303 Mateus Panizzon e Patrícia Montemezzo vidual. Esses recursos permitem que tanto órgãos públicos quanto empresas privadas adotem medidas de mitigação antes da implementação em larga escala, promovendo uma cultura de responsabilidade preventiva (Mittelstadt et al., 2016). Os model cards (Mitchell et al., 2019), funcionam como uma espécie de “bula técnica” para modelos de machine learning. Neles, os desenvolvedores devem descrever informações fundamentais sobre o sistema, tais como dados de treinamento, métricas de desempenho, limitações conhecidas, grupos populacionais para os quais o modelo pode apresentar viés e contextos de uso recomendados ou desaconselhados. Essa documentação favorece a auditabilidade externa e a compreensão, tanto por especialistas quanto por usuários, dos riscos e restrições associados ao modelo, evitando interpretações equivocadas de sua acurácia ou de sua neutralidade. Já os datasheets for datasets (Gebru et al., 2021), aplicam a lógica das fichas técnicas industriais à documentação de conjuntos de dados utilizados para treinar algoritmos. Cada datasheet deve especificar a origem dos dados, a metodologia de coleta, as populações representadas (e aquelas sub-representadas), bem como potenciais vieses embutidos. Esse instrumento é essencial para garantir que os sistemas algorítmicos não reproduzam desigualdades históricas ou culturais, permitindo que pesquisadores e auditores avaliem a adequação de determinado dataset para o fim proposto. A adoção articulada desses três mecanismos pode representar um avanço significativo para a accountability algorítmica, pois viabiliza a identificação de riscos, a documentação transparente e a possibilidade de auditoria independente. Sendo assim, ao integrarem práticas de governança técnica à regulação ética e jurídica, tais instrumentos ampliam a proteção da autonomia individual e da liberdade cognitiva, além de criarem condições para um ecossistema digital mais justo e confiável (Zuboff, 2019; Floridi, 2013). Contudo, essa camada técnica precisa ser compreendida de forma integrada com a camada jurídica, econômica, e ética. Na dimensão econômica, o atual modelo de monetização, baseado em publicidade ultrasegmentada, reforça incentivos para a exploração intensiva de dados e para a captura da atenção. Além da relação direta entre usuário e plataforma, emergem os mercados secundários de dados (Acquisti; Taylor; Wagman, 2016), nos quais data
RkJQdWJsaXNoZXIy MjEzNzYz