GOVERNANÇA DE DADOS E COMPLIANCE EM PEOPLE ANALYTICS

REGISTRO DOI: 10.70773/revistatopicos/786983460

RESUMO
Este estudo aborda a governança de dados e o compliance em people analytics diante do uso crescente de informações pessoais e sistemas algorítmicos na gestão de pessoas. O objetivo foi examinar como esses mecanismos podem orientar decisões responsáveis, considerando proteção de dados, transparência, equidade e responsabilidade organizacional. A fundamentação reuniu estudos sobre people analytics, governança, privacidade, segurança, ética e supervisão humana. Metodologicamente, realizou-se revisão integrativa, de abordagem qualitativa e caráter descritivo, com busca em bases científicas e seleção de estudos relacionados ao tema. Os resultados evidenciaram que o uso responsável de dados depende da definição de finalidades, proteção das informações, transparência dos processos, avaliação da equidade algorítmica e possibilidade de intervenção humana. Conclui-se que governança e compliance devem acompanhar todo o percurso dos dados, da coleta à decisão. Esses elementos fortalecem a utilização responsável de people analytics e aproximam capacidade tecnológica, proteção de direitos e responsabilidade nas decisões organizacionais.
Palavras-chave: Governança de dados; Compliance; People analytics; Proteção de dados.

ABSTRACT
This study addresses data governance and compliance in people analytics in the context of the increasing use of personal information and algorithmic systems in human resource management. The objective was to examine how these mechanisms can guide responsible decision-making, considering data protection, transparency, fairness, and organizational accountability. The theoretical framework encompassed studies on people analytics, governance, privacy, security, ethics, and human oversight. Methodologically, an integrative review with a qualitative and descriptive approach was conducted, involving searches in scientific databases and the selection of studies related to the topic. The results showed that responsible data use depends on clearly defined purposes, information protection, process transparency, assessment of algorithmic fairness, and the possibility of human intervention. It is concluded that governance and compliance should encompass the entire data lifecycle, from collection to decision-making. These elements strengthen the responsible use of people analytics and align technological capabilities with rights protection and accountability in organizational decision-making.
Keywords: Data governance; Compliance; People analytics; Data protection.

1. INTRODUÇÃO

A transformação digital da gestão de pessoas ampliou o uso de dados para compreender processos de trabalho e subsidiar decisões organizacionais. Nesse cenário, people analytics corresponde ao uso sistemático de dados relacionados às pessoas e às organizações para produzir informações aplicáveis à gestão, envolvendo não apenas recursos tecnológicos, mas também critérios para coleta, interpretação e utilização desses dados (Tursunbayeva et al., 2018; Falletta; Combs, 2021).

A incorporação de algoritmos e inteligência artificial torna esse processo mais complexo. Tecnologias empregadas em recrutamento, desenvolvimento e avaliação profissional podem ampliar a capacidade de processamento das informações, mas também envolvem questões de transparência, equidade e autonomia humana. Sem controles adequados, decisões algorítmicas podem reproduzir tratamentos discriminatórios ou produzir consequências difíceis de identificar pelos trabalhadores afetados (Köchling; Wehner, 2020; Chen, 2026).

Nesse contexto, a governança de dados estabelece princípios, responsabilidades e mecanismos para orientar como as informações são coletadas, acessadas, protegidas e utilizadas. Em people analytics, sua importância decorre da própria natureza dos dados tratados, frequentemente relacionados ao desempenho, comportamento e trajetória profissional dos trabalhadores, o que exige limites claros de finalidade e responsabilidade organizacional (Giermindl et al., 2022).

O compliance complementa essa estrutura ao aproximar as práticas organizacionais das exigências jurídicas, institucionais e éticas aplicáveis ao tratamento de dados. No Brasil, a Lei Geral de Proteção de Dados Pessoais estabelece princípios como finalidade, adequação, necessidade, transparência, segurança e prevenção, criando parâmetros diretamente relevantes para sistemas que utilizam informações pessoais em decisões organizacionais (Brasil, 2018).

