Information Brokers, Fairness,\nand Privacy in Publicly Accessible\nInformation
Notice bibliographique
Résumé
The European Union, Canada, and the United States have each grappled with what\ncounts as fair business practices in relation to information services that collect and\npackage personal information that has ended up in one way or another online. On\nthe open internet, this personal information often originates from two types of online\nsources: public records like arrests, mugshots, court decisions, and bankruptcy records;\nand user-generated content hosted on social media platforms and sites. This article\nargues that personal information that has been exposed to public view — be it by a\ngovernment institution, another individual or organization, or by the data subject him\nor herself — should not be considered fair game to any and all subsequent commercial\nexploitation. The blunt concept of “public” information should be refined to a more\nnuanced understanding of “publicly accessible” information, where public access can be\nlimited to particular purposes. By focusing on fairness in business dealings in publicly\naccessible personal information, it should be possible to move beyond a fixation on\nlocating the elusive divide between private and public online information, and instead\nframe privacy as situated in a three-way balance of interests between the business, the\npublic, and the data subject.
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 | 0,042 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,014 | 0,049 |
| Communication savante | 0,028 | 0,026 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,009 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».