Pentágono da privacidade no Big Data Analytics

proposta de modelo teórico

Autores

DOI:

https://doi.org/10.21680/2447-0198.2024v8n1ID33898

Palavras-chave:

privacidade, big data analytics, big data privacy, valor do big data, pentágono da privacidade

Resumo

Vivemos num ambiente caracterizado como um oceano de dados, que cresce não só quanto ao seu volume e quantidade, mas também em termos de variedade, sendo criado e transitando em alta velocidade. Atualmente os dados estruturados estão em quantidade e importância bem menor, e os ajustes e aprimoramentos nas tecnologias e modelos analíticos foram em parte realizados para se adaptarem a essa nova realidade, que convencionou-se chamar de Big Data Analytics. Entre as questões de grande preocupação, nessa nova realidade, estão as ameaças à privacidade. A questão posta como resultado de diversas pesquisas é que os procedimentos, técnicas, tecnologias e legislações, atualmente disponíveis, não conseguem dar garantia plena à privacidade. Diante desse complexo cenário, o objetivo dessa pesquisa foi propor um modelo teórico multifacetado no âmbito do Big Data Analytics, que garanta a privacidade, ao mesmo tempo em que não inviabilize sua extração de valor. A metodologia proposta para esse trabalho foi a revisão sistemática da literatura, com vistas à análise crítica dos apontamentos e conclusões de estudos anteriores, a identificação e proposição lógica de novas hipóteses e construtos, de maneira a formatar o desenho final de um modelo teórico. Como resultado é proposto o Pentágono da Privacidade no Big Data Analytics, que contempla um caleidoscópio de soluções capazes de garantir a privacidade ao mesmo tempo que dá garantias à extração de valor no Big Data Analytics. O construto obtido como resultado desse trabalho, traz uma resposta concisa e consistente à questão de partida desse trabalho.

Downloads

Não há dados estatísticos.

Biografia do Autor

Brenner Lopes, UFMG

Doutorando pela Escola de Ciência da Informação da UFMG, tema Big Data Privacy, possui mestrado acadêmico em Administração (Unihorizontes), como foco em Inteligência Competitiva; graduação em Economia pela PUC/MG e diversas especializações, dentre as quais destacam-se: Programa de Alta Direción en um Entorno Globalizado (ESADE/Madri e ITAM/México); Altos Estudos de Política e Estratégia (Escola Superior de Guerra); Gestão Estratégia da Informação (UFMG); Estudos Superiores de Planejamento Estratégico (Secretaria de Segurança Pública de Minas Gerais) e Finanças e Controladoria (Newton Paiva).

Ricardo Rodrigues Barbosa, ECI-UFMG

Possui graduação em Psicologia pela Pontifícia Universidade Católica de Minas Gerais (1972), Master of Business Administration e doutorado em Administração de Empresas pela Columbia University (1979 e 1985). Realizou programa de estudos, em 1992, no Department of Information Science da Strathclyde University, em Glasgow, Escócia. Realizou pós doutorado na Faculty of Information Studies da University of Toronto em 1996-1997. É professor titular do Departamento de Teoria e Gestão da Informação da Escola de Ciência da Informação da Universidade Federal de Minas Gerais. Atua nas áreas de gestão do conhecimento, gestão da informação e inteligência competitiva.

Luander Falcão, ECI-UFMG

Doutorando em Ciência da Informação com foco em estudos de NLP. Mestre em Administração pela FUMEC, graduado em Ciências Econômicas pela PUC-Minas e com MBA em Finanças e Controladoria pelo Centro Universitário Newton Paiva. Possui certificado CIP I e II, pela Fuld-Gilad-Herring Academy of Competitive Intelligence (ACI). Trabalha a mais de dez anos como Data Analyst, com tradução das necessidades de negócios em atribuições de relatórios e painéis. Desenvolve aplicações de ML em R e Python, além de dashboard para data analysis and visualization com Tableau e Power BI. Especialista em estudos setoriais e territoriais. Autor de diversos artigos e capítulos de livros. Fortes habilidades técnicas e humanas, visão de negócio, geração de valor, trabalho em equipe, planejamento estratégico, visão sistêmica e bom relacionamento completam o perfil.

