CLEAR:面向大语言模型应用的上下文感知隐私政策分析与风险生成

DOI

由大语言模型驱动的终端用户应用的兴起,包括对话界面和现有图形用户界面的附加组件,带来了新的隐私挑战。然而,许多用户仍然不了解这些风险。本文探讨了提高用户对大语言模型终端用户应用隐私风险认识的方法。我们进行了五次共同设计研讨会,以揭示用户的隐私担忧及其对大语言模型中上下文隐私信息的需求。基于这些见解,我们开发了CLEAR(上下文大语言模型赋能的隐私政策分析与风险生成),这是一款即时上下文助手,旨在帮助用户识别敏感信息、总结相关隐私政策,并在向大语言模型分享信息时突出潜在风险。我们在两个示例领域(ChatGPT和Gmail的Gemini插件)评估了CLEAR的可用性和实用性。我们的发现表明CLEAR易于使用,并提高了用户对数据实践和隐私风险的理解。我们还讨论了大语言模型在带来和缓解隐私风险方面的双重性,提供了设计和政策启示。