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

Mestre em Ciência da Informação pela UFRJ/PPGCI. Formado em Publicidade e Propaganda pela Estácio de Sá. 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 para Estruturando o estudo das fake news – Panspectron Cancelar resposta

O seu endereço de e-mail não será publicado.