Print Friendly, PDF & Email

Por João Carlos Rebello Caribé

Este trabalho foi apresentado no II Seminário Internacional Network Science em Novembro de 2018.

O artigo completo pode ser acessado nos anais do evento ou no ResearchGate.


Resumo

Quando se fala em vigilância, logo vem a mente a imagem de uma câmera, um observador por trás dos monitores. É um modelo naturalizado no século XX, que com o advento do big data, está se tornando obsoleto.

O modelo de vigilância do Panóptico de Benthan, descrito por Foucault (2014) em “Vigiar e Punir”, se baseia no par ver-ser-visto, a partir de um ponto de observação central, com o vigilante tendo ampla visão do vigiado e este nenhuma visão do vigilante, presumindo assim a sua vigilância.

Com a emergência da mobilidade e do capitalismo de vigilância (Shoshana Zuboff, 2015), surgiram novas sistematizações de modelos de vigilância. Zigmunt Bauman (2013) em “Vigilância Líquida”, apresenta o modelo do Panóptico pessoal, onde o indivíduo torna-se vigilante de si e seus pares, carregando seu próprio Panóptico, materializado como seus smartphones e dispositivos conectados. O que Bauman descreve, dialoga com o que Fernanda Bruno (2013), em “Máquinas de ver, Modo de Ser. Vigilância Tecnologia e Subjetividade” descreve como Vigilância Distribuída, que tira a centralidade da vigilância, principal característica do Panóptico.

Sandra Braman (2006) no livro “Change of State – Information, Policy, and Power”, apresenta o Panspectro, como o modelo de vigilância adequado ao advento do big data. Segundo a autora, o foco do Panspectro não é o indivíduo em particular, seu foco está nos dados, e sua ação focal se dá em resposta a padrões.

O volume de dados produzidos voluntária e involuntariamente, pelo indivíduo, na Internet configuram o novo petróleo, o Facebook, por exemplo, teve uma receita bruta de U$ 40,6 bilhões em 2017, Alphabet, holding da Google, faturou U$ 110 bilhões, no mesmo período.

Panspectros, treinados com modelos, através de machine learning, constroem a partir dai, por deep learnig, padrões sofisticados, que respondem de forma lateral, distinta da lógica humana, com extrema precisão a perguntas feitas na tela panspectral. Yoyou Wu et al (2015) demonstra em “Computer-based personality judgments are more accurate than those made by humans” como os julgamentos baseados em computador são mais precisos que os feitos por humanos.

As pegadas digitais que o indivíduo produz permitem produzir informações valiosas de sua individualidade, seus gostos, temores, e até revelar seus mais sombrios segredos.

Slides


Bibliografia

ASSANGE, J. et al. Cypherpunks: liberdade e o futuro da internet. Boitempo, 2013.

BAUMAN, Zygmunt; DAVID, Lyon. Vigilância Líquida. Zahar, 2013.

BECKER, Howard S. Outsiders. Zahar, 2014.

BRAMAN, Sandra. Change of State: Information, Policy, and Power. The MIT Press, 2006.

BRUNO, Fernanda. Máquinas de ver, modos de ser: vigilância, tecnologia e subjetividade. Sulina, 2013.

FOUCAULT, Michel. Vigiar e Punir. Almedina, 2014.

GOLBECK, Jennifer. Predicting personality from social media text. Transactions on Replication Research, v.2-2: p.1–10, 2016.

O’NEIL, C. Weapons of math destruction: How big data increases inequality and threatens democracy. United States: Crown Publishing Group (NY), 2016.

PAO.James. Emotion detection through facial feature recognition. Technical report, Stanford, 2017.

WRÓBLEWSKA, Maria. Monologue of the Algorithm: how Facebook turns users data into its profit.(12/01/2018) disponível em https://en.panoptykon.org/articles/monologue- algorithm-how-facebook-turns-users-data-its-profit-video-explained acesso em 02/02/2018

WU, Youyou; KOSINSKI, Michal; STILLWELL,David. Computer-based personality judgments are more accurate than those made by humans. 2015.

ZUBOFF, S. Big other: Surveillance capitalism and the prospects of an information civilization. Journal of Information Technology, [s.l.], v. 30, no 1, p. 75–89, 2015.

Bibliografia consultada

GOLBECK, Jennifer; ADALI, Sibel. Predicting personality with social behavior: a comparative study. Soc. Netw. Anal. Min.,2014. doi: 10.1007/s13278-014-0159-7

KAPPLER, Karolin; SCHRAPE, Jan-Felix; ULBRICHT, Lena; WEYER, Johannes. Societal Implications of Big Data. KI – Künstliche Intelligenz v.32. p.55-60 (2018)

SHARE LAB. Facebook Algorithmic Factory (1,2 e 3). Disponível em: https://labs.rs/en. Acesso em: 10/03/2017.

STEINER, Christopher. Automate This: How Algorithms Came to Rule Our World. Portfolio Hardcover, 2012.


João Carlos Rebello Caribé

Mestrando em Ciência da Informação pela UFRJ (PPGCI), turma de 2017. Membro do Laboratório em Rede de Humanidades Digitais (LarHud) e do Estudos Críticos em Informação, Tecnologia e Organização Social (Escritos).

1 comentário

Estruturando o estudo das fake news – Panspectron · 29/07/2019 às 10:06

[…] determinar as características do seu “alvo”. O Facebook, Google, Instagram e Twitter, seguem suas pegadas digitais, e faturam alto com […]

Deixe uma resposta

O seu endereço de e-mail não será publicado.