Entretanto, a conformidade jurídica, isoladamente, não resolve todos os problemas associados ao uso intensivo de dados. People analytics pode gerar tensões entre benefícios organizacionais e privacidade dos trabalhadores, especialmente quando a coleta e o processamento das informações ultrapassam aquilo que os indivíduos consideram aceitável ou necessário (Chatterjee et al., 2022). Por isso, governança e compliance precisam alcançar também a forma pela qual decisões orientadas por dados são concebidas, explicadas e supervisionadas.

Essa preocupação torna-se ainda mais relevante diante do avanço da inteligência artificial na gestão de pessoas. Princípios internacionais destacam transparência, responsabilidade, segurança, equidade e supervisão humana como elementos necessários ao desenvolvimento e uso responsável desses sistemas (OECD, 2019; Unesco, 2022). No campo de recursos humanos, incorporar princípios éticos desde a elaboração dos projetos pode reduzir a distância entre orientações abstratas e decisões efetivamente tomadas nas organizações (Bar-Gil et al., 2024).

Assim, estudar governança de dados e compliance em people analytics justifica-se pela necessidade de compreender como o aproveitamento estratégico das informações pode coexistir com proteção de dados, responsabilidade institucional e respeito aos trabalhadores. A questão não se limita a quanto uma organização consegue extrair dos dados, mas envolve definir sob quais condições seu uso permanece legítimo, seguro e justificável.

Diante desse contexto, formula-se a seguinte pergunta de pesquisa: como a governança de dados e o compliance podem orientar o uso responsável de people analytics nas organizações? O objetivo deste estudo é examinar o papel da governança de dados e do compliance na utilização de people analytics, considerando proteção de dados pessoais, transparência, equidade e responsabilidade nas decisões apoiadas por dados.

2. REFERENCIAL TEÓRICO

2.1. People Analytics e a Gestão Orientada por Dados

People analytics pode ser compreendido como o uso sistemático de dados relacionados às pessoas e aos processos de trabalho para apoiar decisões organizacionais. Tursunbayeva et al. (2018), em revisão de escopo, mostram que o conceito reúne diferentes métodos e proposições de valor, ultrapassando a produção tradicional de indicadores de recursos humanos.

Essa perspectiva exige que os dados sejam vinculados a problemas organizacionais definidos, e não utilizados apenas porque estão disponíveis. Falletta e Combs (2021) estruturam essa relação em um ciclo de HR analytics que conecta questões organizacionais, dados, evidências e decisões, incorporando preocupações éticas ao desenvolvimento da capacidade analítica.

O avanço da inteligência artificial amplia esse cenário ao permitir que sistemas algorítmicos participem de atividades antes conduzidas predominantemente por profissionais. Chen (2026) compreende a gestão algorítmica de recursos humanos como uma forma de governança que interfere nas relações de trabalho, tornando transparência, equidade e agência humana elementos centrais para avaliar seu funcionamento.

Assim, a capacidade técnica de processar informações não constitui, por si só, garantia de uma decisão adequada. Bar-Gil et al. (2024) demonstram que princípios éticos precisam ser incorporados aos projetos de inteligência artificial em recursos humanos e people analytics, aproximando desenvolvimento tecnológico, decisões organizacionais e consequências para as pessoas envolvidas.

2.2. Governança de Dados, Privacidade e Segurança

A governança de dados estabelece responsabilidades, critérios e controles para que informações sejam utilizadas de acordo com finalidades previamente definidas. Embora Costa (2026) examine esse problema no âmbito municipal, sua abordagem evidencia que a organização das informações e sua circulação entre estruturas decisórias constituem dimensões relevantes da própria capacidade de governança.

