance in Law Enforcement
Notice bibliographique
Résumé
Modern technology equipment has facilitated the police force by the use of facial recognition, data monitoring, and internet tracking equipment to fight crime and terrorism.But it makes the problem of violation of individual rights, particularly personal privacy, more acute.The subject of this paper is the regulation of surveillance in India about the promotion of the public interest and citizens' rights.Main legislation has been discussed alongside the Information Technology Act, of 2000, the Digital Personal Data Protection Act, of 2023, and other legal judgments, including the Right to Privacy judgment in the Supreme Court Case of K. S. Puttaswamy.Laws on surveillance across different countries are also presented to compare and contrast this situation with other international laws like; the General Data Protection Regulation of the European Union, the USA Patriot Act as well and the privacy laws of Canada.Thus, the paper highlights the drawbacks of the Indian legislation on judicial oversight, transparency, accountability, and data protection principles in cases of probable abuse and the consternating evidence for over-emerging disproportionality in the dig watch.Twining such measures, India can maintain the proper balance between rights and liberties as well as liberties and security to save democratic values along with strengthening the security measures in the aspect of digital society.It is for this reason that these measures are very important to prevent the general public from losing their trust and becoming victims of an extra vigilante state.
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 | 0,008 | 0,007 |
| 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 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».