Discussões sobre privacidade em OSS de IA/ML

GitHub e Hugging Face · coleta auditável e avaliação humana

Identificação de menções à legislação de privacidade em issues do GitHub e Discussions de modelos e datasets do Hugging Face.

Estado do projeto

Coleta científica ainda não executada.

—

Projetos catalogados

—

Projetos elegíveis

—

Discussões únicas com evidência legal

Um traço indica resultado pendente. Pilotos e testes simulados não compõem os resultados científicos.

Método

A descoberta precede a seleção dos projetos. A confirmação registra ocorrências textuais e sua procedência; as categorias de privacidade são atribuídas pelos avaliadores.

Questão	Objeto
RQ1	Direitos dos titulares e princípios mencionados; título/texto inicial separados do contexto dos comentários
RQ2	Preocupações discutidas e cobertura pela taxonomia original de 24 categorias
RQ3	Etapas do desenvolvimento de IA/ML/LLM às quais as preocupações se referem

GitHub × Hugging Face integra as três RQs. A comparação com OSS em geral integra RQ1 e RQ2. Não há RQ4 nem comparação antes/depois da GDPR. Comentários automatizados em discussões humanas são preservados como contexto.

Lei	Termos literais	Início da janela
GDPR	GDPR; General Data Protection Regulation	14/04/2016
CCPA	CCPA; California Consumer Privacy Act	28/06/2018
CPRA	CPRA; California Privacy Rights Act	03/11/2020
Data Protection Act	Data Protection Act	23/05/2018

Corte inclusivo: 22/09/2026, em UTC. Datas ausentes ou inválidas não comprovam elegibilidade. Conteúdos editados depois do corte podem estar presentes nos textos atuais.

GitHub: busca global de termos legais em issues públicas e fechadas; exclui pull requests e autores de issues identificados como bots. O repositório precisa de um sinal de descoberta de IA/ML e evidência técnica. A coleta lê manifestos na raiz e README quando necessário; não percorre código-fonte ou subdiretórios.

Hugging Face: descoberta de modelos e datasets por cada licença OSI; exclui Spaces, projetos privados e acesso gated. Uma tarefa, pipeline ou biblioteca reconhecida em metadados estruturados confirma IA/ML. Apenas Discussions fechadas são aceitas; autores identificados como bots são excluídos.

Ambas as plataformas: licença SPDX reconhecida pela lista OSI local e criação até o corte. Todos os identificadores em expressões de licença precisam ser aprovados. Forks e projetos arquivados são aceitos; não há limiares de popularidade.

20 conceitos: listas originais e revisadas do pacote científico, com limites de palavra e procedência separada. 24 categorias: codebook humano, sem classificação automática por palavras-chave.

Amostra e avaliação

Estratos: plataforma × tipo de repositório × lei. Cochran com correção para população finita: confiança de 99%, margem de 5%, proporção de 50%; tamanho arredondado para cima e limitado à população. Sorteio sem reposição, semente 20260920 acrescida do índice do estrato.

Cada discussão aparece uma vez por avaliador na planilha CSV, mesmo quando participa de várias leis. Dois avaliadores por padrão. Relevância: 0, 1 ou vazio. Categorias: IDs do codebook separados por ponto e vírgula, sem repetição. Kappa usa apenas pares preenchidos; casos sem pares ou com concordância esperada igual a 1 permanecem indefinidos.

Os CSV de população, amostra, estratos, codificação e codebook, além do manifesto com hashes, ficam em inputs/final/collection para as análises posteriores. Os dados brutos e tokens não são copiados para o site.

Etapas do desenvolvimento — RQ3

RQ3 pendente: ainda não há anotações reais de etapas e consenso importados.

Instrumento ml-stages-1.0.0: requisitos do modelo, coleta de dados, limpeza, rotulagem, engenharia de características, treinamento, avaliação, implantação e monitoramento. Eixo separado das 24 categorias, inspirado em Amershi et al. (2019). As definições operacionais e adaptações para LLM são desta pesquisa; etapas não são inferidas pelo hub.

Dois avaliadores cobrem toda a amostra independentemente; o consenso é preservado em outra planilha. Cada etapa identificada exige trecho e artefato de origem. Pendência difere de etapa indeterminada após avaliação. A concordância por etapa é calculada antes do consenso; pares indeterminados ou não relevantes não são tratados como ausência da etapa.

As etapas não são atribuídas automaticamente. Não há resultados humanos para apresentar.

Descrições da amostra manual, sem extrapolação para a população: N é o número de discussões relevantes com anotação de etapa concluída, incluindo indeterminadas. Pendências ficam separadas. Uma discussão pode ter várias etapas e as proporções podem somar mais de 100%. Denominador zero produz proporção indefinida; zero discussões relevantes no HF é um resultado válido.

Para cada uma das nove etapas: H0, a proporção em discussões relevantes é igual entre os hubs; H1, difere. Contrastes exigem projetos comparáveis, tratamento do agrupamento por projeto e vínculos entre hubs, efeitos, intervalos e ajuste de Holm. Enquanto faltarem esses requisitos, são registrados como não testáveis. Diferenças não demonstram conformidade nem maior preocupação jurídica de um hub.

