| Campo DC | Valor | Idioma |
|---|
| dc.contributor.advisor | Aranha, Márcio Iorio | - |
| dc.contributor.author | Pereira, José Renato Laranjeira de | - |
| dc.date.accessioned | 2022-12-16T17:50:53Z | - |
| dc.date.available | 2022-12-16T17:50:53Z | - |
| dc.date.issued | 2022-12-16 | - |
| dc.date.submitted | 2022-08-05 | - |
| dc.identifier.citation | 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. | pt_BR |
| dc.identifier.uri | https://repositorio.unb.br/handle/10482/45316 | - |
| dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Direito, Programa de Pós-Graduação em Direito, 2022. | pt_BR |
| dc.description.abstract | 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. | pt_BR |
| dc.language.iso | Inglês | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Openness doesn’t hurt : enforcing qualified machine-learning transparency for data protection through responsive regulation | pt_BR |
| dc.title.alternative | Abertura não faz mal : promovendo transparência qualificada de sistemas de aprendizagem de máquina para proteção de dados por meio da regulação responsiva | pt_BR |
| dc.type | Dissertação | pt_BR |
| dc.subject.keyword | Aprendizagem de máquina | pt_BR |
| dc.subject.keyword | Transparência | pt_BR |
| dc.subject.keyword | Inteligência artificial - legislação | pt_BR |
| dc.subject.keyword | Regulação responsiva | pt_BR |
| dc.rights.license | A 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. | pt_BR |
| dc.description.abstract1 | 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. | pt_BR |
| dc.description.unidade | Faculdade de Direito (FD) | pt_BR |
| dc.description.ppg | Programa de Pós-Graduação em Direito | pt_BR |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|
