MétaCan
Menu
Retour à la cohorte
Enregistrement W4411542049 · doi:10.1162/99608f92.dc58eb7a

Navigating the Privacy Landscape: Harmonizing Legislative and Public Sector Approaches in the Canadian Context

2025· article· en· W4411542049 sur OpenAlexaffabout
Pierre Desrochers, Eric Rancourt

Notice bibliographique

RevueHarvard Data Science Review · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCriminal Law and Evidence
Établissements canadiensStatistics Canada
Organismes subventionnairesnon disponible
Mots-clésLegislatureContext (archaeology)Public sectorPolitical sciencePublic relationsInternet privacyPublic administrationGeographyComputer scienceLawArchaeology

Résumé

récupéré en direct d'OpenAlex

The conceptualization and operationalization of privacy protection are continuously evolving in response to advances in technology and shifts in societal values. This paper addresses a tripartite set of concerns linked to the Canadian context from the perspective of Statistics Canada: essential criteria for privacy protection models from a methodological standpoint, prevailing societal attitudes toward privacy, and potential policy frameworks to address these concerns. In the Canadian milieu, policy makers and advocates from various horizons increasingly request greater engagement as well as participative public policy dialogues on privacy protection, especially within the context of how it is applied within the Canadian National Statistical System. This paper undertakes a critical examination of evolving governance and privacy protection regimes at Statistics Canada, with a focus on where citizen engagement and policy discussions have gained notable traction. The objective is to catalyze academic and civil society discourses based on Statistics Canada’s experiences, aiming to better align the nuanced requirements of privacy protection with the practical demands of various stakeholders.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,062
score de la tête « metaresearch » (Gemma)0,075
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,493
Score d'incertitude au seuil0,587

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0620,075
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0120,020
Études des sciences et des technologies0,0640,060
Communication savante0,0430,011
Science ouverte0,0080,014
Intégrité de la recherche0,0080,012
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,357
Tête enseignante GPT0,403
Écart entre enseignants0,047 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHarvard Data Science ReviewMême sujetCriminal Law and EvidenceTravaux en français237 207