对抗恶意设计：针对黑暗模式的视觉对策

文献标题

Fighting Malicious Designs: Towards Visual Countermeasures Against Dark Patterns

文献信息

• 主题领域: 人机交互 (Human-Computer Interaction, HCI)，关注恶意界面设计 (Dark Patterns) 的反制措施
• 关键词: 恶意界面设计, 视觉反制措施, 用户实验, 用户界面, 图形界面, 自动检测, 用户信任, 可用性评估

研究背景与问题

• 研究背景: 恶意界面设计（Dark Patterns）是一种操控用户做出不利决策的设计策略，近年来引起了 HCI 社区的广泛关注。这种问题因其对用户的行为和选择的操控性而备受诟病，尤其在电子商务行为和隐私相关的界面上表现显著。
• 关键问题:
  • 大多数现有研究集中在恶意界面的检测，但缺乏对实时反制措施的研究。
  • 技术上的反制措施可以即时干预用户与恶意设计的交互，但如何有效地以视觉方式呈现这些反制措施仍然是一个未解决的问题。
• 研究重要性:
  • 自动检测恶意设计并对其提出反制视觉提示，可以减少用户被操控的可能性，从而保护用户权益。
  • 解决此问题可以提高用户信任度，减少潜在的金钱损失，并增强界面设计的公平性。
• 研究动机与相关工作:
  • 与过去的研究相比，本研究扩展了 Schäfer 等人提出的反制方法，研究范畴从少量恶意模式扩展到 13 种常见模式，并引入了交互原型的测试环境。
  • 研究方向结合自动检测方案，以及用户在遭遇恶意设计时的实际交互体验。

解决方案

• 方法概述:
  • 测试三种视觉反制措施（Highlight with Explanation, Hide, Switch）对 13 种常见的恶意设计模式的效果。
  • 通过交互原型仿真现实场景，研究这些反制措施如何影响用户的决策和体验。
• 核心创新点:
  1. 将视觉反制措施设计转化为可交互的原型环境，而非静态图像。
  2. 分析用户对反制措施的偏好，并与已有的恶意设计分类方法（Gray 等人提出的「ontology」模型）对比。
  3. 探索用户偏向不同反制措施的深层原因，并据此提出恶意设计模式的新集群分类。
• 反制措施的定义:
  • Unchanged (UC): 保持界面不变，用以作为对比基线。
  • Highlight with Explanation (HL+E): 用红色框高亮恶意设计，并提供悬浮解释。
  • Hide (HD): 隐藏或移除恶意设计元素，仅保留必要信息。
  • Switch (SW): 用户可切换查看恶意设计内容与其被隐藏后的版本。
• 实施细节:
  • 使用两种购物场景（购买智能机和演唱会门票），分别嵌入多种恶意设计元素。
  • 20 位参与者在实验室环境下与四种界面（UC、HL+E、HD、SW）进行交互，并打分评估。
  • 定量问卷调查和定性访谈以收集用户对每种反制措施的偏好和理由。

研究成果

• 实验结果:
  • 视觉反制措施的总体评估:
    • Highlight with Explanation (HL+E): 得分最高，用户喜欢其提供的额外信息但不满视觉杂乱。
    • Switch (SW): 次高得分，因其用户控制选项受到青睐。
    • Hide (HD): 用户意见分歧较大，部分称其能简化信息，但另一些认为其移除内容不透明、潜在危险。
    • Unchanged (UC): 得分最低，用户认为其未对恶意设计做出处理。
  • 对恶意设计模式的反制效果:
    • 对金融影响较大的模式（如「Hidden Subscription」和「Hidden Costs」），HL+E 在提醒用户方面表现最佳。
    • 对视觉干扰性内容（如「Visual Interference」），用户倾向于使用 HD 以清除干扰。
    • SW 被用户用于希望快速调整明显和隐藏内容的案例，例如「Countdown Timer」和「Testimonials」。
• 模式与偏好集群:
  • 将恶意设计分为 6 个子集群，其适合的反制措施分别有所不同。
  • 比较了集群与 Gray 等人提出的恶意界面「ontology」模型，发现部分子集群与模型高层次分类一致，但在恰当的反制措施上存在差异。
• 评估与讨论:
  • 研究进一步验证了交互性对于反制措施效果的重要性。
  • HL+E 与 SW 的联合设计可以平衡信息展示和视觉干扰，HD 适用于去除显著干扰的场景。

局限性与未来方向

• 局限性:
  • 样本相对单一（多为技术背景参与者），结果的普适性存疑。
  • 实验使用的 Switch 机制因技术限制仅支持单点切换，可能影响用户体验。
  • 客户端操作（如内容移除）可能在实际应用中涉及法律问题。
• 未来方向:
  • 在更多样化的用户群体中测试反制措施的通用性。
  • 结合人工智能技术，以增强恶意模式的自动检测和反制设计。
  • 探讨如何通过视觉和交互优化减少用户的不信任感或混淆感。
  • 进一步将恶意设计分类与用户反制偏好匹配模型细化，用以开发个性化的实时工具。