‘Adequate protection’: an analysis of Nigeria’s data protection laws within an emerging global data protection framework
Notice bibliographique
Résumé
The implementation of the European Union’s General Data Protection Regulation in 2018 appeared to be the catalyst for several countries to take data protection seriously, owing to concerns about transborder data flow restrictions, and has resulted in the global expansion of data protection laws. One of such countries is Nigeria, whose National Information Technology Development Agency (NITDA) introduced the Nigerian Data Protection Regulation (NDPR) in 2019. Nigerians are becoming more aware of the need to protect their personal data, and while the NDPR fulfils the need for a data protection law, it does not automatically mean that personal data of data subjects is adequately protected within Nigeria. Due to the lack of internationally binding data protection agreements, determining what constitutes an “adequate” data protection framework is challenging. The GDPR currently maintains the highest data protection standard and provides an assessment criterion in Article 45(2) for determining whether countries outside the EU have adequate data protection frameworks. In this regard, I assess how “adequate” Nigeria's data protection framework is in terms of the GDPR assessment criteria in Article 45(2). The Nigerian case is then compared to the Canadian data protection framework, which has received an adequacy decision from the EU. Based on this comparison, I make recommendations that, if implemented, will lay the groundwork for a data protection regime that meets the needs of Nigerian data subjects.
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 | 0,015 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,011 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».