The Face as Image: Witnessing, Minimizing Harm and Testimony
Notice bibliographique
Résumé
This paper explores the human face as an important image, and as visual data, in the context of academic work. We explore its philosophical value through a discussion of testimony and witnessing, visual data through the interface between academia and social media in the broader world, and with a reflection of university-based ethics. We explore the example of academic publication of a participant’s face as presented in peer reviewed journals, online and open access, or through other academic deliverables and printed content. The question of how we as researchers and members of REBs (Research Ethic Boards) should act as protectors of participants who want to reveal their faces as image data in research is an interesting one. The paper explores the context of ‘image testimony’, in light of literature on witnessing and trends in social media. The face as an image online has become an important “voice”. The face as visual image then also emerges as relevant in ethics, through data collection, and the ongoing work of researchers. In the context of modern digital media communications, it is hard to imagine the success of social media platforms without human faces, personal choices made by individuals posting selfies while eating, demonstrating, or going on nature hikes. In the broadening cultural narrative of the face as digital image, we reflect on where the university and the REB stand. Our discussion explores ethical considerations and makes recommendations.
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 | 0,025 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,026 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».