A Delphi study on the role of privacy enhancing technologies (PETs) in data sharing ecosystems
Notice bibliographique
Résumé
Privacy-enhancing technologies (PETs) have the potential to revolutionize data sharing by streamlining time-consuming and complex risk assessment processes without sacrificing privacy and increasing risks. To realize the potential of PETs, the paper proposes that the use of PETs needs to be better communicated, promoted and legitimized. This paper provides a consensus (Delphi) study with a global panel of experts on PETs who convened the United Nations in the context of data innovation for the global community of official statistics. This panel evaluated statements and recommendations of the use of PETs in the risk assessment process for data sharing. The panel agreed that the use of PETs can improve use of the Five Safes framework for data sharing agreements. While best practices for PET deployment are still being established, the potential benefits of PETs should be communicated more effectively by emphasizing the importance of objectivity regarding the benefits and limitations rather than over-promising the benefits (30). The panel recommended institutional assessment of the utility trade-off in the use of PETs and buy-in beyond the technology domain. It was also recommended that regulators should play an active role in guiding how organizations can combine core data protection principles with PETs to supplement other measures. The panel further recommended developing standardized, PETs-specific terminology to facilitate education and communication about PETs with key 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 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 | 0,103 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,007 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».