揭示安卓开发者、用户隐私与开发者降低指纹识别风险意愿之间的关系
隐私设计与用户控制数据隐私感知与决策可解释人工智能(XAI)软件工程师与开发者UI/UX 设计师AI/ML 研究员与工程师
文献标题
Uncovering Relationships Between Android Developers, User Privacy, and Developer Willingness to Reduce Fingerprinting Risks
发布信息
- 主题领域: 开发者认知与平台干预措施,以改善移动生态系统中的用户隐私。
- 关键词: Android, 指纹识别, 用户隐私, 开发者认知, API 使用目的, 平台干预, 隐私权权衡, 执行, 移动应用。
背景与问题
- 问题/挑战: 尽管平台已经采取措施限制用户追踪,移动应用仍通过设备指纹识别技术秘密追踪用户,而这种方式缺乏用户通知和选择退出机制。开发者在改善或削弱用户隐私方面扮演着关键角色,但他们的行为动态以及接受隐私增强政策的意愿仍未被充分研究。
- 重要性: 指纹识别绕过了用户控制,带来了显著的隐私风险。理解开发者行为及其接受隐私增强变更的意愿对于平台有效应对这些风险至关重要。
- 动机与相关研究: 之前的研究已经证明了指纹识别在移动应用和网站中的普遍性,以及其绕过用户同意机制和针对特定人群的风险。虽然自动检测和预防方法将开发者视为对手,但本研究探讨了平台与开发者合作以改善隐私的可能性。
解决方案
- 提出的方法: 一个假设的平台变更,称为“API 使用目的”,要求 Android 开发者在其应用的 manifest 文件中声明可能被滥用于指纹识别的 API 的使用目的。
- 创新点:
- 对开发者在努力与隐私之间权衡的量化测量。
- 分析开发者对可选与强制隐私增强变更的偏好。
- 深入了解开发者的关注点,包括合规性、执行和用户体验。
- 比较开发者对 Android 和 iOS 隐私保护的认知。
- 流程与关键技术:
- 对 246 名 Android 开发者进行调查,介绍“API 使用目的”概念。
- 开发者被问及他们对指纹识别的熟悉程度、其应用/SDK 是否使用指纹识别,以及他们对该变更对隐私和开发者努力影响的看法。
- 使用逻辑回归分析研究支持该变更的影响因素,包括开发者的努力、隐私影响和指纹识别使用情况。
结果
- 具体发现:
- 89% 的开发者支持“API 使用目的”变更(41.5% 支持强制实施,48% 支持可选实施)。
- 使用指纹识别的开发者支持该变更的可能性是其他开发者的六倍(OR = 6.480; p < 0.05)。
- 感知到的努力对支持率有负面影响(OR = 0.46; p < 0.01),而感知到的隐私收益对支持率有正面影响(OR = 3.651; p < 0.001)。
- 相较基线的优势: 与预期相反,受该变更影响最大的开发者(使用指纹识别者)更可能支持该变更,这表明合作而非对抗的方法具有潜力。
- 实验/评估:
- 调查设计包括 Likert 量表、开放性问题以及可选与强制实施模型的比较。
- 回归分析测试了关于努力-隐私权衡和开发者支持的假设。
- 参与者从专业的 Android 开发者小组中招募,确保样本具有专业知识。
- 局限性与未来工作:
- 仅限于 Android 开发者;未来研究应包括 iOS 开发者以及对研究结果的实际验证。
- 自我报告数据和假设场景可能存在偏差。
- 需要进一步研究开发者为何在隐私问题存在的情况下仍使用指纹识别技术。
摘要
本研究调查了 246 名 Android 开发者,以评估他们对旨在减少指纹识别风险的隐私增强平台变更(“API 使用目的”)的接受意愿。开发者对该变更表现出压倒性支持,即使预期需要付出较大努力,其中使用指纹识别的开发者表现出令人惊讶的支持。研究结果突显了平台与开发者合作以改善用户隐私的机会,同时解决了关于执行、文档和用户体验的担忧。未来工作应探索对 iOS 开发者的普适性及实际实施场景。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 75%
PrivacyAkinator:通过回答大语言模型生成的多选题来阐明关键隐私设计决策
CHI '26· 可解释人工智能(XAI) +3
- 71%
理解开发人员创建准确的隐私营养标签的挑战
CHI '22· 隐私设计与用户控制 +1
- 71%
从HCI视角看隐私政策可视化的范围综述与指南
CHI '26· 数据隐私感知与决策 +2
- 71%
大型语言模型的隐私悖论:用户认知与个人身份信息泄露的现实
CHI '26· 可解释人工智能(XAI) +2
- 71%
理解用户需求:基于大语言模型的聊天机器人在隐私决策中的预期角色
CHI '26· 可解释人工智能(XAI) +2
- 71%
快速演进的AI背景下开发者筛选的鲁棒方法
CHI '26· 可解释人工智能(XAI) +2
- 71%
AI 记忆差距:用户误记他们用 AI 或不用 AI 创建的内容
CHI '26· 大语言模型(LLM)的人机协作 +2
- 71%
AI可信度标签对人工智能产品认知的影响
CHI '26· 可解释人工智能(XAI) +2
- 71%
利用大型语言模型帮助 Johnny 理解隐私政策
CHI '26· 隐私设计与用户控制 +2
- 71%
多少信任才足够?走向技术信任的校准
CHI '26· 可解释人工智能(XAI) +2
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3793707
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
未标记奖项
group
作者
4 位作者
sell
研究子方向
隐私设计与用户控制、数据隐私感知与决策、可解释人工智能(XAI)
work
职业/产业
软件工程师与开发者、UI/UX 设计师、AI/ML 研究员与工程师
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文