Pratiques numériques et mise en données de la défense des droits humains
Bibliographic record
Abstract
Une abondante littérature témoigne de l’intégration progressive des technologies numériques dans les activités des défenseur·e·s des droits humains (DDH). Cet article présente les résultats d’une revue systématique de la littérature sur plus de dix ans (2010-2021) portant sur les pratiques numériques de défense et de répression des droits humains. L’analyse de la littérature met en évidence des répertoires de pratiques numériques à la fois dans la défense des droits humains et dans la répression des personnes et des organismes qui s’y consacrent. Elle permet par ailleurs de dresser un inventaire des facteurs qui exercent une influence sur la capacité des défenseur·e·s des droits humains à mobiliser les technologies numériques dans le cadre de leurs activités. Les constats indiquent que les processus de mise en données sont déterminants dans les pratiques des défenseur·e·s des droits humains et des États impliqués dans leur répression. Ces processus jouent également un rôle crucial dans la détermination des possibilités et des risques des technologiques en contexte de militance démocratique. L’analyse de la littérature met en évidence des représentations et des actions politiques entreprises par les défenseur·e·s des droits humains pour exercer une pression sur les processus réglementaires et de gouvernance des données numériques dans le but de réduire les risques et d’accroître leur capacité d’action.
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 | 0.019 | 0.075 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.006 |
| Science and technology studies | 0.003 | 0.009 |
| Scholarly communication | 0.010 | 0.013 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 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".