PRISM: An Integrated Approach to Support User Comprehension of Mobile Apps' Privacy Practices
Notice bibliographique
Résumé
Data privacy has recently become a major concern to many internet users.Privacy labels were proposed and enforced by app platforms to make lengthy and complex privacy policies easier to understand.However, they are often criticized for over simplicity and inaccuracy.To mitigate those issues, we propose PRISM, an integrated tool that augments the existing design of privacy labels by tracing data types in various labels to the relevant content in the privacy policy, app reviews, and community-curated privacy assessments.Our preliminary user study provided insight into how those different resources complement each other.We evaluated the final design of PRISM in a controlled user study.Results indicated that PRISM improves both the efficiency and confidence of mobile users when reasoning about the app's privacy practices.Our work highlights the importance of consolidating and mediating efforts from different parties to support users in better understanding the privacy practices of apps and services.i I want to thank Prof. Guo, Prof. Cheng from Polytechnique Montréal, Prof. Robillard, and my labmates at the Software Technology Lab for fostering a growth-oriented environment that greatly influenced my research.A huge shoutout to Keyu, and Varun, who provided lots of help and ideas to my research and beyond.I thank Mathieu, Deeksha, Lynh, and Bhagya for providing valuable feedback on my tool
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 | 0,029 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,013 |
| Science ouverte | 0,004 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,004 |
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 ».