Improving privacy protection in the area of behavioural targeting
Notice bibliographique
Résumé
Behavioural targeting, or online profiling, is at the core of many privacy problems on the Internet. Behavioural targeting involves monitoring people’s online behaviour and using the data obtained to expose people to individually targeted advertisements. In the process, firms gather information, store it, analyse it, and disclose it to other firms. Firms compile detailed profiles, based on what Internet users read, what videos they watch, what they search for, etc. People have litlle control over what happens to information concerning them. There is wide agreement that EU data protection law - and similar regimes in countries worldwide - offers insufficient protection of privacy on the Internet. This publication examines how the law could improve online privacy protection, and is among the first legal studies to discuss the implications of behavioural sciences for privacy law. A detailed analysis is presented of the problematic role of informed consent in data protection law, emphasising the tension in the law between protecting and empowering the individual. [...] Given the limited potential of informed consent as a privacy protection measure, the publication argues that policymakers can improve legal privacy protection by focusing less on empowering people and more on protecting people. Practitioners, businesspersons, policymakers, and regulators will find much here to help them develop a more cogent, socially responsible, and reasonable approach to privacy law and policy - not only in Europe but anywhere in the world."
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 | 0,048 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,011 |
| Communication savante | 0,013 | 0,019 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,008 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 ».