利用情境标签和个人偏好预测用户隐私关注的可行性

文献标题

On the Feasibility of Predicting Users’ Privacy Concerns using Contextual Labels and Personal Preferences

文献信息

• 主题领域: 隐私保护与用户行为预测
• 关键词: 隐私预测, 语境标签, 用户偏好, 隐私态度, 数据实践, 上下文完整性, 混合方法研究, 数据隐私
• 发表会议: CHI Conference on Human Factors in Computing Systems (CHI ’24)

研究背景与问题

• 问题与挑战:

  • 用户的隐私关注是主观的且具有复杂性，难以准确建模。
  • 基于通用隐私态度分类的方式（如Westin的隐私段位索引）未能有效预测上下文特定的数据实践态度。
  • 用户隐私态度在不同领域的可移植性模型尚不成熟。

• 重要性:

  • 企业需要理解用户对其数据收集与处理实践的期望和担忧。
  • 开发者与HCI研究者可以借助预测模型定制隐私管理工具，而政策制定者需要更好地知晓公众隐私需求以制定相关法规。

• 研究动机与相关工作:

  • 上下文因素（如数据使用的目的、数据类型等）显著影响用户对隐私的态度，现有研究局限于特定环境内，难以跨域推广。
  • 因此，需要提出更通用的方法建模用户隐私偏好，并预测其对未来未见数据实践的态度。

解决方案

• 提出的方法:

  • ContextLabel：结合非互斥性语境标签和用户个人隐私偏好，以更细粒度捕捉隐私数据实践的上下文特性。
  • 开发一个标签代码库，包含18个跨领域可通用的标签。
  • 通过少量数据实践的用户反馈，自动预测用户对其他未知实践可能的隐私反应。

• 创新之处:

  • 引入非互斥性标签为数据实践注释，这拓展了隐私建模的上下文信息。
  • 混合使用自由文本反馈与用户偏好，减少了依赖领域特定实验的局限性。
  • 提出的语境预测方法不仅准确度高，还能通过更新标签代码库改进预测性能。

• 实施步骤:

  1. 组织了一项五天的在线调查，收集了38名参与者对13种数据实践的反馈。
  2. 对数据实践使用非互斥标签进行注释，整合用户定量评分及定性文本反馈。
  3. 测试标签和用户偏好在隐私态度预测中的相关性和效能。

研究成果

• 具体成果:

  • ContextLabel 方法在数据实践隐私态度预测准确度上达到73%，超过了基于Privacy Segmentation Index的56%和基于上下文完整性因子的59%。
  • 识别出具有普适性的重要标签（例如“价格歧视”“数据控制丧失”），这些标签与用户关注类别高度相关。
  • 用户对隐私问题的态度在短期内表现为高度一致性（ICC高达0.8）。

• 优势:

  • ContextLabel在细粒度数据实践场景中的适用性和跨场景预测能力比现有方法大为提升。
  • 方法支持易更新标签，提高研究成果的可扩展性。

• 实验或评估结果:

  • 用户表现出透过逻辑进行隐私态度评估的能力。
  • 非互斥标签提供了比上下文因素和传统隐私段位索引更直观、准确的隐私信息建模。

• 局限性与未来方向:

  • 当前标签集仅为初步测试结果，需要补充更多细致分类以捕获更多隐私场景。
  • 尚未验证方法在长期时间跨度或具有更多样化人口统计特征用户群体中的表现。
  • 未来可通过扩展研究场景、多样化实验设计提升一般化性能，并进一步探索方法在隐私悖论中的应用。

备注

本文方法强调细粒度细节捕捉和建模精度提升，对未来隐私保护技术的设计与实施具有应用启发意义。