Développement d’un outil d’évaluation de la conformité des PME à la Loi 25
Bibliographic record
Abstract
La Loi 25, qui entrera en vigueur en 2024, préoccupe bon nombre de PME et d’organismes publics présentement. Cette recherche est la première qui tente d’étudier le niveau de préparation des PME à cette loi. Notre revue de la littérature s’est intéressée au niveau de préparation des PME européennes au Règlement général sur la protection des données (RGPD) lors de son entrée en vigueur. Cette revue de la littérature nous a permis de faire un parallèle entre la situation européenne et la situation québécoise. Elle nous a aussi permis de créer un questionnaire visant les acteurs économiques de la région de l’Estrie pour sonder leur opinion sur la compréhension, le niveau de préparation et les défis anticipés par les PME dans leur processus de conformité à la Loi 25. Enfin, à l’aide de ces précieuses informations, nous avons créé un questionnaire s’adressant directement aux PME du Québec afin d’étudier plus précisément le niveau de préparation des PME, les défis qui se présentent durant le processus de conformité, leur compréhension de la Loi ainsi que leur volonté de s’y conformer. Ce sondage permettra de mieux déterminer quels sont les facteurs clés de cette problématique et de ces interrogations.
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 | 0.062 | 0.092 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.006 | 0.004 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 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".