La protection des renseignements personnels dans le cadre de la gestion collective de droits d’auteur au Canada
Bibliographic record
Abstract
La protection des renseignements personnels des individus est aujourd’hui un enjeu de plus en plus important, du fait, d’abord, d’une pression accrue des citoyens, nourrie par les divers scandales touchant leurs donnees personnelles, mais aussi du fait de reponses reglementaires ambitieuses visant notamment a limiter l’utilisation anarchique de ces donnees personnelles par les GAFAM et autres entreprises de technologies. Ces reglementations ambitieuses ont vu le jour tant au niveau international – avec le Reglement general sur la protection des donnees (ci-apres « RGPD ») en Europe, ou le California Consumer Protection Act (ci-apres « CCPA ») en Californie – qu’au niveau canadien, avec le projet de loi federal C-11 et le projet 64 de modernisation de la loi quebecoise deposes tous les deux en 2020. Dans cet article, nous allons nous concentrer sur la protection des renseignements personnels dans le cadre de la gestion collective de droits d’auteur au Canada. Si les societes de gestion collective de droits d’auteur (ci-apres « SGC ») ne sont pas les GAFAM de ce monde, il n’en reste pas moins que la protection des renseignements personnels reste un enjeu important pour ces societes, de par l’importance des donnees traitees dans leur activite, particulierement dans le secteur musical. La gestion collective, comme bon nombre d’autres industries, a ainsi fait face au defi du « Big Data », ou megadonnees, par l’explosion de l’afflux de donnees numeriques liees a la consommation en ligne de musique. La donnee est aujourd’hui au coeur de l’activite des societes de gestion collective. Dans ce contexte, quelle importance peut avoir l’enjeu du respect des renseignements personnels? Au vu des differents projets de reformes en cours au Canada, il nous parait important de faire un etat des lieux de la question pour les societes de gestion collective de droits d’auteur au Canada, afin d’anticiper une mise en conformite de leurs pratiques. Cet article vise ainsi a determiner ce que constitue un « renseignement personnel » parmi l’ensemble des donnees traitees par les SGCs, et aborde l’enjeu de leur protection. Il vise ensuite a determiner l’application territoriale des reglementations sur la protection des renseignements personnels, face aux flux transfrontaliers des donnees, en se posant la question notamment de l’application du RGPD aux SGCs canadiennes dans leur activite. Nous verrons ensuite les demarches a suivre pour se conformer a la legislation applicable, ainsi que les pistes pour anticiper les reformes a venir du cadre reglementaire, par exemple sur les transferts hors province ou la duree de conservation des renseignements personnels.
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 | 0.002 | 0.002 |
| Science and technology studies | 0.015 | 0.004 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".