La gouvernance des informations numériques personnelles au Canada : Qui devrait gouverner ?
Bibliographic record
Abstract
Les organisations prennent de plus en plus conscience que les données sont plus qu’une résultante des processus d’affaires et les voient davantage comme un actif et un facteur clé de succès. Ces dernières années, grâce aux avancées réalisées dans des domaines comme l’intelligence artificielle et les analyses prédictives, on utilise les données de manière beaucoup plus intensive et dans un contexte qui n’est pas nécessairement celui pour lequel les données ont été collectées. Les données provenant de différentes sources sont collectées et croisées pour générer de la valeur. La gouvernance devient alors essentielle pour s’assurer de la protection des données, notamment personnelles, et de leur bonne utilisation. La présente étude vise principalement deux objectifs. Premièrement, statuer sur qui devrait gouverner la gestion des données numérisées personnelles et deuxièmement, proposer, sur la base des objectifs recherchés par l’encadrement de la gestion des données numérisées personnelles, des recommandations de modification au niveau de la gestion des données numériques personnelles. Notre recherche a un intérêt académique et pratique. Répondant à une question d’actualité au Québec et au Canada, elle veut élargir le champ des connaissances en matière de gestion des données numériques personnelles. Plus spécifiquement et au niveau académique, cette recherche permettra de proposer des recommandations qui pourraient un jour faire l’objet d’une loi visant à établir de meilleures pratiques dans l’industrie. Au niveau pratique, nous formulons des recommandations pour modifier les lois actuelles canadiennes afin d’établir une balance entre les besoins des entreprises privée et publique et ceux du public et des consommateurs.
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 | 0.047 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.012 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.015 | 0.006 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 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".