ARTIFICIAL INTELLIGENCE AND DATA PRIVACY: A CRITICAL REVIEW OF LEGAL AND TECHNOLOGICAL FRAMEWORKS
Notice bibliographique
Résumé
This paper examined the dual objectives of fostering innovation through AI while ensuring robust data privacy. The paper adopted the doctrinal method of research by relying on both primary and secondary sources of information or data. Primarily, it utilises a legal approach using data such as the European Union Artificial Intelligence Act, the General Data Protection Regulation, the California Consumer Protection Act and the Nigeria Data Protection Act. The secondary sources of data used include textbooks, online articles in learned journals, relevant materials from the internet, magazines, newspapers, other periodicals, dictionaries and reports. The study found that a multi-faceted approach is necessary to navigate the intersection of AI and data privacy, ensuring that technological progress does not compromise individual rights and trust in AI systems and finally make recommendations which include technical solutions such as differential privacy, federated learning, and homomorphic encryption which aim to balance data utility and privacy
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 | 0,024 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,014 | 0,013 |
| Études des sciences et des technologies | 0,003 | 0,029 |
| Communication savante | 0,011 | 0,020 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,008 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».