Staring Into the Darkness: The Heuristic Evaluation of Manipulative Interfaces.
Notice bibliographique
Résumé
Dark Patterns (DPs) are the foundation of what has come to be called ``Deceptive Design'' and represent a significant issue in the world of user interface and user experience design. By exploiting user cognition through interface design, DPs cause users to forfeit their resources (i.e., time, money, data) for the benefit of the interface designer. As a ubiquitous phenomenon, numerous taxonomies and ontologies from various domains have been proposed to classify DPs and fragmented our understanding of them. This fragmentation complicates legislative efforts as well as knowledge-sharing between the domains they appear in. To address limitations surrounding the fragmentation, extensibility, and comprehensibility of contemporary DP ontologies and taxonomies, this thesis proposes a new method of DP identification and classification based on heuristic evaluation. By condensing the past decade of DP taxonomies via network analysis and distilling/contextualizing the result with Straussian grounded theory, we have created a set of five heuristics to evaluate potentially manipulative elements in user interfaces. Our work describes the construction of our heuristics and reports on their use in an evaluation conducted by human computer interaction researchers at the University of Saskatchewan. The results suggest that our heuristics and the heuristic evaluation process can improve DP detection and delineate manipulative from benign design choices. As a naturally inexpensive, approachable, and versatile evaluation method that provides rich and accessible qualitative data, we propose heuristic evaluation as a valuable addition to the evaluation of manipulative interfaces.
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 | 0,025 | 0,180 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».