Exploring Ethical Concerns of Mobile Applications from App Reviews: A Literature Survey
Notice bibliographique
Résumé
Privacy, security, and accessibility, like ethical concerns in mobile applications (a.k.a. apps), commonly subsumed under non-functional requirements, are generally reported by users through app reviews available in app stores. However, these remain unidentified among other types of reviews, such as user experiences, problem reports, and new feature discussions. Over the past decade, extensive research has focused on extracting valuable information from app reviews, including feature requests and bug reports. However, there remains a lack of a synthesis of research related to app review analysis for exploring users' ethical concerns. This paper presents a comprehensive survey of this research area, covering 37 relevant studies published since 2012, identified from the initial 553 studies using specific inclusion and exclusion criteria. The studies examined vary in review counts, ranging from 500 to 626 million, and include between a single and 1.3 million apps. Our detailed analysis highlights diverse objectives, methodologies, and strategies, along with additional resources such as app privacy policies, which researchers generally utilize to analyze ethical concerns. Our findings also identify persistent barriers to privacy, security, accessibility, transparency, fairness, accountability, and safety, as reported by users in app reviews. Furthermore, we propose a research agenda that focuses on four key areas, including automated extraction and classification of ethical concerns-related app reviews. Our survey outcomes can assist developers and system architects in recognizing and prioritizing non-functional requirements at the initial stages of the development lifecycle, whereas researchers can expand upon this synthesis to create tools for the automated detection of ethical concerns.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».