Cross-Jurisdictional data privacy compliance in the U.S.: developing a new model for managing AI data across state and federal laws
Notice bibliographique
Résumé
The fragmented landscape of data privacy laws in the United States poses significant challenges for organizations utilizing artificial intelligence (AI) systems that process sensitive and large-scale data. Variations in state laws and the absence of a comprehensive federal framework exacerbate compliance complexities, limiting AI innovation and creating legal uncertainties. This paper proposes a conceptual model to harmonize privacy compliance across U.S. jurisdictions, integrating key interoperability principles, consistency, transparency, and scalability. The framework emphasizes standardized practices for data classification, consent management, risk assessment, and enforcement mechanisms supported by technological enablers such as privacy-enhancing technologies and AI compliance tools. Through case studies in healthcare, e-commerce, and finance, the paper demonstrates the framework’s practical application and effectiveness in resolving multi-jurisdictional compliance challenges. Actionable recommendations for policymakers, organizations, and AI developers are provided to facilitate implementation alongside future research directions to refine the model and address emerging privacy risks. This study offers a roadmap for navigating the complexities of U.S. privacy laws, promoting trust, accountability, and responsible AI innovation. Keywords: AI data governance, U.S. privacy laws, Cross-jurisdictional compliance, Privacy-enhancing technologies, Data protection framework, Ethical AI.
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 | 0,042 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,018 |
| Communication savante | 0,017 | 0,019 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».