Essa relação também pode ser observada em ambientes marcados pela incorporação intensiva de tecnologias. Braga e Cunha (2025), ao abordarem tecnologia e governança na gestão inteligente da segurança, associam transformação tecnológica a desafios de gestão e segurança, reforçando que digitalização e governança precisam avançar de maneira articulada.

Em people analytics, essa preocupação assume dimensão particular porque os dados utilizados estão vinculados aos trabalhadores. Chatterjee et al. (2022), a partir da abordagem do cálculo de privacidade, identificam um lado problemático do HR analytics relacionado às percepções sobre benefícios e riscos decorrentes do uso de informações pessoais, mostrando que eficiência organizacional e privacidade podem entrar em tensão.

Giermindl et al. (2022), em estudo de revisão, ampliam essa compreensão ao sistematizar riscos de people analytics tanto para organizações quanto para empregados. Os autores mostram que seus efeitos não devem ser avaliados somente pelo potencial de geração de valor, pois práticas de monitoramento e processamento de dados também podem produzir consequências indesejadas para os indivíduos.

A segurança integra esse mesmo eixo porque a governança perde efetividade quando informações pessoais permanecem vulneráveis. Mascarenhas et al. (2025), ao examinarem crimes cibernéticos e phishing, destacam a relevância das medidas preventivas diante de ameaças digitais, aspecto que reforça a necessidade de incorporar proteção da informação às estruturas responsáveis pelo tratamento de dados.

2.3. Compliance e Proteção de Dados Pessoais

No Brasil, o tratamento de dados pessoais encontra seu principal marco jurídico na Lei nº 13.709/2018. A LGPD estabelece princípios como finalidade, adequação, necessidade, transparência, segurança, prevenção e responsabilização, criando parâmetros que alcançam organizações que coletam e utilizam informações pessoais em seus processos decisórios (Brasil, 2018).

Aplicados ao people analytics, esses princípios limitam uma compreensão segundo a qual todo dado disponível pode ser utilizado simplesmente por possuir potencial analítico. A finalidade do tratamento e sua necessidade passam a integrar a própria legitimidade do processo, exigindo que a organização consiga justificar por que determinadas informações são utilizadas e como são protegidas (Brasil, 2018).

Compliance, nesse sentido, não deve ser reduzido à verificação formal do cumprimento de regras. Quando associado à governança de dados, funciona como estrutura de responsabilidade capaz de aproximar obrigações jurídicas, políticas internas e práticas efetivamente adotadas no tratamento das informações, especialmente em processos que podem afetar oportunidades profissionais.

Essa responsabilidade torna-se mais importante quando decisões são parcialmente automatizadas. Köchling e Wehner (2020), em revisão sistemática sobre recrutamento e desenvolvimento de recursos humanos, identificam problemas relacionados à discriminação e à equidade em decisões algorítmicas, demonstrando que o uso de tecnologia não elimina vieses presentes nos processos decisórios.

Por isso, governança e compliance precisam alcançar também os critérios empregados pelos sistemas. Chen (2026) situa transparência, equidade e agência humana entre os elementos necessários à governança algorítmica no trabalho, deslocando a atenção da simples eficiência do sistema para as condições sob as quais suas decisões são produzidas e supervisionadas.

2.4. Ética, Transparência e Supervisão Humana

A utilização responsável de inteligência artificial depende de princípios que orientem tanto sua concepção quanto sua aplicação. A OECD (2019) estabelece fundamentos relacionados a valores humanos, transparência, robustez e responsabilização, vinculando o desenvolvimento da inteligência artificial à necessidade de sistemas confiáveis e compatíveis com direitos e interesses sociais.

A Unesco (2022) amplia essa perspectiva ao relacionar ética da inteligência artificial à proteção dos direitos humanos, dignidade, diversidade, inclusão, transparência e supervisão humana. Esses princípios são especialmente pertinentes ao people analytics porque decisões apoiadas por algoritmos podem repercutir diretamente sobre trajetórias profissionais e relações de trabalho.

