Analysis of User-Generated Content to Unfold Privacy Concerns with CBDCs
Notice bibliographique
Résumé
The interest in central bank digital currencies (CBDCs) has motivated several initiatives around the world led by central banks. As the success of CBDCs depends on the public trust and use, it is crucial to understand the privacy concerns of users towards CBDCs as a significant determinant of their adoption and usage behavior. This paper introduces a novel datadriven approach utilizing user-generated content (UGC) from Reddit and aspect-based sentiment analysis (ABSA) to assess dimensions of user privacy concerns and prioritize the specific issues contributing to overall privacy concerns regarding CBDCs. By integrating the concern for information privacy (CFIP) and the mobile users’ information privacy concerns (MUIPC) frameworks, this study highlights the key areas and concerns that need to be addressed to ensure a successful integration of CBDCs in the existing financial system. The findings reveal that perceived surveillance, perceived intrusion, concern of collection, improper access, unauthorized secondary use, and errors, all significantly contribute to the overall privacy concerns of users. The paper proposes a novel, objective approach to measure privacy concerns constructs using the content posted on social media and demonstrates its effectiveness to address typical limitations of survey-based studies, including small sample sizes and generalizability issues. Index Terms-Central bank digital currency (CBDC), Privacy concerns, Aspect-based sentiment analysis (ABSA), Concern for information privacy (CFIP), Mobile users’ information privacy concerns (MUIPC).
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».