Personal security and public safety in the 21st century : the example of aerial drones with video analytics for public safety
Notice bibliographique
Résumé
En 2022, le législateur a adopté un cadre autorisant le recours à des drones aériens équipés de caméras par les forces de l’ordre et les services de secours. Ces caméras aéroportées sont venues s’ajouter à l’arsenal des systèmes de vidéoprotection et s’inscrire dans le débat de la surveillance de l’espace public. De fait, les qualités mobiles et aériennes des drones aériens de sécurité publique engendrent en contrepartie une amplification des restrictions portées notamment au droit au respect de la vie privée. En outre, le traitement de données qu’ils opèrent constitue une ingérence dans le droit à la protection des données à caractère personnel. Aujourd’hui, leur possible association à des algorithmes d’analyse d’images à des fins d’aide à la prise de décisions des forces de l’ordre fait apparaître de nouveaux enjeux à l’heure où les logiciels d’Intelligence artificielle ne bénéficient pas encore d’un cadre juridique adapté. Or, cette technologie n’étant pas infaillible, les décisions prises sur le fondement des résultats de l’algorithme pourraient conduire à des arrestations voire à des détentions arbitraires. Dès lors, cette thèse entend étudier les évolutions du rapport entre la sûreté et la sécurité dans lequel s’insèrent les drones aériens « augmentés » de sécurité publique. L’étude analyse l’incidence du recours à cette technologie sur les droits et libertés, avant d’aborder le renforcement possible de leurs garanties à l’ère des technologies de surveillance « augmentées » de sécurité publique.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».