Enjeux et perspectives de la reconnaissance faciale en sciences criminelles
Bibliographic record
Abstract
L’objectif de cet article est de cristalliser de manière pragmatique les enjeux et perspectives de la reconnaissance faciale en sciences criminelles pour acquérir une meilleure connaissance des limitations et des opportunités offertes par ces technologies, essentielles à leur application au sein du système judiciaire. Nous postulons que cette réflexion doit s’inscrire dans une approche interdisciplinaire qui intègre l’utilisation d’algorithmes en considérant les spécificités de la criminologie et de la science forensique. Cet éclairage permet d’établir un bilan de l’utilisation de la reconnaissance faciale en le scindant en questions fondamentales. Quelles sont les images utilisées en reconnaissance faciale ? Comment sont-elles comparées ? Quels objectifs la reconnaissance faciale sert-elle ? Où est-elle mise en oeuvre et par quels acteurs ? Cette subdivision permet de mieux situer les enjeux et limites de la reconnaissance faciale, ainsi que les perspectives de développement et de recherche. Sur le plan des données elles-mêmes, l’enjeu principal concerne leur qualité originale puis sa dégradation potentielle aux stades de collecte et de sauvegarde des images, qui influencent leur utilisation ultérieure. Pour ce qui est des méthodes, les enjeux se cristallisent autour du manque de standardisation et de transparence, aussi bien lors de tâches exécutées par l’être humain que par un système automatique. Concernant les objectifs des tâches de reconnaissance faciale dans les domaines civil et judiciaire, les enjeux gravitent autour de la protection de la sphère privée et des libertés individuelles. Enfin, les principaux défis soulevés par son utilisation comme moyen de preuve au tribunal concernent la communication, ainsi que la standardisation et la validation méthodologique.
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 | 0.010 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.004 | 0.013 |
| Scholarly communication | 0.012 | 0.009 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 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".