Identifying Dark Patterns in User Account Disabling Interfaces: Content Analysis Results
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dark patterns are user interface (UI) strategies deliberately designed to influence users to perform actions or make choices that benefit online service providers. This mixed methods study examines dark patterns employed by social networking sites (SNSs) with the intent to deter users from disabling accounts. We recorded our attempts to disable experimental accounts in 25 SNSs drawn from Alexa’s 2020 Top Sites list. As a result of our systematic content analysis of the recordings, we identified major types of dark patterns (Complete Obstruction, Temporary Obstruction, Obfuscation, Inducements to Reconsider, and Consequences) and unified them into a conceptual model, based on the differences and similarities within nuanced subtypes in the user account disabling context. The Dark Pattern Typology presented at the 12th International Conference on Social Media and Society is further illustrated in this work. We document the distribution of the subtypes in our sample SNSs, exemplifying dark UI design choices. All of the sites used at least one type of dark pattern. Our findings provide empirical evidence for these pervasive—yet rarely discussed—strategies in the social media industry. Users who wish to discontinue using SNSs—to protect their privacy, break an addiction, and/or improve their general well-being—may find it difficult or nearly impossible to do so. Dark patterns, as common UI design strategies, require further research to determine whether particularly manipulative and user-disempowering varieties may warrant more stringent social media industry regulation.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle