Notice bibliographique
Résumé
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 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 | 0,001 | 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 | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».