Données personnelles et commerce électronique : pouvons-nous, en tant que consommateurs en ligne, tirer profit de nos données personnelles?
Bibliographic record
Abstract
À l’intérieur de ce travail, nous évaluons la possibilité de voir une ristourne économique vers les internautes qui mettent leurs données personnelles à disposition des GAFAM (Google, Facebook, Amazon, Apple et Microsoft). Notre recherche se base sur une revue littéraire. C’est un sujet d’actualité qui nous affecte tous et dont l’évolution constante de la problématique est indéniable. Nous faisons face à la problématique de l’atteinte à la vie privée causée par le manque de protection des données personnelles sur le cyberespace. La technologie avance plus rapidement que la régulation le fait. Si les données ne sont pas protégées adéquatement il est impossible de penser à une marchandisation de celles-ci. L’intervention de l’État est nécessaire à des fins de régulation et de distribution des profits des données personnelles. Nous examinons d’abord le portrait économique des GAFAM afin de démontrer que les profits venant des données personnelles ne sont pas distribués aux internautes. Ensuite, nous constatons que la nature centralisatrice du cyberespace favorise le monopole de celui-ci par les GAFAM. Nous terminons avec une comparaison de la régulation des données personnelles dans le Canada, les États-Unis, l’Europe et la Chine afin de démontrer la nécessité d’uniformiser les règles de protection de la vie privée pour éviter des vols, de la fraude, mais aussi la collecte, le stockage et l’exploitation sans consensus des données personnelles. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : données personnelles, cyberespace, GAFAM, vie privée, commerce électronique, régulation, monopole.
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 | 0.005 | 0.022 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.014 | 0.013 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 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".