An assessment of synthetic data generation, use and disclosure under Canadian privacy regulations
Notice bibliographique
Résumé
Synthetic data generation (SDG) plays an increasingly important role as a research and innovation accelerator. While SDG can enable privacy-preserving data sharing, it also raises privacy concerns compounded by uncertainty how privacy law applies to SDG and the generated data itself. Such uncertainty can hinder positive applications of SDG and put individual privacy rights at risk. This study aims to understand how SDG and synthetic data are treated under Canadian federal privacy law, identifying regulatory gaps that extend beyond the Canadian context and proposing recommendations to address them. Our analysis shows that SDG is not explicitly addressed by the statute. While SDG arguably qualifies as a use of personal information, it is unclear whether consent is required for SDG. Further Fair Information Practices with respective obligations apply to SDG just as they do to any use of personal information. The generated data itself could fall outside the law's scope since it is more likely to qualify as non-personal than traditionally de-identified data but the concept of identifiability under the statute remains ambiguous, particularly regarding inferences. An unclear definition of identifiability represents a relevant gap in privacy law that can harm the individual directly, through the exposure of personal information, or indirectly, by hindering the adoption of SDG and other beneficial privacy-enhancing technologies. A Code of Practice, anchored in legislation, could address such privacy concerns and ensure the proper application of SDG.
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 | 0,070 | 0,175 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,012 |
| Études des sciences et des technologies | 0,010 | 0,011 |
| Communication savante | 0,014 | 0,004 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».