The effect of privacy concerns, risk, control, and trust on individuals’ decisions to share personal information: A game theory-based approach
Notice bibliographique
Résumé
Abstract The rapid developments and innovations in technology have created unlimited opportunities for private and public organizations to collect, store and analyze the large and complex information about users and their online activities. Data mining, data publishing, and sharing sensitive data with third parties help organizations improve the quality of their products and services and raise significant individuals’ privacy concerns. Privacy of personal information remains subject to considerable controversy. The problem is that big data analytics methods allow user’s data to be unlawfully generated, stored, and processed by leaving users with little to no control over their personal information. This quantitative correlational study measures the effect of privacy concerns, risk, control, and trust on individuals’ decisions to share personal information in the context of big data analysis. The key research question aimed to examine the relationship among the variables of perceived privacy concerns, perceived privacy risk, perceived privacy control, and trust. Drawing on Game Theory, the study explores all the game players’ actions, strategies, and payoffs. Correlation analysis was used to test these variables based on the research model with 418 internet users of e-services in the United States. The overall correlation analysis showed that the variables were significantly related. Recommendations for future studies are to explore e-commerce, e-government, and social networking separately, and data should be collected in different regions where many factors can affect the privacy concerns of the individuals.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».