La privacy by design: un'analisi comparata nell'era digitale
Bibliographic record
Abstract
Il secondo volume della collana “Privacy e Innovazione” è dedicato al lavoro vincitore della prima edizione del premio per la miglior tesi di laurea o di dottorato sui temi della protezione dei dati personali e dell’innovazione tecnologica, bandito dal Centro studi privacy e nuove tecnologie. Il testo, selezionato da un’apposita commissione, è stato ritenuto particolarmente meritevole sia per il grado di approfondimento e di maturità di analisi raggiunta, sia per la scelta del tema, fondamentale nel nuovo quadro di tutela dei dati personali, ma probabilmente ancora poco indagato: il principio di privacy by design, qui esaminato in un’ottica anche comparatista e con attenzione alla sua evoluzione e alle prime importanti applicazioni pratiche. La protezione dei dati personali fin dalla progettazione è infatti oggi non più solo un contributo dottrinale, ma una risoluzione internazionale adottata dalle autorità garanti di tutto il mondo e, soprattutto, una norma vincolante dell’Unione Europea e oggetto di massima considerazione presso gli ordinamenti giuridici di altre importanti aree geografiche — Stati Uniti e Canada in primis. La privacy by design è un approccio che comporta una maggiore tutela dei diritti della persona, in modo coerente e completo. Progettare le tecnologie in modo privacy–friendly è doveroso non solo per proteggere i dati degli individui, ma anche per garantire che l’esercizio degli altri diritti fondamentali non sia ingiustamente penalizzato.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.002 | 0.013 |
| Open science | 0.004 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".