Cadre juridique applicable à l’utilisation de la reconnaissance faciale par les forces de police dans l’espace public au Québec et au Canada Éléments de comparaison avec les États-Unis et l’Europe : sommaire exécutif et recommandations
Bibliographic record
Abstract
Ce document présente les principaux enjeux de l’utilisation de la reconnaissance faciale par les forces de police dans l’espace public au Québec et au Canada, en comparaison avec les autres provinces, l’Europe et les États-Unis. Dans un contexte où il est de plus en plus question de recourir à cette technologie, il convient de mener une réflexion en amont de son déploiement, afin d’éliminer ou minimiser les risques encourus, en particulier pour les droits et libertés individuelles. Les principaux objectifs du document sont alors : 1. D’éclairer les législateurs sur ce qu’est cette technologie et les risques encourus, en particulier les risques d’atteinte aux droits et libertés individuelles protégés par les Chartes du Canada et du Québec. 2. De présenter les solutions déjà mises en œuvre pour envisager celles qui minimisent les risques et l’intrusion de cette technologie sur la vie privée, afin de poser les conditions d’une transparence et meilleure acceptabilité sociale.
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 | 0.016 | 0.056 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.009 |
| Science and technology studies | 0.012 | 0.004 |
| Scholarly communication | 0.010 | 0.003 |
| Open science | 0.004 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.034 | 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".