Children’s digital privacy on fast-food and dine-in restaurant mobile applications
Notice bibliographique
Résumé
Children are targeted by unhealthy food marketing on digital media, influencing their food preferences, intakes and non-communicable disease risk. Restaurant mobile applications are powerful platforms for collecting users' data and are popular among children. This study aimed to provide insight into the privacy policies of top dine-in and fast-food mobile apps in Canada and data collected on child users. Privacy policies of the top 30 fast-food and dine-in restaurants in Canada were reviewed. A convenience sample of 11 English-speaking Canadian residents aged 9-12 years with fast-food apps on their mobile phones were recruited to use ≥1 fast-food restaurant mobile app(s). Children used the app(s) for 5-10 minutes and placed food orders. Parents submitted a Data Access Request (DAR) on their child's behalf to the food company. Descriptive analysis and a flexible deductive approach to content analysis evaluated data collected through DARs. Overall, 26 privacy policies were analyzed. The intended age of app users was indicated by 12 (46%) food companies, 10 (39%) of which specified it as ≥13 years. No company had a compulsory age verification process. Twenty-four (92%) companies disclosed the data collected on app users: 23 (89%) did not distinguish between information pertaining to children or adults, and 21 (81%) described a protocol for action if they inadvertently collected data on children. Twenty-four DARs were sent to companies; 11 (45.8%) of which were fulfilled by companies, and 4 (16.7%) resulted in the receipt of children's data. All responding food companies were found to collect sociodemographic information on child participants (e.g., name, email). Some collected other information, such as order details and available promotional offers. This study demonstrates current fast-food and dine-in restaurant privacy policies are insufficient and provides insight into data collected on children via fast-food apps. Policies must be strengthened to ensure children's privacy and protection online.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».