Defining data protection boundaries in an IoT-connected world : revisiting data propertization
Bibliographic record
Abstract
L'Internet des objets (IoT) pose des défis importants en matière de confidentialité et de sécurité des données, car les appareils interconnectés génèrent et échangent de grandes quantités d'informations personnelles, souvent sans le consentement explicite des utilisateurs. Cette thèse examine ces défis, en se concentrant sur la collecte et l'utilisation opaques des données personnelles au sein des écosystèmes IoT. Elle met en évidence les principales préoccupations, notamment l'agrégation d'informations personnelles, allant des mesures de santé aux modèles comportementaux, et évalue les limites des réglementations actuelles en matière de confidentialité et de protection des données pour traiter les problèmes spécifiques posés par les environnements IoT. Le concept de « data propertization » (propriétisation des données) est un thème central, qui propose que les données personnelles soient traitées comme un droit de propriété. Ce cadre permet aux individus de contrôler leurs données, facilite une compensation équitable et favorise la responsabilité dans les transactions de données. La thèse explore divers modèles de « data propertization », notamment les syndicats de données, les approches de propriété intellectuelle et les dividendes de données, en plaidant pour une compensation équitable et la responsabilité dans les transactions de données. Si la propriété des données offre une voie prometteuse vers des pratiques équitables et transparentes en matière de données, la thèse reconnaît les défis liés à sa mise en œuvre, à ses implications en matière de confidentialité et à son application. Elle propose une approche équilibrée combinant des stratégies réglementaires, des mécanismes d'application et un soutien architectural afin de renforcer le contrôle individuel et de préserver la confidentialité, tout en tenant compte de la propriété des données. Elle examine des procédures améliorées de notification et de consentement, soutenues par des solutions décentralisées telles que la blockchain et des incitations organisationnelles à adopter des protocoles de sécurité. La recherche soutient que si les cadres basés sur le consentement restent essentiels, l'accent doit être mis sur l'amélioration de la définition et de l'application du consentement afin de le rendre plus significatif et plus efficace pour la gouvernance des données. À travers une analyse comparative des cadres de protection des données dans l'UE, aux États-Unis et au Québec, la thèse évalue le potentiel de la propriété des données pour renforcer les droits individuels à la vie privée et garantir une participation équitable à l'économie des données. En résumé, elle positionne la propriété des données comme un cadre réglementaire tourné vers l'avenir qui renforce les mécanismes de consentement, améliore les droits individuels à la vie privée et favorise des pratiques équitables en matière de données. En comblant les lacunes réglementaires actuelles et en proposant une base pour la gouvernance des données, cette recherche contribue à l'évolution d'un paysage de partage des données sûr, transparent et équitable, essentiel pour l'avenir de la gouvernance numérique et la protection des droits individuels dans un monde de plus en plus interconnecté.
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 | 0.026 | 0.087 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.004 | 0.022 |
| Scholarly communication | 0.016 | 0.059 |
| Open science | 0.006 | 0.018 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".