Resumo do Problema

Os usuários frequentemente enfrentam dificuldades em comparar e avaliar políticas de privacidade devido à sua complexidade, extensão e falta de padronização.

Racional

Ao fomentar ferramentas de avaliação, as organizações podem fornecer informações de privacidade claras, concisas e em conformidade para os usuários.

Solução

Melhorar a comunicação das políticas de privacidade aos usuários implementando ferramentas que avaliem a conformidade com as regulamentações, comparem várias políticas de privacidade e assegurem o alinhamento com os princípios de proteção de dados. Tais ferramentas podem resumir os principais fatos sobre a privacidade e visualizar os fluxos de informações, tornando as políticas de privacidade mais fáceis de entender e comparar para usuários não especialistas.

Railean e Reinhardt [1] apresentaram uma ferramenta de transparência de privacidade (OnLITE) para consumidores não especialistas, permitindo que entendam e comparem como dispositivos da Internet das Coisas (IoT) lidam com os dados pessoais. A ferramenta visa abordar o número crescente de produtos IoT e suas implicações de privacidade, cumprindo atos legais como o GDPR ao resumir os principais fatos de privacidade e visualizar os fluxos de informações de maneira clara e legível para avaliações rápidas, mesmo com grandes conjuntos de dados. Para o protótipo, eles usaram informações fornecidas pelos fabricantes, já que essas informações devem ser fornecidas sob consideração do GDPR. O código-fonte do protótipo e outros materiais estão disponíveis em https://zenodo.org/records/4126346.

Liu et al. [2] desenvolveram um esquema de classificação baseado no Artigo 13 da GDPR. Eles anotaram um corpus de 304 políticas de privacidade para facilitar a análise automática de conformidade. Esse conjunto de dados anotado foi usado para treinar modelos de classificação que podem identificar e classificar sentenças dentro das políticas de privacidade para verificações de conformidade baseadas em regras. Eles implementaram uma ferramenta baseada na web chamada AutoCompliance para ajudar os usuários a aplicar essa abordagem, identificando problemas de conformidade nas políticas de privacidade. O conjunto de dados anotado e a ferramenta visam melhorar a transparência e ajudar as organizações a garantir que suas políticas de privacidade estejam em conformidade com os requisitos da GDPR. Embora o site da ferramenta AutoCompliance não esteja mais disponível até o momento desta escrita, o conjunto de dados está acessível via repositório no GitHub.

Kolter, Kernchen e Pernul [3] focam em uma abordagem baseada na comunidade e dirigida pelo usuário, em vez de uma ferramenta de análise de conformidade automatizada. Eles propõem uma arquitetura de privacidade centrada no usuário destinada a fornecer proteção independente do provedor dos dados pessoais. O elemento central dessa arquitetura é uma comunidade online de privacidade que capacita os usuários a compartilhar informações relacionadas à privacidade, avaliações e experiências em relação aos provedores de serviços. A arquitetura inclui componentes que permitem aos usuários definir preferências de privacidade, que podem ser comparadas com as políticas de privacidade dos provedores de serviços. Isso ajuda os usuários a avaliar a adesão às suas preferências e tomar decisões informadas sobre a divulgação de dados.

Plataformas: computadores pessoais, dispositivos móveis

Exemplo

Colagem de capturas de tela das abas do OnLITE [1]. (Ver em tamanho maior)

Ferramenta AutoCompliance [2]. (Ver em tamanho maior)

Resumo da política de privacidade [3]. (Ver em tamanho maior)

• O OnLITE resume fatos importantes sobre privacidade e permite visualizar fluxos de informações, facilitando para consumidores não especialistas entender e comparar como os dispositivos de IoT manipulam dados. Ele melhora a compreensão do uso e promove o pensamento crítico, encorajando os usuários a refletirem sobre as informações mostradas a eles. Ele também permite avaliações rápidas de políticas de privacidade, mesmo com grandes conjuntos de dados, facilitando comparações e avaliações [1].
• O AutoCompliance ajuda os usuários a entender as políticas de privacidade identificando e classificando automaticamente as frases-chave de acordo com o Artigo 13 do GDPR. Um estudo de usuário mostrou que o AutoCompliance reduziu o tempo de leitura do usuário em 55%. Além disso, a ferramenta AutoCompliance auxilia as organizações a garantir que suas políticas de privacidade estejam em conformidade com os requisitos do GDPR, ajudando a identificar e abordar problemas de conformidade [2].
• Uma abordagem baseada na comunidade que aproveita o conhecimento e as experiências coletivas, ajudando os usuários a tomarem decisões informadas sobre divulgação de dados e práticas de privacidade [3].

• O estudo reconhece limitações como a ausência de participantes acima de 44 anos e um número limitado de participantes novatos. No entanto, o design da interface, avaliado com uma gama mais ampla de participantes, e a avaliação heurística por especialistas, a maioria na faixa dos quarenta anos, são considerados fatores compensatórios. Também requer estudos de longo prazo para avaliar a habituação do usuário e a eficácia sustentada da ferramenta [1].
• A precisão dos modelos de machine learning da ferramenta AutoCompliance depende da qualidade e representatividade dos dados de treinamento. Além disso, a ferramenta AutoCompliance e soluções semelhantes suportam principalmente políticas de privacidade em inglês, limitando sua aplicabilidade em contextos multilíngues [2].
• O sucesso de uma abordagem orientada pela comunidade depende da participação e do engajamento do usuário ao longo do tempo. Além disso, a plataforma baseada na comunidade e as ferramentas de preferência de privacidade podem ser complexas para usuários que não estão familiarizados com análise de política de privacidade e ferramentas digitais [3].

Tais soluções visam comunicar práticas de tratamento de dados pessoais por meio de avisos de privacidade [4].

A transparência [5] é o principal atributo da privacidade, uma vez que este mecanismo envolve a distribuição proativa de informações aos usuários, promovendo a comunicação visualmente acessível das práticas de tratamento de dados e ajudando os usuários a tomar decisões informadas sobre privacidade. Outros atributos de privacidade relacionados: