Vivre à nu: La surveillance au Canada
Bibliographic record
Abstract
Nombre de Canadiens savent que les organismes du gouvernement s’adonnent à de la surveillance de masse en utilisant les données téléphoniques et électroniques. Néanmoins, peu d’entre eux sont réellement conscients de l’influence réelle que cette surveillance a sur presque tous les aspects de leur vie quotidienne. Aujourd’hui, nous ne pouvons faire une promenade au centre-ville, assister à un cours, payer au moyen d’une carte de crédit, monter à bord d’un avion ou faire un appel sans que des données soient capturées et traitées. Où cette information s’en va-t-elle? Qui l’utilise? Qui en sort gagnant et qui en sort perdant? Est-ce que le prix à payer pour utiliser les médias sociaux et d’autres moyens de communication électronique est de desserrer notre emprise sur nos renseignements personnels? Au contraire, devrions-nous nous méfier des systèmes qui nous rendent plus que jamais visibles et, par conséquent, vulnérables aux yeux des autres?Vivre à nu est l’œuvre d’une équipe de recherche multidisciplinaire et explique comment la surveillance s’accroît – pratiquement sans que personne y porte attention – dans toutes les sphères de notre vie. En analysant les principaux moyens employés par le secteur public et le secteur privé pour recueillir, faire le suivi, analyser et échanger des renseignements au sujet des citoyens ordinaires, les auteurs de l’ouvrage ont dégagé neuf grandes tendances dans le traitement des données personnelles. D’ailleurs, collectivement, ces neuf grandes tendances soulèvent des questions pressantes au sujet de la vie privée et de la justice sociale. Cet ouvrage vise non seulement à informer, mais également à changer le cours des choses. Il cible intentionnellement un grand public : les décideurs, les journalistes, les groupes de défense des libertés civiles, les enseignants et, par-dessus tout, les lecteurs du grand public.http://surveillanceincanada.org/
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.011 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 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".