Pentágono da privacidade no Big Data Analytics
proposta de modelo teórico
DOI:
https://doi.org/10.21680/2447-0198.2024v8n1ID33898Palavras-chave:
privacidade, big data analytics, big data privacy, valor do big data, pentágono da privacidadeResumo
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
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
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Brenner Lopes, Ricardo Rodrigues Barbosa, Luander Falcão, Renato Rocha Souza
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
Os autores manterão seus direitos autorais e garantirão à revista o direito de primeira publicação de seu trabalho, que estará simultaneamente sujeito à Licença Internacional Atribuição-NãoComercial 4.0 Internacional (CC BY-NC 4.0). Os usuários podem ler, baixar, copiar, distribuir, imprimir, buscar ou enlaçar os artigos completos desta revista, sem a necessidade de requerer permissão ao editor ou ao autor, desde que seu autor e sua primeira publicação sejam indicados. A licença não permite usos comerciais dos artigos publicados.
Os autores podem adotar outros contratos de licença não exclusivos para a distribuição da versão da obra publicada (ex: depositar em repositório institucional ou publicar em volume monográfico) desde que indicada a publicação inicial nesta revista.
Os autores são autorizados e recomendados a divulgar seus trabalhos pela Internet (por exemplo, em repositórios institucionais ou em seus sites) antes e durante o processo de submissão, o que pode levar a trocas interessantes e aumentar as citações de o trabalho publicado. Nesse caso, solicitamos que o cabeçalho do manuscrito indique: "Esta é uma versão pre-print enviada à Revista Informação na Sociedade Contemporânea (https://periodicos.ufrn.br/informacao)"
A Revista Informação na Sociedade Contemporânea adere aos principios e valores da publicação científica como expressos por AmeliCA para preservar o acceso aberto ao conhecimento científico sob modelos não comerciais.