Le vol interne d’informations : modéliser et mesurer les facteurs de risque
Bibliographic record
Abstract
Les affaires Wikileaks et Renault l’ont illustré à merveille : une entreprise ou un Etat peut dresser une forteresse pour se protéger contre l’extérieur, celle-ci ne la protégera en rien des menaces qui émanent de l’intérieur. La problématique du vol interne s’est imposée au sommet des priorités de ces acteurs, et quelques études de sondage ont accrédité l’ampleur du phénomène. Toutefois, ainsi que le rappellent Audrey Asseman et Benoit Dupont, aucune étude empirique ne se concentre sur les facteurs explicatifs du vol interne. Carence désormais comblée avec l’enquête réalisée par ces deux auteurs, dont les résultats évoqués exclusivement dans cet article permettent de mesurer l’importance respective de ces facteurs dans la dynamique du vol d’informations sensibles. Des données indispensables pour formuler une politique de prévention efficace en la matière. Les auteurs comparent alors ces résultats avec les mêmes facteurs tels qu’ils sont recensés par la littérature académique (facteurs situationnels, psychologiques, sociaux et psychosociaux).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".