কনসেন্ট, ডেটা মিনিমাইজেশন ও পারপাস লিমিটেশন

CRITERIA_WEIGHTS = {
    "consent_for_stated_purpose": 0.30,
    "data_minimized": 0.25,
    "purpose_limitation_respected": 0.30,
    "retention_limited": 0.15,
}
assert abs(sum(CRITERIA_WEIGHTS.values()) - 1.0) < 1e-9

scenarios = {
    "email_marketing_reused_for_credit_model": {
        "consent_for_stated_purpose": True,     # ইমেইল-মার্কেটিং-এর জন্য সঠিকভাবে কনসেন্ট নেওয়া হয়েছিল
        "data_minimized": True,                 # শুধু প্রয়োজনীয় ইমেইল-এনগেজমেন্ট ডেটাই নেওয়া হয়েছিল
        "purpose_limitation_respected": False,   # কিন্তু পরে নতুন কনসেন্ট ছাড়াই ক্রেডিট-রিস্ক মডেলে ব্যবহার করা হয়েছে
        "retention_limited": True,
    },
    "symptom_tracker_ai_feature": {
        "consent_for_stated_purpose": True,
        "data_minimized": True,
        "purpose_limitation_respected": True,
        "retention_limited": True,
    },
    "flashlight_app_broad_ad_ai": {
        "consent_for_stated_purpose": False,     # কনসেন্ট থাকলেও অস্পষ্ট/অতি-বিস্তৃত ভাষায় লুকানো
        "data_minimized": False,                 # ফাংশনের প্রয়োজনের চেয়ে অনেক বেশি ডেটা (কন্টাক্ট, লোকেশন, ক্যামেরা) চাওয়া
        "purpose_limitation_respected": False,   # সংগৃহীত ডেটা বিজ্ঞাপন-পারসোনালাইজেশন AI-তে অবাধে ব্যবহার
        "retention_limited": False,              # সীমাহীন সময় ধরে সংরক্ষণ, ডিলিশনের কোনো ব্যবস্থা নেই
    },
}

PASS_THRESHOLD = 0.85

def score_scenario(flags):
    return sum(CRITERIA_WEIGHTS[k] for k, v in flags.items() if v)

print(f"{'সিনারিও':42s} {'স্কোর':>7s}   ফলাফল")
print("-" * 70)
for name, flags in scenarios.items():
    score = score_scenario(flags)
    verdict = "PASS" if score >= PASS_THRESHOLD else "FAIL"
    failed = [k for k, v in flags.items() if not v]
    extra = f"  (ব্যর্থ মানদণ্ড: {', '.join(failed)})" if failed else ""
    print(f"{name:42s} {score:7.2f}   {verdict}{extra}")