Modèle d'évaluation des facteurs relatifs à la circulation des données: Instrument de protection de la vie privée et des droits et libertés dans le développement et l'usage de l'intelligence artificielle.
Bibliographic record
Abstract
Le projet de loi québécois 64 a récemment obtenu la sanction royale. Ce dernier impose de réaliser une Évaluation des facteurs relatifs à la vie privée dans certaines circonstances aux personnes et entreprises détentrices ou utilisatrices de renseignements personnels. Ce processus d’analyse n’a rien de nouveau en soi. En Europe, le Règlement Général sur la Protection des Données exige lui aussi de réaliser une procédure similaire intitulée Analyse d’impact relative à la protection des données dans certaines circonstances. Ce type d’analyse est également une démarche déjà bien établie aux États-Unis et en Australie. Ce document vise à proposer un modèle d’évaluation des facteurs relatifs à la circulation des données basé sur le "Guide des bonnes pratiques en intelligence artificielle: Sept principes pour une utilisation responsable des données" (OBVIA, 2023). Ce modèle est un moyen pour un prestataire d’exposer au grand jour sa diligence et les efforts qu’il entend mener pour traiter les données de façon responsable.
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 | 0.010 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".