Renato Rocha Souza, FGV-CPDOC

Possui graduação em Engenharia Elétrica pela Pontifícia Universidade Católica do Rio de Janeiro (1993), mestrado em Engenharia de Produção pela Universidade Federal de Santa Catarina (2000), doutorado em Ciência da Informação pela Universidade Federal de Minas Gerais (2005) e pós-doutorado em Semantic technologies for Information Retrieval - South Wales University, UK, sob supervisão de Douglas Tudhope, com bolsa do CNPQ. Professor e pesquisador na Fundação Getúlio Vargas, tendo atuado (2010-2021) na Escola de Matemática Aplicada (FGV/EMAp); atualmente Professor e Pesquisador da Escola de Ciências Sociais (FGV/CPDOC) (2022-). É também professor colaborador da Escola de Ciência da Informação da Universidade Federal de Minas Gerais (2010-) e da Universidade de Viena (2021-). Foi Visiting Fellow da University of South Wales (2009-2019), Pesquisador Adjunto Sênior da Universidade de Colúmbia (2015-2018), Pesquisador da Academia Austríaca de Ciências (2018-2021) e Pesquisador da Donau-Universität Krems (2020-2021). É membro do Corpo Editorial do periódico "Knowledge Organization", dentre outros periódicos internacionais. Atua nas áreas de Matemática Aplicada, Ciência da Informação e Ciência de Dados, tendo como temas de pesquisa: Representação do Conhecimento, Processamento de Linguagem Natural, Machine Learning, Sistemas de Recuperação de Informações, Indexação Automática, Ontologias, Semântica e Gestão do Conhecimento. Possui extensa experiência em Tecnologia da Informação, inclusive aplicada à Educação, além de experiência em Ensino a Distância.

Referências

ABOUELMEHDI, Karim; BENI-HESSANE, Abderrahim; KHALOUFI, Hayat. Big healthcare data: preserving security and privacy. Journal of Big Data, v. 5, n. 1, p. 1-18, Jan. 2018. DOI: https://doi.org/10.1186/s40537-017-0110-7. Disponível em: https://journalofbigdata.springeropen.com/articles/10.1186/s40537-017-0110-7. Acesso em: 11 set. 2020.

ACQUISTI, Alessandro; TAYLOR, Curtis; WAGMAN, Liad. The economics of privacy. Journal of Economic Literature, v. 54, n. 2, p. 442-492, 2016. DOI: http://dx.doi.org/10.1257/jel.54.2.442. Disponível em: https://pubs.aeaweb.org/doi/pdfplus/10.1257/jel.54.2.442. Acesso em: 9 set. 2020.

ADAMS, Mackenzie. Big Data and Individual Privacy in the Age of the Internet of Things. Technology Innovation Management Review, v. 7, n. 4, p. 1-24, Apr. 2017. Disponível em: https://timreview.ca/article/1067. Acesso em: 31 ago. 2020.

BRASIL. Lei Nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Diário oficial da União, Brasília, DF, 15 ago. 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/L13709compilado.htm. Acesso em: 3 set. 2020.

BRASIL. Ministério da Educação. Portal de Periódicos, da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes). 2023. Disponível em: www.periodicos.capes.gov.br. Acesso em: 31 ago. 2020.

BRYMAN, Alan. Research Methods and Organziation Studies. London: Routledge, 1989. (Contemporary Social Research, 20).

CHANSON, Mathieu; BOGNER, Andreas; BILGERI, Dominik; FLEISCH, Elgar. Blockchain for the IoT: Privacy-Preserving Protection of Sensor Data. Journal of the Association for Information Systems, v. 20, n. 9, p. 1274-1309, Mar. 2019. DOI: http://dx.doi.org/10.17705/1jais.00567. Disponível em: https://aisel.aisnet.org/jais/vol20/iss9/10/. Acesso em: 8 set. 2020.

COX, Michael; ELLSWORTH, David. Application Controled Demand Paging for Out-or-Core Visualization. NASA, Ames Research Center, 1997. Disponível em: https://www.nas.nasa.gov/assets/pdf/.../1997/nas-97-010.pdf. Acesso em: 10 jul. 2019.

CRESWELL, John W. Projeto de Pesquisa: métodos qualitativo, quantitativo e misto. Porto Alegre: Artmed, 2010.

