Diss.--Potsdam, 2000. / Bibliogr. p. 567-595. Index.

Texte remanié de: Doctoral th. / Bibliogr. p. [301]-311. Index.

Texte remanié de: Th.--Calgary. / Bibliogr. p. 165-175. Index.

Texte remanié de: Doct. diss. / Organigrammes du renseignement militaire français. Bibliogr. p. 403-434. Index.

Texte remanié de: Diss. / Glossaire. Bibliogr. p. 245-257. Index.

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal. / Toutes les entreprises du secteur privé détiennent des renseignements personnels sur leurs employés. Au Québec, la Loi sur la protection des renseignements personnels dans le secteur privé est entrée en vigueur en janvier 1994 mais aucune étude n'ai jusqu'à présent, porté sur l'effectivité de cette loi. Le but de cette recherche est de vérifier dans quelle mesure la Loi sur la protection des renseignements personnels dans le secteur privé a pu modifier, depuis son adoption, la gestion des renseignements personnels des employés dans les entreprises privées québécoises. On entend par gestion des renseignements personnels, les politiques et les pratiques visant cette protection. Nous avons cherché à vérifier l'intégration de la Loi dans ces politiques et pratiques et comment les entreprises s'autoréglementent, compte tenu de l'imprécision de la Loi. Il s'agissait donc d'évaluer l'effectivité de la Loi. À partir du cadre théorique de cette recherche, on peut constater que l'effectivité d'une loi peut être mesurée par les effets suivants: concrets, symboliques, immédiats, différés, voulus et non-intentionnels. Nous avons donc recherché ces différents effets en procédant à deux études de cas auprès d'entreprises privées établies au Québec. Nos résultats démontrent qu'en général, l'entrée en vigueur de la Loi a eu des effets positifs sur la gestion des renseignements personnels. En réponse à cette loi, les entreprises ont développé des politiques et des pratiques afin de se conformer à la finalité de la L.P.R.P. que ce soit, par exemple, par l'obtention du consentement de la personne concernée lors de la cueillette de renseignements personnels sur elle-même ou l'exigence d'avoir en main un tel consentement lors de la communication de ces renseignements. À cela s'ajoutent des mesures de sécurité accrues permettant d'assurer la confidentialité des renseignements détenus ou la répartition des renseignements personnels dans des dossiers séparés. Cette dernière mesure évite que des personnes prennent connaissance d'informations qui ne leur sont pas nécessaires dans l'exercice de leurs fonctions. On peut sans aucun doute confirmer que l'objectif du législateur, qui est de protéger les renseignements personnels, est généralement atteint. Par ailleurs, quant à l'objectif de transparence dans la gestion des renseignements personnels, la finalité n'est pas complètement réalisée. En effet, on peut donner en exemple le fait que les entreprises peuvent, à l'occasion, épurer les dossiers avant d'en donner l'accès aux salariés et que cet accès n'est pas toujours facilité aux personnes qui désirent se prévaloir de leur droit, vu le manque d'information dont elles disposent pour connaître la procédure d'accès. Néanmoins, malgré les dispositions floues de la Loi qui laissent place à l'interprétation et à l'autoréglementation, les résultats démontrent que les entreprises visées par cette étude ont adopté des politiques et des pratiques conformes aux principes généraux de la Loi. En somme, bien que certaines politiques et pratiques existantes dans les entreprises étudiées puissent à l'occasion déroger de la Loi sur la protection des renseignements personnels dans le secteur privé, on peut conclure à l'effectivité de cette loi compte tenu des différents effets constatés dans cette recherche.

Texte remanié de: Thèse de doctorat--Histoire--Caen, 1996. / En appendice, choix de textes et documents. Bibliogr. p. 521-549. Index. Résumés en français, espagnol et anglais.

Dissertation--Universität Braunschweig, 2006. / Bibliogr. p. 279-303.

Titre de l'écran-titre (visionné le 26 février 2024) / Dans l'ère numérique actuelle, l'apprentissage automatique, une branche de l'intelligence artificielle, est en train de révolutionner de nombreux secteurs, y compris celui de l'assurance. L'importance d'une évaluation précise des risques est cruciale dans le secteur des assurances, où la détermination de l'admissibilité d'un client à un type d'assurance spécifique est au cœur du processus de souscription. Traditionnellement, cette évaluation s'appuie sur des informations fournies par les clients, telles que leur état de santé, leur consommation de tabac ou d'alcool, et peut même inclure des examens médicaux, comme des tests d'urine pour détecter la présence de substances spécifiques. Cependant, l'intégrité des réponses fournies pose souvent problème. Par exemple, certains clients peuvent sous-déclarer leur consommation de tabac, influençant ainsi les décisions de souscription et les tarifications. Dans ce contexte, les compagnies d'assurance sont souvent contraintes de réaliser des tests médicaux coûteux pour valider les déclarations des clients. Toutefois, grâce à l'apprentissage automatique, nous pouvons potentiellement réduire ces coûts. En développant des modèles prédictifs pour détecter les fumeurs basés sur d'autres informations fournies, il est possible de réduire considérablement sur les coûts. Avec l'apprentissage automatique, nous pouvons analyser de grandes quantités de données, identifier des modèles et faire des prédictions avec une précision élevée. Cette approche ouvre la voie à des processus d'assurance plus optimisés et axés sur les données. En utilisant l'apprentissage automatique, en particulier les algorithmes de classification, nous exploitons des données d'assurance-vie pour prédire si les individus falsifient leurs réponses concernant leur statut de fumeur. Nous mettons en œuvre de nouvelles approches pour traiter les valeurs manquantes, en prenant en compte les aspects humains des données. De plus, nous introduisons une modification de l'algorithme de classification *Set Covering Machine* pour répondre aux défis associés aux coûts des erreurs lors des demandes d'assurance-vie. / In today's digital age, machine learning, a branch of artificial intelligence, is revolutionizing numerous sectors, including insurance. Accurate risk assessment is crucial in the insurance industry, where determining a client's eligibility for a specific type of insurance is central to the underwriting process. Traditionally, this assessment relies on information provided by clients, such as their health status, tobacco or alcohol consumption, and can even include medical examinations, like urine tests to detect specific substances. However, the integrity of the responses provided often poses challenges. For instance, some clients might under-report their tobacco consumption, subsequently influencing underwriting decisions and pricing. In this context, insurance companies often find themselves compelled to conduct costly medical tests to validate client statements. Nevertheless, with the aid of machine learning, we can potentially reduce these costs. By developing predictive models to identify smokers based on other provided information, there's potential for significant savings on testing costs. Thanks to machine learning, we can analyze vast amounts of data, identify patterns, and make predictions with more precision. This approach not only improves the reliability of eligibility assessments but also paves the way for more optimized, data-driven insurance processes. Using machine learning, particularly classification algorithms, we utilized life insurance data to predict whether individuals falsify their responses regarding their smoking status. We implemented new approaches to handle missing values, taking into account the human aspects of the data. Furthermore, we introduced a modification to the *Set Covering Machine* classification algorithm to address the challenges associated with the costs of errors in life insurance applications.

No description available.