Access My Info: measuring data access rights around the world
Notice bibliographique
Résumé
In 2014, the Citizen Lab and Open Effect started Access My Info (AMI) a research project that uses data access requests and complementary policy, legal, and technical methods to learn about how private companies collect, retain, process, and disclose individuals’ personal data. Accompanying the research methodology is a web-based tool that helps members of the public generate data access requests based on templates tailored to different industries. AMI was first applied in Canada and resulted in tens of thousands of Canadians making DARs to telecommunication companies. The results of the study showed inconsistent responses across companies and documented consumers experiencing in significant barriers to accessing their data. Following the first AMI project in Canada, the Citizen Lab formed a working group to bring the research method to Asia and comparatively measure responses to DARs across the region. The working group includes academics, lawyers, advocates, and designers working in five jurisdictions: Hong Kong: Lokman Tsui (Chinese University of Hong Kong), Stuart Hargraves (Chinese University of Hong Kong), Keyboard Frontline (advocacy organization, Hong Kong), InMedia (media group, Hong Kong), Jason Li (Designer, Hong Kong) South Korea: Kelly Kim (OpenNet Korea), KS Park (Korea University) Australia: Adam Molnar (University of Waterloo / Deakin University) Indonesia: Sinta Dewi Rosadi (University of Padjadjaran) Malaysia: Sonny Zulhuda (International Islamic University Malaysia)
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 | 0,006 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».