Defining data protection boundaries in an IoT-connected world : revisiting data propertization
Notice bibliographique
Résumé
L'Internet des objets (IoT) pose des défis importants en matière de confidentialité et de sécurité des données, car les appareils interconnectés génèrent et échangent de grandes quantités d'informations personnelles, souvent sans le consentement explicite des utilisateurs. Cette thèse examine ces défis, en se concentrant sur la collecte et l'utilisation opaques des données personnelles au sein des écosystèmes IoT. Elle met en évidence les principales préoccupations, notamment l'agrégation d'informations personnelles, allant des mesures de santé aux modèles comportementaux, et évalue les limites des réglementations actuelles en matière de confidentialité et de protection des données pour traiter les problèmes spécifiques posés par les environnements IoT. Le concept de « data propertization » (propriétisation des données) est un thème central, qui propose que les données personnelles soient traitées comme un droit de propriété. Ce cadre permet aux individus de contrôler leurs données, facilite une compensation équitable et favorise la responsabilité dans les transactions de données. La thèse explore divers modèles de « data propertization », notamment les syndicats de données, les approches de propriété intellectuelle et les dividendes de données, en plaidant pour une compensation équitable et la responsabilité dans les transactions de données. Si la propriété des données offre une voie prometteuse vers des pratiques équitables et transparentes en matière de données, la thèse reconnaît les défis liés à sa mise en œuvre, à ses implications en matière de confidentialité et à son application. Elle propose une approche équilibrée combinant des stratégies réglementaires, des mécanismes d'application et un soutien architectural afin de renforcer le contrôle individuel et de préserver la confidentialité, tout en tenant compte de la propriété des données. Elle examine des procédures améliorées de notification et de consentement, soutenues par des solutions décentralisées telles que la blockchain et des incitations organisationnelles à adopter des protocoles de sécurité. La recherche soutient que si les cadres basés sur le consentement restent essentiels, l'accent doit être mis sur l'amélioration de la définition et de l'application du consentement afin de le rendre plus significatif et plus efficace pour la gouvernance des données. À travers une analyse comparative des cadres de protection des données dans l'UE, aux États-Unis et au Québec, la thèse évalue le potentiel de la propriété des données pour renforcer les droits individuels à la vie privée et garantir une participation équitable à l'économie des données. En résumé, elle positionne la propriété des données comme un cadre réglementaire tourné vers l'avenir qui renforce les mécanismes de consentement, améliore les droits individuels à la vie privée et favorise des pratiques équitables en matière de données. En comblant les lacunes réglementaires actuelles et en proposant une base pour la gouvernance des données, cette recherche contribue à l'évolution d'un paysage de partage des données sûr, transparent et équitable, essentiel pour l'avenir de la gouvernance numérique et la protection des droits individuels dans un monde de plus en plus interconnecté.
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 | 0,026 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,022 |
| Communication savante | 0,016 | 0,059 |
| Science ouverte | 0,006 | 0,018 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».