AAPPeC: Agent-based Architecture for Privacy Payoff in eCommerce
Notice bibliographique
Résumé
With the rapid development of applications in open distributed environments such as eCommerce, privacy of information is becoming a critical issue. Today, many online companies are gathering information and have assembled sophisticated databases that know a great deal about many people, generally without the knowledge of those people. Such information changes hands or ownership as a normal part of eCommerce transactions, or through strategic decisions that often includes the sale of users' information to other firms. The key commercial value of users' personal information derives from the ability of firms to identify consumers and charge them personalized prices for goods and services they have previously used or may wish to use in the future. A look at present-day practices reveals that consumers' profile data is now considered as one of the most valuable assets owned by online businesses. In this thesis, we argue the following: if consumers' private data is such a valuable asset, should they not be entitled to commercially benefit from their asset as well? The scope of this thesis is on developing architecture for privacy payoff as a means of rewarding consumers for sharing their personal information with online businesses. The architecture is a multi-agent system in which several agents employ various requirements for personal information valuation and interaction capabilities that most users cannot do on their own. The agents in the system bear the responsibility of working on behalf of consumers to categorize their personal data objects, report to consumers on online businesses' trustworthiness and reputation, determine the value of their compensation using risk-based financial models, and, finally, negotiate for a payoff value in return for the dissemination of users' information.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».