Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Pereira, José Renato Laranjeira de
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizagem de máquina
Transparência
Inteligência artificial - legislação
Regulação responsiva
Link de acesso: https://repositorio.unb.br/handle/10482/45316
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Direito, Programa de Pós-Graduação em Direito, 2022.
id UNB_4f72feed69cf89f70a36372ffdccd5af
oai_identifier_str oai:repositorio.unb.br:10482/45316
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulationAbertura não faz mal : promovendo transparência qualificada de sistemas de aprendizagem de máquina para proteção de dados por meio da regulação responsivaAprendizagem de máquinaTransparênciaInteligência artificial - legislaçãoRegulação responsivaDissertação (mestrado) — Universidade de Brasília, Faculdade de Direito, Programa de Pós-Graduação em Direito, 2022.Sistemas de aprendizagem de máquina (machine learning, ML) têm sido cada vez mais utilizados em processos de tomada de decisões que afetam aspectos-chave das vidas de pessoas. Entretanto, usuários e reguladores pouco sabem sobre como esses modelos funcionam, já que apenas informações escassas são divulgadas por seus desenvolvedores e operadores. A transparência dessas tecnologias surge assim como uma exigência feita por diferentes grupos de especialistas para que os usuários tenham controle sobre o quanto suas vidas devem depender dos julgamentos realizados por sistemas de machine learning, mas também para que reguladores responsabilizem os responsáveis por eles pelos danos que vierem a incorrer. Esta dissertação traça assim uma análise comparativa sobre como as leis brasileira e europeia de proteção de dados abordam a transparência de machine learning e avalia a adequação das estratégias participativas da teoria da regulação responsiva e de sua estrutura de incentivos para promover sistemas mais inteligíveis.Machine-learning (ML) models have been increasingly applied to make decisions that affect key aspects of people’s lives. However, users and regulators are barely aware of how these models work, as only scarce information is disclosed by developers and operators on this matter. ML transparency emerges thus as a recurrent demand made by stakeholders for users to gain control over how much their lives should rely on judgements carried out by machines, for regulators to render those responsible for them accountable for incurred damages and for scholars to understand algorithms' impacts in society. This dissertation thus traces a comparative analysis on how the Brazilian and European data protection legal frameworks address ML transparency and assesses the adequateness of the responsive regulation theory’s participatory strategies and incentives framework for promoting more intelligible systems.Faculdade de Direito (FD)Programa de Pós-Graduação em DireitoAranha, Márcio IorioPereira, José Renato Laranjeira de2022-12-16T17:50:53Z2022-12-16T17:50:53Z2022-12-162022-08-05info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfPEREIRA, José Renato Laranjeira de. Openness doesn’t hurt: enforcing qualified machine-learning transparency for data protection through responsive regulation. 2022. 182 f., il. Dissertação (Mestrado em Direito) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/45316engA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2025-03-19T16:10:42Zoai:repositorio.unb.br:10482/45316Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2025-03-19T16:10:42Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation
Abertura não faz mal : promovendo transparência qualificada de sistemas de aprendizagem de máquina para proteção de dados por meio da regulação responsiva
title Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation
spellingShingle Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation
Pereira, José Renato Laranjeira de
Aprendizagem de máquina
Transparência
Inteligência artificial - legislação
Regulação responsiva
title_short Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation
title_full Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation
title_fullStr Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation
title_full_unstemmed Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation
title_sort Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation
author Pereira, José Renato Laranjeira de
author_facet Pereira, José Renato Laranjeira de
author_role author
dc.contributor.none.fl_str_mv Aranha, Márcio Iorio
dc.contributor.author.fl_str_mv Pereira, José Renato Laranjeira de
dc.subject.por.fl_str_mv Aprendizagem de máquina
Transparência
Inteligência artificial - legislação
Regulação responsiva
topic Aprendizagem de máquina
Transparência
Inteligência artificial - legislação
Regulação responsiva
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Direito, Programa de Pós-Graduação em Direito, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-12-16T17:50:53Z
2022-12-16T17:50:53Z
2022-12-16
2022-08-05
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv PEREIRA, José Renato Laranjeira de. Openness doesn’t hurt: enforcing qualified machine-learning transparency for data protection through responsive regulation. 2022. 182 f., il. Dissertação (Mestrado em Direito) — Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/45316
identifier_str_mv PEREIRA, José Renato Laranjeira de. Openness doesn’t hurt: enforcing qualified machine-learning transparency for data protection through responsive regulation. 2022. 182 f., il. Dissertação (Mestrado em Direito) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/45316
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1839083844813193216

Registros relacionados