Services automatisés de référencement d’images en ligne et droit d’auteur : approche franco-canadienne
Bibliographic record
Abstract
AvertissementLa crise sanitaire actuelle a eu des répercussions sur la rédaction de ce mémoire en droit comparé.J'ai d'abord pris la décision de quitter le Québec pour rentrer en France.La fermeture des bibliothèques universitaires au Québec et en France durant plusieurs mois m'a également contrainte à adopter de nouvelles stratégies de travail tant d'un point de vue organisationnel que documentaire.L'accès aux sources pertinentes a été, en effet, réduit considérablement en particulier pendant le confinement.Les ouvrages de référence en droit canadien comme celui de Normand Tamaro 4 ou les ouvrages généraux en droit d'auteur français comme le traité d'André Lucas 5 seront donc absents de l'étude.Dans ces circonstances exceptionnelles, j'ai eu recours à de nombreuses reprises aux services de Google Livres 6 .Malgré cela, sur certaines problématiques précises, les sources en version papier consultables en bibliothèque ont manqué à ma rédaction.Cela a été le cas pour la réflexion au Canada à propos de la licence collective étendue 7 .Pour ce qui est des questions évoquées dans le mémoire autour du partage de la valeur, l'achat du livre numérique A qui profite le clic 8 a été déterminant.Enfin, le Guide McGill 9 en version papier n'a pas été consulté dans le cadre du mémoire.4
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 | 0.007 | 0.021 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.007 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.004 | 0.007 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.008 |
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".