No âmbito dos recursos humanos, Bar-Gil et al. (2024) defendem que a ética seja incorporada aos próprios projetos de inteligência artificial e people analytics. Essa orientação evita que questões relacionadas a equidade, privacidade e responsabilidade sejam examinadas somente após a implementação tecnológica, quando seus efeitos já podem estar incorporados aos processos organizacionais.

A supervisão humana, entretanto, pressupõe capacidade para compreender os limites dos sistemas utilizados. Em outro campo de aplicação da inteligência artificial, Bacelar (2026) associa letramento algorítmico ao uso seguro da IA, indicando a importância de conhecimentos que permitam interpretar tecnologias algorítmicas e reconhecer seus limites. Esse princípio oferece suporte à necessidade de qualificação dos agentes responsáveis por decisões mediadas por sistemas digitais.

Creston et al. (2026), ao examinarem inteligência artificial, regulação e equidade no campo educacional, também evidenciam que a incorporação tecnológica demanda estruturas regulatórias capazes de acompanhar seus efeitos. Embora situado em outro domínio, esse entendimento reforça um princípio aplicável ao people analytics: inovação tecnológica e responsabilidade institucional não constituem processos independentes.

Desse modo, governança de dados, compliance, proteção da privacidade, equidade algorítmica e supervisão humana formam dimensões interdependentes do uso responsável de people analytics. A capacidade de transformar dados em decisões organizacionais precisa estar acompanhada de mecanismos que definam limites, atribuam responsabilidades e preservem direitos durante todo o processo decisório.

3. METODOLOGIA

Este estudo caracteriza-se como revisão integrativa, de abordagem qualitativa e caráter descritivo, direcionada ao exame das relações entre governança de dados, compliance e people analytics. Esse tipo de investigação pressupõe um percurso organizado de busca, seleção e interpretação das produções pertinentes ao problema investigado, mantendo coerência entre objetivo, fontes consultadas e construção do conhecimento científico (Dias, 2026).

As buscas foram realizadas nas bases Scopus, Web of Science, SciELO e Google Scholar, considerando publicações entre 2018 e 2026. Foram utilizados os termos “people analytics”, “HR analytics”, “data governance”, “compliance”, “data privacy”, “algorithmic governance” e “artificial intelligence”, combinados pelos operadores booleanos AND e OR.

Foram incluídos estudos diretamente relacionados ao uso de dados e sistemas algorítmicos na gestão de pessoas, bem como documentos normativos pertinentes à governança, proteção de dados e inteligência artificial. Foram excluídas duplicidades, publicações sem aderência ao objetivo da pesquisa e materiais que não ofereciam elementos suficientes para examinar o problema proposto.

O percurso de seleção compreendeu identificação dos registros, triagem por títulos e resumos, avaliação dos textos elegíveis e definição do conjunto final. Posteriormente, os estudos foram organizados segundo tema, objeto e contribuição, permitindo uma síntese qualitativa centrada em people analytics, governança de dados, compliance, privacidade, equidade algorítmica e supervisão humana.

4. RESULTADOS E DISCUSSÃO

Os estudos examinados permitem organizar os resultados em quatro dimensões diretamente relacionadas ao uso responsável de people analytics: governança e finalidade dos dados, privacidade e segurança, equidade nas decisões algorítmicas e responsabilidade humana. Essas dimensões indicam que a capacidade analítica somente se sustenta quando o uso das informações é acompanhado por mecanismos de controle durante todo o processo decisório.

Tursunbayeva et al. (2018) mostram que people analytics reúne diferentes formas de utilização dos dados para produzir valor organizacional. Falletta e Combs (2021) acrescentam que esse valor depende de um processo estruturado, no qual a questão investigada antecede a escolha dos dados. O resultado é relevante porque desloca o foco da quantidade de informações disponíveis para sua pertinência diante da decisão que se pretende apoiar.