EL OUAZZANI, Zakariae; EL BAKKALI, Hanan. A classification of non-cryptographic anonymization techniques ensuring privacy in big data. International Journal of Communication Networks and Information Security (IJCNIS), v. 12, n. 1, p. 142-152, April 2020. Disponível em: https://www.researchgate.net/publication/342009466_A_Classification_of_non-Cryptographic_Anonymization_Techniques_Ensuring_Privacy_in_Big_Data. Acesso em: 2 set. 2020.

HADAR, Irit; HASSON, Tomer; AYALON, Oshrat; TOCH, Eran; BIRNHACK, Michael; SHERMAN, Sofia; BALISSA, Arod. Privacy by designers: software developer’s privacy mindset. Empirical Software Engineering, v. 23, n. 1, p. 259-289, Feb. 2018. DOI: https://doi.org/10.1007/s10664-017-9517-1. Disponível em: https://link.springer.com/article/10.1007/s10664-017-9517-1. Acesso em: 31 ago. 2020.

HAIR, Joseph F. Jr.; BLACK, William C.; BABIN, Barry J.; ANDERSON, Rolph E.; TATHAM, Ronald L. Análise multivariada de dados. Tradução: Adonai Schlup Sant’Anna. 6 ed. Porto Alegre: Bookman, 2009.

ISHII, Kaori. Comparative legal study on privacy and personal data protection for robots equipped with artificial intelligence: looking at functional and technological aspects. AI & Society, v. 34, p. 509-533, Aug. 2019. DOI: https://doi.org/10.1007/s00146-017-0758-8. Disponível em: https://link.springer.com/article/10.1007/s00146-017-0758-8. Acesso em: 1 set. 2020.

JAIN, Priyank; GYANCHANDANI, Manasi; KHARE, Nilav. Big data privacy: a technological perspective and review. Journal of Big Data, v. 3, n. 1, p. 1-25, 2016. DOI: https://doi.org/10.1186/s40537-016-0059-y. Disponível em: https://journalofbigdata.springeropen.com/counter/pdf/10.1186/s40537-016-0059-y.pdf . Acesso em: 10 set. 2020.

JAIN, Priyank; GYANCHANDANI, Manasi; KHARE, Nilay. Enhanced Secured Map Reduce layer for Big Data privacy and security. Journal of Big Data, v. 6, n. 60, p. 1-17, Mar. 2019. DOI: https://doi.org/10.1186/s40537-019-0193-4. Disponível em: https://journalofbigdata.springeropen.com/articles/10.1186/s40537-019-0193-4. Acesso em: 1 set. 2020.

MILLS, Kathy A. What are the threats and R potentials of big data for qualitative research? Qualitative Research, v. 18, n. 6, p. 591–603, 2018. DOI: https://doi.org/10.1177/1468794117743465. Disponível em: https://journals.sagepub.com/doi/full/10.1177/1468794117743465. Acesso em: 4 set. 2020.

NORONHA, Daisy Pires; FERREIRA, Sueli Mara S. P. Revisões de literatura. In: CAMPELLO, Bernadete Santos; CONDÓN, Beatriz Valadares; KREMER, Jeannette Marguerite (org.) Fontes de informação para pesquisadores e profissionais. Belo Horizonte: UFMG, 2000.

OHM, Paul. Broken promisses of privacy: responding to the surprising failure of anonymization. UCLA Law Review, v. 57, p. 1702-1777, Aug. 2010. Disponível em: https://www.uclalawreview.org/pdf/57-6-3.pdf. Acesso em: 4 set. 2020.

OOSTVEEN, Manon. Identifiability and the applicability of data protection to big data. International Data Privacy Law, v. 6, n. 4, p. 299-309, Nov. 2016. DOI: https://doi.org/10.1093/idpl/ipw012. Disponível em: https://academic.oup.com/idpl/article-abstract/6/4/299/2525426?login=false. Acesso em: 1 set. 2020.

