MétaCan
Menu
Retour à la cohorte
Enregistrement W6909176072 · doi:10.34989/swp-2022-8

Dynamic Privacy Choices

2022· article· en· W6909176072 sur OpenAlexaff

Notice bibliographique

RevueEconstor (Econstor) · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiquePrivacy, Security, and Data Protection
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésNucleofectionPopulationQuality (philosophy)Consumption (sociology)Circumstantial evidenceFilter (signal processing)

Résumé

récupéré en direct d'OpenAlex

Imagine a consumer using a social media service. They use the application to read news or posts from friends. At the same time, the social media app learns about the consumer by analyzing their profile and monitoring their browsing habits. The more actively the consumer uses the service, the more data the app can collect, which often means a better experience for the consumer and higher revenue for the service. The consumer faces a trade-off: On the one hand, they enjoy the benefits of using social media, such as socializing with friends. On the other hand, the consumer also values their privacy and is concerned about the risk of data leakage, identity theft or other potential abuses of personal information. If the consumer thinks the privacy cost of using the app is high, they will reduce their activity on the platform. This paper develops a dynamic game-theoretic model that analyzes the interaction between a consumer’s incentive to protect privacy and a platform’s incentive to collect data. The platform can encourage the consumer to use the service more actively by employing a certain privacy policy. The key idea is that when the consumer has low privacy on a platform, the marginal cost to the consumer of giving up more privacy is low. Thus, data collection reduces the consumer's welfare but increases their incentive to keep using the service. The paper shows that the platform can collect a lot of data even if the consumer is sensitive to privacy. To do so, the platform initially offers high privacy protection to encourage the consumer to use the platform; however, as time goes by, the platform gradually degrades privacy protection. In the long run, the consumer will lose privacy but keep a high activity level, and the platform typically offers negligible privacy protection.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,088

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,013
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,003
Communication savante0,0050,009
Science ouverte0,0020,003
Intégrité de la recherche0,0050,005
Charge utile insuffisante (le modèle a refusé de juger)0,0260,002

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,281
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetPrivacy, Security, and Data ProtectionTravaux en français237 207