Essa orientação encontra respaldo jurídico na LGPD, que estabelece finalidade, necessidade, transparência, segurança e responsabilização entre os princípios aplicáveis ao tratamento de dados pessoais (Brasil, 2018). Em people analytics, tais princípios impõem limites ao tratamento indiscriminado de informações e aproximam governança e compliance das etapas operacionais do processo analítico.

Tabela 1. Dimensões identificadas para a governança de people analytics

Fonte: elaboração própria com base em Brasil (2018), Köchling e Wehner (2020), Giermindl et al. (2022), Bar-Gil et al. (2024) e Chen (2026).

A privacidade aparece como uma das questões mais sensíveis desse processo. Chatterjee et al. (2022) demonstram que a avaliação do HR analytics envolve uma relação entre benefícios percebidos e preocupações com privacidade. Giermindl et al. (2022) mostram, por sua vez, que os riscos alcançam trabalhadores e organizações, sobretudo quando monitoramento e tratamento intensivo de dados alteram as relações entre controle organizacional e autonomia individual.

A proteção dessas informações também depende de segurança digital. Mascarenhas et al. (2025) evidenciam a necessidade de estratégias preventivas diante de ameaças cibernéticas, enquanto Braga e Cunha (2025) relacionam governança tecnológica à segurança e à capacidade de gestão. Embora desenvolvidos em contextos distintos, esses estudos sustentam que governar dados pressupõe protegê-los, e não apenas estabelecer regras para sua utilização.

Outro resultado relevante refere-se à equidade algorítmica. A revisão sistemática de Köchling e Wehner (2020) demonstra que decisões algorítmicas aplicadas ao recrutamento e ao desenvolvimento de recursos humanos podem envolver discriminação e problemas de justiça. Chen (2026) amplia essa questão ao associar gestão algorítmica à transparência, equidade e agência humana no ambiente de trabalho.

Essas evidências mostram que compliance em people analytics não pode permanecer restrito à proteção formal dos bancos de dados. Também precisa alcançar os critérios empregados pelos modelos, os efeitos das classificações produzidas e a possibilidade de revisão das decisões. Nesse ponto, responsabilidade jurídica, governança técnica e responsabilidade organizacional passam a operar de forma interdependente.

Bar-Gil et al. (2024) reforçam essa interpretação ao defenderem a incorporação de princípios éticos desde a estruturação dos projetos de inteligência artificial em recursos humanos. A OECD (2019) e a Unesco (2022) igualmente vinculam sistemas confiáveis de inteligência artificial à transparência, equidade, responsabilização e respeito à autonomia humana, oferecendo parâmetros que ultrapassam o simples desempenho técnico.

A supervisão humana assume, portanto, função substantiva. Bacelar (2026), ao tratar do letramento algorítmico em contexto clínico, evidencia a importância de compreender capacidades e limites dos sistemas de inteligência artificial. Transportado com cautela para a gestão de pessoas, esse princípio indica que supervisionar algoritmos exige profissionais capazes de interpretar seus resultados, questionar suas limitações e reconhecer situações que demandam intervenção humana.

Também se observa que regulação e governança precisam acompanhar a incorporação tecnológica. Creston et al. (2026) relacionam inteligência artificial, equidade e regulação no campo educacional, enquanto Costa (2026) evidencia a importância da organização dos fluxos informacionais para a governança. Em conjunto, essas contribuições ajudam a compreender que dados fragmentados, responsabilidades indefinidas ou controles insuficientes comprometem a capacidade institucional de governar tecnologias baseadas em informação.

Os resultados permitem, assim, responder à questão proposta indicando que governança de dados e compliance orientam o uso responsável de people analytics quando atuam desde a definição da finalidade do tratamento até a decisão apoiada pelos dados. Privacidade, segurança, equidade, transparência e supervisão humana deixam de constituir exigências periféricas e passam a integrar a própria qualidade do processo analítico.