POLITOU, Eugenia; ALEPIS, Efthimios; PAYSAKIS, Constantinos. Forgetting personal data and revoking consente under the GDPR: Challenges and proposed solutions. Journal of Cybersecurity, v. 4, n. 1, p. 1–20, 2018. DOI: https://doi.org/10.1093/cybsec/tyy001. Disponível em: https://academic.oup.com/cybersecurity/article/4/1/tyy001/4954056. Acesso em: 10 set. 2020.

PRAGASH, K.; JAYABHARATHY, J. A Survey on Big Data Privacy and Security Issues in Healthcare Information System. Advanced in Natural and Applied Sciences, v. 11, n. 12, p. 95-99, Oct. 2017. Disponível em: https://www.aensiweb.net/AENSIWEB/anas/anas/2017/October/95-99.pdf. Acesso em: 3 set. 2020.

RAO, P. Ram Mohan; KRISHNA, S. Murali; KUMAR, A. P. Silva. Privacy preservation techniques in big data analytics: a survey. Jornal of big data, v. 5, n. 22, p. 1-12, Mar. 2018. DOI: https://doi.org/10.1186/s40537-018-0141-8. Disponível em: https://journalofbigdata.springeropen.com/articles/10.1186/s40537-018-0141-8. Acesso em: 8 set. 2020.

SARKAR, Bikash Kanti. Big data for secure healthcare system: a conceptual design. Complex Intell. Syst., v. 3, p. 133-151, June 2017. DOI: https://doi.org/10.1007/s40747-017-0040-1. Disponível em: https://link.springer.com/article/10.1007/s40747-017-0040-1#citeas. Acesso em: 2 set. 2020.

SOLOVE, Daniel J. Conceptualizing Privacy. California Law Review, v. 90, n. 4, p. 1087-1155, July 2002. Disponível em: https://scholarship.law.gwu.edu/cgi/viewcontent.cgi?article=2086&context=faculty_publications. Acesso em: 17 dez. 2023.

SUN, Zhaohao; PAMBEL, Francisca; STRANG, Kenneth David. Privacy and security in the big data paradigm. Journal of Computer Information Systems, v. 60, n. 3, p. 1-10, Feb. 2018. DOI: https://doi.org/10.1080/08874417.2017.1418631. Disponível em: https://www.researchgate.net/publication/323056850_Privacy_and_security_in_the_big_data_paradigm. Acesso em: 2 set. 2020.

SUN, Zhaohao; SUN, Lee Lizhe; STRANG, Kenneth. Big data analytics services for enhancing usiness Intelligence. Journal of Computer Information Systems, v. 58, n. 2, p. 162-168, 2016. DOI: http://dx.doi.org/10.1080/08874417.2016.1220239. Disponível em: https://www.researchgate.net/publication/309389413_Big_Data_Analytics_Services_for_Enhancing_Business_Intelligence. Acesso em: 1 set. 2020.

THOMSON, Lucy L.; THIBADEAU, Robert. American BarAssociation. Security challenges of the big data ecosystem require a laser- like focus on risk. The SciTech Lawyer, v. 12, n. 2, Jan. 2016.

WARREN, Samuel D.; BRANDEIS, Louis D. The Right to Privacy. Harvard Law Review, v. 4, n. 5, p. 193-220, 1890. Acesso em: 29 set. 2020.

WESTIN, Alan. Privacy and Freedom. Nova York: Atheneum, 1970.

WILSON, Rebecca J.; BELLIVEAU, Kiley M.; GRAY, Leigh Ellen. Busting the Black Box: Big Data, Employment and Privacy. Defense Counsel Journal, v. 84, n. 3, p. 1-34, July 2017. Disponível em: https://www.iadclaw.org/defensecounseljournal/busting-the-black-box-big-data-employment-and-privacy/. Acesso em: 11 set. 2020.

Downloads

Publicado

13-01-2024

Como Citar

LOPES, B.; BARBOSA, R. R. .; FALCÃO, L. C. de J.; SOUZA, R. R. . Pentágono da privacidade no Big Data Analytics: proposta de modelo teórico. Revista Informação na Sociedade Contemporânea, [S. l.], v. 8, n. 1, p. e33898, 2024. DOI: 10.21680/2447-0198.2024v8n1ID33898. Disponível em: https://periodicos.ufrn.br/informacao/article/view/33898. Acesso em: 21 dez. 2024.

Edição

Seção

Artigos