嘿，Alexa，我在和谁说话？：分析用户对第三方Alexa技能的感知和认识

文献标题

Hey Alexa, Who Am I Talking to?: Analyzing Users’ Perception and Awareness Regarding Third-party Alexa Skills

文献信息

• 主题领域: 人机交互、隐私与安全、语音助手平台
• 关键词: 语音助手, 第三方技能, 用户感知, 安全指示器, 隐私风险

研究背景与问题

• 发现的问题或挑战:

  • Amazon Alexa语音助手允许第三方开发者创建技能，但这些技能可能请求敏感用户数据或共享相同的调用短语，带来隐私和安全风险。
  • 用户可能无法区分第三方技能与Alexa的原生技能，容易误激活或信任错误的技能。
  • 用户对于哪种技能将被自动启用缺乏足够的认知和预期。

• 研究的必要性:

  • 第三方技能可能成为隐私泄露或数据窃取的潜在风险来源。
  • 提供有效的安全指示器对于帮助用户理解和管理与这些技能的交互至关重要，以保护生态系统的安全性和用户体验。

• 研究动机与相关工作:

  • 现有研究在揭示Alexa技能生态系统中的风险和隐私问题方面已取得进展，但对现有语音接口中用户面向安全和隐私指示器的有效性评价有限。
  • 比较浏览器与移动应用中视觉指示器的研究中表明，设计适当的安全指示器可以显著提高用户的风险感知，但语音界面缺乏类似设计。

解决方案

方法或解决方案

• 作者提出了一项交互式用户研究：
  • 通过既定任务调查用户区分第三方技能和原生技能的能力。
  • 测试用户预测和验证技能选择过程的准确性。
  • 原型设计并评估几种基于语音的技能类型指示器，以增强用户对技能开发者身份的感知。

创新点

• 提出并测试了三种基于语音的技能标识模型，探索通过警告语句、开发者名称和改变语音语调标记不同类型技能的可行性。
• 使用真实技能的交互录音和Alexa官方应用场景，以增加实验的生态有效性。

实施步骤及关键技术

1. 用户任务设计

   • 借助视觉界面（技能信息页面）和语音界面（技能交互）区分技能类型。
   • 搜索并预测技能选择，随后语音调用验证。
   • 对比不同的语音指示模型，收集用户偏好。

2. 用户招募

   • 通过Alexa相关线上论坛和大学邮件列表招募参与者，共计52名参与者。

3. 数据分析

   • 使用统计方法（如Fisher’s精确检验、Chi-Square检验）对参与者的响应准确性与信心进行分析。
   • 基于文本内容分析用户建议，并计算Cohen’s Kappa测量标注一致性。

实验结果与观察

具体成果

• 视觉界面区分技能类型:

  • 用户在技能信息页面中能够相对准确地识别第三方技能（precision = 96.63%，recall = 82.69%），主要因为开发者名称作为明确的区分指标。

• 语音界面区分技能类型:

  • 用户无法有效区分语音界面中的技能类型（precision = 42.85%，recall = 31.73%），缺乏明显的语音提示。

• 技能选择预测准确性:

  • 多数用户未能准确预测Alexa实际激活的技能，显示出技能选择流程中用户心理模式与系统运行机制的偏差。

• 基于语音的指示器偏好:

  • 大多数用户最喜欢包含警告短语和开发者名称的语音模型，同时认为语音语调变化并不自然。

优势比较

• 与当前Alexa生态系统的默认设计相比，模型1（警告短语+开发者名称）显著提升了技能开发者识别的透明性。

局限性与未来方向

• 研究局限性:

  • 样本量偏小，参与者以年轻女性和大学生为主，可能偏离普通用户群体。
  • 仅探讨了三种语音模型，未全面评估其他可能的指示器设计。
  • 需进一步分析语音指示器的长期使用影响。

• 未来研究方向:

  • 测试其他交互模型和文化背景下的适应性。
  • 衡量隐私指示器在用户体验与透明性之间的权衡。
  • 为共享设备设计更精准的技能指示器策略。

结论

此研究揭示了Alexa技能生态系统语音界面透明性不足的问题，并从用户偏好中得出改进的指示器建议。通过初步测试，得出警告短语及开发者名称标识为最有效设计，以减少用户对第三方技能的误识别风险，并建议未来进一步探索不同语音模型的长期适配性和用户接受度。