Nessa perspectiva, o valor de people analytics não decorre apenas de sua capacidade de transformar dados em previsões, classificações ou recomendações. Sua legitimidade depende igualmente da possibilidade de justificar quais informações foram utilizadas, com qual finalidade, sob quais critérios e com quais mecanismos de responsabilização, preservando a participação humana nas decisões que afetam trabalhadores.

5. CONSIDERAÇÕES FINAIS

Este estudo teve como objetivo examinar o papel da governança de dados e do compliance na utilização de people analytics, considerando proteção de dados pessoais, transparência, equidade e responsabilidade nas decisões apoiadas por dados. Os resultados indicaram que essas dimensões não constituem elementos acessórios, mas condições necessárias para que a capacidade analítica seja incorporada à gestão de pessoas de forma responsável.

A questão de pesquisa foi respondida ao se identificar que governança e compliance precisam acompanhar todo o percurso dos dados, desde a definição da finalidade e da necessidade de tratamento até sua utilização em decisões organizacionais. Nesse processo, privacidade, segurança, transparência, equidade algorítmica e supervisão humana formam uma estrutura integrada de responsabilidade.

No plano organizacional, a adoção responsável de people analytics requer políticas claras para tratamento e acesso aos dados, mecanismos de segurança, definição de responsabilidades, acompanhamento dos sistemas algorítmicos e capacidade humana para interpretar e revisar seus resultados. Esses elementos aproximam inovação tecnológica, proteção de direitos e qualidade decisória, evitando que eficiência analítica seja tratada como finalidade isolada.

Conclui-se que o avanço de people analytics amplia as possibilidades de utilização estratégica dos dados, mas também eleva a responsabilidade das organizações sobre a forma como essas informações são transformadas em decisões. Governar dados, nesse contexto, significa estabelecer não apenas o que a tecnologia pode fazer, mas os limites e as condições sob os quais seu uso pode ser legitimamente incorporado às relações de trabalho.

REFERÊNCIAS BIBLIOGRÁFICAS

BACELAR, Albert. Letramento algorítmico para o uso seguro da IA clínica em hospitais. Educação & Inovação, [S. l.], v. 2, n. 11, 2026. DOI: https://doi.org/10.64326/educao.v2i11.450. Disponível em: https://educacaotecnologica.com.br/index.php/ojs/article/view/450. Acesso em: 7 ago. 2026.

BAR-GIL, Oshri et al. AI for the people? Embedding AI ethics in HR and people analytics projects. Technology in Society, v. 77, art. 102527, 2024. DOI: https://doi.org/10.1016/j.techsoc.2024.102527. Disponível em: https://www.sciencedirect.com/science/article/pii/S0160791X24000757. Acesso em: 7 ago. 2026.

BRAGA, Suzana de Souza Montenegro Porto; CUNHA, Jacira Nunes. Tecnologia, governança e segurança pública: desafios contemporâneos na gestão inteligente da segurança. Educação & Inovação, [S. l.], v. 1, n. 15, 2025. DOI: https://doi.org/10.64326/educao.v1i15.183. Disponível em: https://educacaotecnologica.com.br/index.php/ojs/article/view/183. Acesso em: 7 ago. 2026.

BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília, DF: Presidência da República, 2018. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm. Acesso em: 7 ago. 2026.

CHATTERJEE, Sheshadri et al. Examining the dark side of human resource analytics: an empirical investigation using the privacy calculus approach. International Journal of Manpower, v. 43, n. 1, p. 52–74, 2022. Disponível em: https://doi.org/10.1108/IJM-02-2021-0087. Acesso em: 7 ago. 2026.

CHEN, Zhisheng. Algorithmic human resource management as a mode of algorithmic governance: transparency, fairness, and human agency in the digital workplace. Humanities and Social Sciences Communications, v. 13, art. 594, 2026. Disponível em: https://doi.org/10.1057/s41599-026-06989-4. Acesso em: 7 ago. 2026.

