Personal security and public safety in the 21st century : the example of aerial drones with video analytics for public safety
Bibliographic record
Abstract
En 2022, le législateur a adopté un cadre autorisant le recours à des drones aériens équipés de caméras par les forces de l’ordre et les services de secours. Ces caméras aéroportées sont venues s’ajouter à l’arsenal des systèmes de vidéoprotection et s’inscrire dans le débat de la surveillance de l’espace public. De fait, les qualités mobiles et aériennes des drones aériens de sécurité publique engendrent en contrepartie une amplification des restrictions portées notamment au droit au respect de la vie privée. En outre, le traitement de données qu’ils opèrent constitue une ingérence dans le droit à la protection des données à caractère personnel. Aujourd’hui, leur possible association à des algorithmes d’analyse d’images à des fins d’aide à la prise de décisions des forces de l’ordre fait apparaître de nouveaux enjeux à l’heure où les logiciels d’Intelligence artificielle ne bénéficient pas encore d’un cadre juridique adapté. Or, cette technologie n’étant pas infaillible, les décisions prises sur le fondement des résultats de l’algorithme pourraient conduire à des arrestations voire à des détentions arbitraires. Dès lors, cette thèse entend étudier les évolutions du rapport entre la sûreté et la sécurité dans lequel s’insèrent les drones aériens « augmentés » de sécurité publique. L’étude analyse l’incidence du recours à cette technologie sur les droits et libertés, avant d’aborder le renforcement possible de leurs garanties à l’ère des technologies de surveillance « augmentées » de sécurité publique.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".