Applying Communication Privacy Management Theory to Youth Privacy Management in AI Contexts
Notice bibliographique
Résumé
The rapid integration of Artificial Intelligence (AI) technologies into the lives of young digital citizens has escalated privacy concerns and the need for critical examination. This study uses Communication Privacy Management (CPM) Theory to understand how youth and critical stakeholders navigate these concerns. A total of 306 participants were surveyed, comprising 146 AI professionals, 127 parents and educators and 33 youths (aged 16-19). Employing a mixed-methods approach, the research combined quantitative data from structured questionnaires with qualitative insights from open-ended responses. Descriptive statistics reveal distinct perspectives among different demographics regarding data ownership, education, transparency and trust, parental role and perceived risks and benefits associated with AI systems. Structural equation modelling identified key influences on youth privacy management, highlighting the significance of transparency and trust, education and awareness, and parental data sharing among AI professionals, parents, educators, and young digital citizens. The qualitative analysis further underscored unique concerns, emphasizing a lack of understanding and data misuse contributed to the feeling of helplessness shared by all stakeholders. This study underscores the importance of integrating diverse stakeholders’ perspectives in the development of AI systems to address the complex challenges faced by youth. Recommendations include collaborative policymaking, implementing user-centric design practices, and enhancing privacy education to empower young digital citizens.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».