Bibliographic record
Abstract
La protection des données et de la vie privée des personnes est devenue aujourd’hui \nun enjeu majeur pour les entreprises et les organisations gouvernementales qui collectent \net entreposent les données à caractère personnel. L’adoption d’une politique de sécurité \nest un impératif. Plusieurs modèles de contrôle d’accès sont proposés dans la littérature \npour guider les utilisateurs dans la mise en oeuvre de leurs politiques de sécurité. \nChacun de ces modèles a ses forces et faiblesses. Les systèmes de contrôle d’accès mis \nen place s’érigent souvent en de véritables obstacles, rendant inefficace le travail de \nleurs utilisateurs. Il convient de mieux connaître les modèles de contrôles d’accès avant \nde les implémenter. Ce mémoire présente une étude complète des modèles de contrôle \nd’accès RBAC, XACML et SGAC, en dégageant les enjeux auxquels les utilisateurs \ndevront s’attendre en adoptant ces modèles. RBAC et XACML ont été normalisés \nrespectivement par ANSI et OASIS et sont actuellement les modèles dominants dans \nl’industrie et dans le monde de la recherche. SGAC est un modèle proposé à la suite \nd’une étude, pour implémenter le contrôle d’accès aux dossiers médicaux au profit \ndu réseau de santé de Sherbrooke. Les récentes études ont montré que c’est dans \nle domaine de la santé que les violations de la vie privée sont plus fréquentes. Le \nmémoire présente aussi les principales exigences d’un système de contrôle d’accès dans \nle domaine de la santé. Sur la base des exigences identifiées, il propose une évaluation \ndes modèles de contrôle d’accès étudiés, et fournit une comparaison de ces modèles.
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 | 0.022 | 0.066 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.007 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".