Automated Licence Plate Recognition in Canadian Policing: Documenting Use and Policy
Bibliographic record
Abstract
La reconnaissance automatique des plaques d'immatriculation (RAPI) est un outil policier très répandu, mais les informations disponibles sur l'utilisation de cette technologie au Canada sont limitées. Une enquête menée auprès des services de police canadiens révèle que 57 % ( n = 74) des services ayant répondu déclarent utiliser la RAPI. L'utilisation de la RAPI par la police n'est pas normalisée au Canada, ce qui laisse à chaque service le soin d’élaborer sa propre procédure de RAPI. La plupart des services (n = 42) qui utilisent la RAPI n'ont pas élaboré de procédure écrite pour encadrer l'usage de cette technologie. Selon une analyse du contenu de 23 procédures de RAPI utilisées par la police canadienne, les principaux thèmes abordés sont les attentes liées au programme, les utilisateurs, les superviseurs, la sécurité et la conservation des données, la divulgation des données et les relations publiques. L'article considère ces thèmes dans le contexte de lignes directrices nationales et internationales relatives à la RAPI afin de soutenir l’élaboration de pratiques de RAPI normalisées à l’échelle du Canada. Une technologie policière largement utilisée devrait être utilisée de manière cohérente. Si la législation existante en matière de protection de la vie privée guide l'utilisation de ces technologies de surveillance par la police, un cadre favorisant la cohérence entre ces différents thèmes permettrait de renforcer la fiabilité des services de police.
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 | 0.011 | 0.055 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.010 | 0.015 |
| Science and technology studies | 0.010 | 0.005 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.004 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".