Open finance e a responsabilidade solidária em caso de vazamento de dados pessoais: uma breve análise da LGPD
Bibliographic record
Abstract
O presente trabalho tem como objetivo analisar a responsabilidade solidária em caso de vazamento de dados pessoais no Open finance com base na Lei Geral de Proteção de Dados. Sabe-se que o direito à privacidade, se encontra elencado na constituição artigo 5º, inciso X, pode ser encontrado também no Código Civil em seu artigo 21, além disso, tal direito foi tratado no Marco Civil da internet (Lei 12.965/2014) e posteriormente pela Lei Geral de Proteção de Dados – LGPD (Lei 13.709/2018). Considerando o tema abordado e os limites do direito a proteção de dados, pode-se dizer que a pesquisa é do tipo exploratória, ou seja, foi examinado um atual problema da sociedade, que são os perigos da exposição de dados pessoais do consumidor. Busca-se ainda responder a seguinte problemática: Quais as contribuições à nova Lei Geral de Proteção de Dados trouxeram para a responsabilidade solidária em casos de vazamento de dados no Open finance? Durante a pesquisa foi utilizado fontes secundárias, a partir do momento em que se baseia nas leis regulamentadas para este determinado tema e levando em consideração os autores que dissertam sobre o assunto, utilizará o método qualitativo, para que assim seja possível discutir e responder os questionamentos que cerceiam o presente trabalho e contribuir de forma positiva para a sociedade dentre outras fontes substratos para a elaboração desse estudo, foram feitos uma análise e um crivo de acordo com o tema, limitando-se as referências para compor o presente estudo, por conterem textos com experiências mais exitosas e por serem os que mais estão de acordo com o foco do presente trabalho. O presente trabalho justifica-se pela extrema relevância, pois torna-se imprescindível que seja efetuado trabalho sobre ele e ainda possui uma inegável importância jurídica, visto que é uma temática muito polêmica na sociedade.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.032 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.010 | 0.009 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".