Vitor Felipe Bastos de Arruda Carneiro

This study investigates the use of the BERT model to support the automated classification of public documents according to whether they contain personal or sensitive data, in compliance with the Brazilian General Data Protection Law (LGPD). Documents from the Mato Grosso State Official Press (IOMAT) were used, comprising 1,050 documents labelled as sensitive and 450 labelled as non-sensitive. In this version, only a document-level binary classifier (sensitive vs. non-sensitive) was implemented and evaluated; Named Entity Recognition (NER), Explainable AI (XAI), and an auditing interface are described as part of a broader system planned as future work. The model — a fine-tuned BERTimbau classifier — was trained after removing explicit date expressions from the texts, with a fixed seed and deterministic settings for reproducibility. On the validation set, it reached 75.00% accuracy and an 83.66% positive-class F1-score, with a macroF1 of 65.23%. Compared with a majority-class baseline, the main improvement was observed in macro-F1, indicating that the model learned useful patterns beyond simply assigning all documents to the sensitive class. An error analysis based on the confusion matrix shows that false negatives are the legally costlier errors in a compliance setting, as they may correspond to sensitive documents being treated as non-sensitive. The results should be interpreted as preliminary and corpus-dependent, since date removal reduces but does not eliminate temporal and topical composition effects. Even so, the findings indicate the feasibility of the approach as an initial, human-in-the-loop screening stage for ethical data governance in the public sector.

Este artigo analisa os riscos e desafios relacionados à proteção do Cadastro de Pessoa Física (CPF), dado essencial e altamente vulnerável no Brasil. A pesquisa destaca problemas recorrentes como vazamentos massivos, práticas frágeis de autenticação e uso indiscriminado do CPF em serviços públicos e privados. A análise aborda a importância da Lei Geral de Proteção de Dados (LGPD), o papel das instituições e a necessidade de educação digital para os cidadãos. Conclui-se que a proteção efetiva do CPF depende da integração entre legislação, tecnologia e conscientização, visando preservar a privacidade e reduzir fraudes de identidade no país.

Este artigo analisa a relação entre blockchain e segurança da informação, destacando como a tecnologia contribui para os pilares de confidencialidade, integridade e disponibilidade. A partir de uma revisão teórica, são exploradas aplicações em setores como finanças, saúde, governo, agronegócio e identidade digital. Também são discutidos riscos e desafios, como escalabilidade, ataques de 51%, vulnerabilidades em contratos inteligentes e consumo energético. Além disso, são abordadas as implicações legais frente à LGPD e ao GDPR, que geram tensões entre imutabilidade dos registros e o direito ao esquecimento. Conclui-se que o blockchain é um paradigma promissor, mas que demanda soluções técnicas e jurídicas para consolidar sua adoção responsável.

A tecnologia blockchain, reconhecida por sua segurança e descentralização, apresenta vulnerabilidades críticas que podem comprometer sua integridade e eficiência. Este estudo categoriza essas vulnerabilidades em contratos inteligentes, mecanismos de consenso, arquitetura de rede e ferramentas de análise, com base em literatura acadêmica entre 2015 e 2023. Foram identificadas falhas clássicas, como ataques de reentrância em contratos inteligentes, ataques de 51% em mecanismos de consenso e problemas de sincronização entre nós da rede. Os resultados indicam que a adoção de ferramentas de auditoria, algoritmos de consenso alternativos e arquiteturas de rede adaptáveis são fundamentais para mitigar riscos. Conclui-se que a segurança em blockchain é um campo dinâmico, e que estratégias multidimensionais são essenciais para tornar a tecnologia mais confiável em aplicações críticas, como finanças, saúde e logística.

Introdução: Este artigo discute riscos e implicações do uso de detectores de IA em avaliações acadêmicas, destacando falsos positivos, vieses linguísticos e falta de transparência, aspectos que ameaçam especialmente autores em início de carreira. Objetivo: Refletir criticamente sobre as limitações desses detectores e propor caminhos éticos e metodológicos para seu uso responsável, em diálogo com os Grandes Desafios da IHC (GC2 e GC6). Metodologia: A pesquisa foi conduzida por meio de revisão bibliográfica e análise teórico-crítica, complementada por debates e seminários internos realizados no Programa de Pós-Graduação em Computação Aplicada da UFMT nos anos de 2024 e 2025. Resultados Esperados: Espera-se que este estudo contribua para a formulação de diretrizes de boas práticas, promovendo maior transparência, confiabilidade e integridade científica no uso de detectores de IA em contextos acadêmicos.