开发者如何创建隐私政策：人工智能的介入与信任

文献标题

Tinker, Tailor, Trust: How Developers Create Privacy Policies With and Without AI

出版信息

• 主题领域: 移动应用开发中隐私政策的创建过程，涉及是否使用人工智能工具。
• 关键词: 隐私政策、移动应用开发、大型语言模型、AI辅助写作、合规性、隐私法规、SDK、应用商店、验证、开发者工作流。

背景与问题

• 问题/挑战: 开发者通常在没有法律援助的情况下创建隐私政策，导致内容不准确或不符合规定。LLM的出现带来了新的挑战，例如依赖可能过时或不正确的输出。
• 重要性: 隐私政策是法律要求且对用户信任至关重要，但不准确的政策可能导致监管违规并削弱透明度。
• 动机与相关工作: 之前的研究主要集中于分析隐私政策或自动生成隐私政策，但对开发者实际创建这些文档的过程，尤其是结合LLM的情况，研究较少。本研究通过分析真实世界的实践来填补这一空白。

解决方案

• 提出的方法: 采用混合方法研究，包括对20位移动开发者的访谈和LLM演示，以了解其隐私政策创建过程。
• 创新点:
  1. 首次实证研究开发者如何使用和不使用LLM创建隐私政策。
  2. 深入了解使用LLM处理法律敏感任务的挑战。
  3. 识别验证过程中的不足以及对应用商店接受的依赖。
  4. 提出结合结构化工作流与LLM灵活性的混合工具建议。
• 研究过程与关键技术:
  • 对来自不同地区和行业的开发者进行半结构化访谈。
  • 观察参与者使用LLM（Claude Sonnet 3.5）为其应用创建隐私政策的过程。
  • 分析工作流、提示策略、验证方法以及信任水平。

结果

• 具体发现:
  • 开发者主要使用模板、生成器或LLM创建隐私政策，很少从头开始撰写。
  • LLM节省时间，但通常生成通用、不完整或过时的内容。
  • 大多数参与者信任LLM生成的政策，20人中有10人对其舒适度评分为8–10（满分10分）。
  • 开发者主要依赖应用商店接受作为验证方法，尽管平台的实质性检查较少。
• 相较基线的优势: LLM相比传统生成器提供了更多灵活性和定制化，但需要复杂的提示以避免生成通用内容。混合方法可能结合两者的优势。
• 实验/评估:
  • 对来自五个地区（亚洲、北美、欧洲、中东、非洲）的20位开发者进行访谈。
  • 观察LLM使用模式，包括初始提示、后续策略和验证方法。
  • 分析诸如SDK数据不确定性、过时的法规信息以及错误假设等挑战。
• 局限性与未来工作:
  • 研究设计是探索性的，无法完全泛化。
  • 未评估生成政策的法律合规性或质量。
  • 未来工作应关注自动化准确性和合规性测试，以及更具生态效度的研究。

总结

本研究探讨了移动开发者如何创建隐私政策，重点分析了LLM与传统方法（如模板和生成器）的结合使用。开发者因LLM的节省时间特性而受益，但面临过时信息、错误假设以及SDK覆盖不足的挑战。验证通常依赖应用商店接受而非法律审查，这引发了政策准确性的担忧。研究结果表明，结合结构化工作流与LLM灵活性的混合工具具有潜力。平台和SDK发布者可以通过提供透明的验证过程和机器可读的隐私文档进一步支持开发者。