Legitimate Invasions: What Ontario can Learn from the History of the Consumer Reporting Act
Notice bibliographique
Résumé
The growth of modern surveillance has attracted great public and scholarly interest. As Justice Abella recently noted in Douez v. Facebook, the Internet has transformed the potential harms flowing from an unjustified invasion of one’s personal information. Most analyses of the associated risks, however, imply that the techniques and motivations for surveillance are new. In fact, tactics for collecting and exchanging information about individuals to gain power over those individuals are well documented since time immemorial. From William the Conquerer’s Domesday Book to IBM’s first census tabulating machine, the advantage gained through data sharing has greatly benefited the state. The history of surveillance, however, is not solely a history of government surveillance. The explosion of commercial and consumer credit, the ‘‘vital air of the system of commerce,” in the 19th century transformed surveillance by perfecting the process of flattening an individual’s identity into a monetizable reputation. Collecting and exchanging personal information became the artillery of the private sector, a necessity for growth and market saturation. Today, we are deeply accustomed to having our identities tested and our personal stories collected in commercial settings, taking for granted the infrastructures that trade them, and their justifications for doing so. In our highly mediated, digital economy, there is often no alternative to these legitimate invasions.
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 | 0,012 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,052 |
| Communication savante | 0,015 | 0,030 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,015 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».