Données personnelles et surveillance massive : quelle protection face aux ingérences des autorités publiques?
Bibliographic record
Abstract
Les données à caractère personnel représentent aujourd’hui l’un de bien le plus important faisant l’objet d’échanges tant dans le secteur privé et commercial que dans le secteur public, entre services répressifs ou de renseignement. Le Conseil de l’Europe s’est très rapidement préoccupé des risques et des enjeux liés au respect des droits de l’homme lors du traitement de données à caractère personnel, appuyé grandement par l’activité interprétative de la Cour européenne des droits de l’homme qui a su élargir la portée de l’article 8 de la Convention européenne des droits de l’homme (CEDH), au point d’y inclure la protection de toute donnée à caractère personnel. Les autorités publiques font une utilisation grandissante des données personnelles de citoyens et ressortissants de pays tiers et les révélations en matière de surveillance massive en sont une preuve éloquente. Cet article, mettant en exergue le fait que la jurisprudence de la Cour européenne des droits de l’homme a - au fil des décennies - permis de mitiger les violations des droits fondamentaux des personnes dans ce domaine, vise à souligner qu’il est aujourd’hui plus que jamais légitime de s’interroger sur le fait de savoir si la protection offerte par la CEDH est encore adaptée aux défis contemporains liés à la protection des données à caractère personnelles.
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 | 0.033 | 0.098 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.009 | 0.018 |
| Scholarly communication | 0.018 | 0.015 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.006 | 0.007 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".