Execução local

Rscript main.R --check
Rscript main.R --test
Rscript main.R --pilot
Rscript main.R --github
Rscript main.R --huggingface
Rscript main.R --analyze

A opção –run faz as duas coletas e a análise usando banco temporário. O banco oficial só é substituído após sucesso, com arquivamento do anterior. A análise verifica as duas últimas tentativas, os problemas pendentes, o corte, as versões e os hashes das respostas brutas.

Rscript main.R --run
quarto preview

O site está preparado para GitHub Pages. O workflow de publicação é manual. Testar ou renderizar localmente não cria commits nem publica o projeto.

O piloto não gera o site. As coletas GitHub e Hugging Face, a análise e a execução completa geram a página automaticamente ao concluir.

Limites

Menção textual não decide conformidade ou violação legal. O total de projetos GitHub corresponde aos encontrados nas buscas de discussões legais, sem estimar todos os projetos de IA/ML da plataforma. A descoberta no Hugging Face depende da indexação de licenças. O piloto demonstra funcionamento em um recorte limitado; cobertura, tempo e consumo de cota da coleta completa exigem validação.

BERT, avaliação humana e todas as análises da dissertação não são executados automaticamente. A precisão da seleção de IA/ML e a cobertura das licenças ainda precisam de validação empírica.

Referências

Kapitsaki, G. M.; Papoutsoglou, M.; Treude, C.; Theophilou, I. (2026). Analyzing developer discussions on EU and US privacy legislation compliance in GitHub repositories. Information and Software Technology. DOI: 10.1016/j.infsof.2026.108252. Preprint. Fonte do procedimento de mineração de discussões, vocabulários e taxonomia. O pacote de replicação foi preservado em inputs/reference/replication/, no commit eeccde00898a56d603748590fd5ce06fc05cba45. As palavras-chave revisadas pelo GPT pertencem ao pacote e têm origem distinguida das originais. Os 20 conceitos têm listas originais; apenas 14 têm uma lista revisada no snapshot consultado. As 24 categorias seguem o codebook HTML. O CSV de categorias também foi preservado e contém rótulos de versões anteriores; ele não altera silenciosamente o codebook.

Gonzalez, D.; Zimmermann, T.; Nagappan, N. (2020). The State of the ML-universe: 10 Years of Artificial Intelligence & Machine Learning Software Development on GitHub. MSR. DOI: 10.1145/3379597.3387473. Antecedente de descoberta de projetos de IA/ML por tópicos.

Openja, M. et al. (2024). An Empirical Study of Testing Machine Learning in the Wild. TOSEM. DOI: 10.1145/3680463. Origem bibliográfica dos primeiros 12 tópicos informados pelo usuário. Os 24 tópicos deste projeto foram fornecidos diretamente pelo usuário; nenhum artigo é apresentado como autor de toda a lista ou dos filtros deste protocolo.

Cohen, J. (1960). A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement. DOI: 10.1177/001316446002000104. Referência de concordância para duas codificações independentes.

Cochran, W. G. (1977). Sampling Techniques, 3rd edition. Wiley. Referência da fórmula de tamanho amostral, com correção para população finita. Os parâmetros de 99%, 5% e 50% são decisões do protocolo informado pelo usuário.

Extensão desta pesquisa: RQ3

Amershi, S.; Begel, A.; Bird, C.; DeLine, R.; Gall, H.; Kamar, E.; Nagappan, N.; Nushi, B.; Zimmermann, T. (2019). Software Engineering for Machine Learning: A Case Study. ICSE-SEIP, pp. 291–300. DOI: 10.1109/ICSE-SEIP.2019.00042. Fonte primária. A seção II.B e a Figura 1 informam as nove etapas, com ciclos de retorno. Os IDs, definições operacionais de preocupações regulatórias, regras de evidência e adaptações para LLM em ml-stages-1.0.0 são nossos. Esse instrumento não substitui as 24 categorias de Kapitsaki et al. O codebook e as instruções estão em inputs/reference/rq3-codebook.md.

Literatura externa para interpretação

Conforme o pré-projeto atualizado, estes trabalhos contextualizam os resultados; não fornecem as 24 categorias nem validam automaticamente a RQ3:

• Herwanto et al. (2024), Toward a Holistic Privacy Requirements Engineering Process: Insights From a Systematic Literature Review. DOI: 10.1109/ACCESS.2024.3380888.
• Kosenkov et al. (2026), Privacy by design: Aligning GDPR and software engineering specifications with a requirements engineering approach. DOI: 10.1016/j.infsof.2025.107946.
• Sangaroonsilp et al. (2023), A taxonomy for mining and classifying privacy requirements in issue reports. DOI: 10.1016/j.infsof.2023.107162.
• Mitchell et al. (2019), Model Cards for Model Reporting. DOI: 10.1145/3287560.3287596.
• Gebru et al. (2021), Datasheets for Datasets. DOI: 10.1145/3458723.
• Kapitsaki (2026), Regulatory compliance-readiness in the AI Supply Chain: examining datasets in Hugging Face. Preprint arXiv:2607.03310. Seu objeto são cards de datasets; não equivale às Discussions nem aos critérios comuns de licenciamento desta pesquisa.

Documentação técnica: GitHub Search, Hugging Face Hub API, limites de comunicação do Hub, lista SPDX e Quarto no GitHub Pages.