Les téléphones cryptés et leurs impacts sur le système de justice
Bibliographic record
Abstract
Les téléphones portables sont devenus essentiels dans la vie quotidienne, permettant de rester en contact avec amis, proches et collègues. Cependant, ils représentent une menace pour les délinquants, car ils peuvent être utilisés pour les localiser et surveiller leurs communications. Les forces de l'ordre tirent parti de ces dispositifs pour obtenir des preuves et effectuer des arrestations. En réponse à cette menace, les délinquants se sont tournés vers des alternatives telles que les téléphones fantômes, cryptés ou PGP, qui offrent un matériel dépourvu de fonctionnalités de suivi et de surveillance. Ces appareils offrent des services de messagerie cryptée et des fonctions de sécurité avancées. Le Canada joue un rôle central dans l'économie souterraine de ces téléphones, avec certains de ses principaux distributeurs opérant dans le pays. L'article examine l’état actuel des connaissances sur les téléphones cryptés en se basant sur des décisions judiciaires, des rapports d'actualité et des articles scientifiques, ainsi que sur les entreprises qui font la promotion de ces dispositifs. L'objectif de cette étude est ainsi de mettre en lumière les dernières technologies utilisées pour contrer l'utilisation de téléphones cryptés par les criminels.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.003 |
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".