Video Surveillance, Evidence and PIPEDA: A Comment on Ferenszy v. MCI Medical Clinic
Notice bibliographique
Résumé
One of the most common uses of surveillance is in the area of evidence gathering for investigation by litigators. Private investigators have long been retained for this purpose, and law enforcement officers routinely utilize surveillance devices to assist in the prosecution of a crime. The admissibility of video surveillance evidence obtained by private and government investigators is obviously not a new issue. What has come to the fore- front is the application of the Personal Information Protection and Electronic Documents Act in the context of video surveillance evidence, and its impact on civil litigators. Privacy interests inherent in the collection, use, and disclosure of personal information may be protected under PIPEDA, which clearly adds another consideration to the issue of admissibility of surveillance evidence. The impact of PIPEDA on video surveillance evidence in the employment context has been addressed by the federal Privacy Commissioner, who has assessed the legitimacy of surveillance on a ‘‘reasonableness’’ standard. The Ontario Superior Court, in Ferenczy v. MCI Medical Clinics, has now interpreted PIPEDA in the litigation context in which a private investigator was used to gather information by video surveillance. While much of Dawson J.’s decision is obiter, his analysis with respect to video surveillance and PIPEDA may be an indication of how courts will deal with investigative evidence col- lected in the litigation process. The end result in Ferenczy is likely correct, but Dawson J.’s PIPEDA analysis appears to be a fairly transparent effort to avoid transforming litigation ‘‘into something very different than it is today’’. While the insurance industry may have breathed a sigh of relief, for privacy advocates, this deci- sion is likely a cause for concern.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».