COSTA, Jackeline Magno da. Fragmentação informacional e governança municipal: quando a fragmentação produz soluções. Educação & Inovação, [S. l.], v. 2, n. 3, 2026. DOI: https://doi.org/10.64326/educao.v2i3.281. Disponível em: https://educacaotecnologica.com.br/index.php/ojs/article/view/281. Acesso em: 7 ago. 2026.

CRESTON, Kátia Eliza Oliveira et al. Políticas Públicas e inteligência artificial na educação: desafios para a equidade, a regulação e a prática pedagógica. Educação & Inovação, [S. l.], v. 2, n. 11, 2026. DOI: https://doi.org/10.64326/educao.v2i11.425. Disponível em: https://educacaotecnologica.com.br/index.php/ojs/article/view/425. Acesso em: 7 ago. 2026.

DIAS, Laudinéia Maria Neves. Metodologia da Pesquisa Científica e Acadêmica: Como Escrever um Artigo Científico de Revisão de Literatura. Educação & Inovação, [S. l.], v. 2, n. 11, 2026. DOI: https://doi.org/10.64326/educao.v2i11.444. Disponível em: https://educacaotecnologica.com.br/index.php/ojs/article/view/444. Acesso em: 7 ago. 2026.

FALLETTA, Salvatore V.; COMBS, Wendy L. The HR analytics cycle: a seven-step process for building evidence-based and ethical HR analytics capabilities. Journal of Work-Applied Management, v. 13, n. 1, p. 51–68, 2021. Disponível em: https://doi.org/10.1108/JWAM-03-2020-0020. Acesso em: 7 ago. 2026.

GIERMINDL, Lisa Marie et al. The dark sides of people analytics: reviewing the perils for organisations and employees. European Journal of Information Systems, v. 31, n. 3, p. 410–435, 2022. Disponível em: https://doi.org/10.1080/0960085X.2021.1927213. Acesso em: 7 ago. 2026.

KÖCHLING, Alina; WEHNER, Marius Claus. Discriminated by an algorithm: a systematic review of discrimination and fairness by algorithmic decision-making in the context of HR recruitment and HR development. Business Research, v. 13, p. 795–848, 2020. Disponível em: https://doi.org/10.1007/s40685-020-00134-w. Acesso em: 7 ago. 2026.

MASCARENHAS, Rafael de Sá et al. Crimes cibernéticos e phishing: estudo temporal e técnicas de prevenção. Educação & Inovação, [S. l.], v. 1, n. 1, p. 1–17, 2025. DOI: https://doi.org/10.64326/educao.v1i1.2. Disponível em: https://educacaotecnologica.com.br/index.php/ojs/article/view/2. Acesso em: 7 ago. 2026.

OECD. Scoping the OECD AI principles: deliberations of the Expert Group on Artificial Intelligence at the OECD (AIGO). OECD Digital Economy Papers, n. 291. Paris: OECD Publishing, 2019. Disponível em: https://doi.org/10.1787/d62f618a-en. Acesso em: 7 ago. 2026.

TURSUNBAYEVA, Aizhan et al. People analytics—A scoping review of conceptual boundaries and value propositions. International Journal of Information Management, v. 43, p. 224–247, 2018. Disponível em: https://doi.org/10.1016/j.ijinfomgt.2018.08.002. Acesso em: 7 ago. 2026.

UNESCO. Recommendation on the Ethics of Artificial Intelligence. Paris: UNESCO, 2022. Disponível em: https://unesdoc.unesco.org/ark:/48223/pf0000381137. Acesso em: 7 ago. 2026.

¹ Bacharelado em Ciências Econômicas Centro Universitário Santa Cruz de Curitiba, Paraná. LATTES: http://lattes.cnpq.br/7164482016106819.