更好地预测（和保护）隐私决策的环境因素

现代移动操作系统实施了首次使用时询问的策略来规范应用程序对私人用户数据的访问：当应用程序首次尝试使用敏感资源时，用户会被提示允许或拒绝访问。先前的研究表明，这种模型可能无法充分捕捉用户的隐私偏好，因为后续请求可能会在不同的上下文中发生。为了解决这一不足，我们在Android中实现了一个新颖的隐私管理系统，在该系统中，我们使用上下文信号构建了一个分类器，以预测用户在各种场景下的隐私偏好。我们进行了一项37人的实地研究，以评估在正常设备使用情况下这种新的权限模型。从我们的离场访谈和收集的超过500万个数据点中，我们展示了这种新的权限模型将错误率降低了75%（即较少的隐私侵犯），同时保持了可用性。我们提供了关于平台如何更好地支持用户隐私决策的指导方针。