La valorisation des renseignements personnels au Québec et au Canada : la promesse des projets de loi no 64 et C-11
Bibliographic record
Abstract
Cet article s’interesse a la propension des projets de loi n° 64 et C-11 a faciliter le traitement de renseignements personnels dans une perspective de valorisation de ces renseignements. L’article comprend trois parties. Les deux premieres s’interessent a une categorie de modifications que les projets de loi n° 64 et C-11 mettent en avant afi n d’encourager les pratiques de valorisation des renseignements personnels. La premiere partie porte ainsi sur les mecanismes mis en place pour faciliter l’utilisation et la communication de renseignements personnels a des fi ns de recherche, d’etude et de production de statistiques, alors que la seconde s’interesse au renforcement du principe de responsabilite auxquels sont soumis les organismes publics et les entreprises en vertu de la loi. Dans chacune de ces parties, l’auteur tente a la fois d’expliquer les principales modifications que les projets de loi n° 64 et C-11 apportent aux cadres legislatifs actuels et d’identifier les points de convergence et de divergence des approches mises en avant au niveau provincial et au niveau federal. Dans la troisieme partie, l’auteur cherche a mieux comprendre l’impact que les modifications avancees par les projets de loi pourraient avoir sur les capacites de valorisation des entreprises et des organismes publics en analysant certains enjeux qui pourraient miner leurs efforts de valorisation.
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 | 0.009 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.013 | 0.005 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".