Pratiques numériques et mise en données de la défense des droits humains
Notice bibliographique
Résumé
Une abondante littérature témoigne de l’intégration progressive des technologies numériques dans les activités des défenseur·e·s des droits humains (DDH). Cet article présente les résultats d’une revue systématique de la littérature sur plus de dix ans (2010-2021) portant sur les pratiques numériques de défense et de répression des droits humains. L’analyse de la littérature met en évidence des répertoires de pratiques numériques à la fois dans la défense des droits humains et dans la répression des personnes et des organismes qui s’y consacrent. Elle permet par ailleurs de dresser un inventaire des facteurs qui exercent une influence sur la capacité des défenseur·e·s des droits humains à mobiliser les technologies numériques dans le cadre de leurs activités. Les constats indiquent que les processus de mise en données sont déterminants dans les pratiques des défenseur·e·s des droits humains et des États impliqués dans leur répression. Ces processus jouent également un rôle crucial dans la détermination des possibilités et des risques des technologiques en contexte de militance démocratique. L’analyse de la littérature met en évidence des représentations et des actions politiques entreprises par les défenseur·e·s des droits humains pour exercer une pression sur les processus réglementaires et de gouvernance des données numériques dans le but de réduire les risques et d’accroître leur capacité d’action.
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 | 0,019 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,010 | 0,013 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,003 |
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 ».