การคมครองขอมลชวมาตรภายใตพระราชบญญตคมครองขอมลสวนบคคล พ.ศ. 2562 Biometric Personal Data Protection under Personal Data Protection Act B.E. 2560
Bibliographic record
Abstract
บทคดยอเนองจากปจจบนมการละเมดขอมลสวนบคคลทกอใหเกดความเสยหายตอเจาของขอมลสวนบคคล โดยเฉพาะการจดเกบขอมลชวมาตร ซงมผลมาจากความกาวหนาทางเทคโนโลยทเกบรวบรวมใช หรอเปดเผยขอมลสวนบคคล การเขาถงขอมลสวนบคคลทำไดโดยงาย สะดวก และรวดเรว อนมผลกระทบตอความมนคง และเศรษฐกจโดยรวม ประเทศไทยจงไดมการประกาศใชพระราชบญญตคมครองขอมลสวนบคคล พ.ศ. 2560 ขน เพอกำหนดหลกเกณฑ กลไก หรอมาตรการกำกบดแลเกยวกบการใหความคมครองขอมลสวนบคคลอยางไรกตาม กฎหมายฉบบนยงมประเดนทนาศกษาวเคราะหเพมเตมในเรองของการเกบรวม รวมใช ประมวลผล และการสงหรอโอนขอมลไปยงตางประเทศ โดยไดศกษาเปรยบเทยบจากกฎหมายคมครองสวนบคคลของตางประเทศ ไดแก สหภาพยโรป ประเทศสหรฐอเมรกา ประเทศแคนาดา และประเทศสหพนธรฐเยอรมน เพอนำมาปรบปรง แกไข หรอเพมเตมบทบญญตกฎหมายของประเทศไทยอนเปนประโยชนดานการคมครองขอมลสวนบคคลไดอยางมประสทธภาพมากยงขน AbstractNowadays, the violation of personal information causes damage to the information owners, especially the biometric data, because the advance technologymade the acquire access and disclose of personal data easily. Due to mentional problem may affect Thailand’s national security and economy; therefore, the Government promulgated the Personal Data Protection Act 2017 to specify criteria, mechanisms, or regulatory measures regarding the protection of personal data. However, this Act still has some issues that should study further regarding the collection, usage, processing transmission, and or transferring of information to other countries. This study employed a comparative study of personal data protection laws of foreign countries such as the European Union, the United States of America, Canada, and Germany should in order to improve or amend the Thai law to become more efficient in the protection of personal data.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.004 |
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".