The Dynamics of Digital Privacy: Economic Framework, Field Evidence and Experiment
Notice bibliographique
Résumé
This dissertation consists of three chapters on understanding consumer digital privacy decisions, combining large-scale empirical analysis of user choices, insights from a controlled field experiment, and a foundational review of economic principles. Chapter 1 provides novel field evidence that consumers’ digital privacy choices exhibit structural state dependence, where past decisions influence subsequent ones. Analyzing an individual-level consumer panel from Alipay, a natural experiment shows that accepting a previous data request decreases the probability of rejecting subsequent requests by 15%. This effect diminishes over time and is more pronounced when immediate preferences for an app are weak, highlighting temporary intra-platform externalities that incentivize platforms to encourage consumer-friendly data request designs. Chapter 2 establishes a conceptual and economic framework that guides the dissertation's empirical work on privacy. It moves beyond the standard framing of a cost-benefit tradeoff to emphasize the critical role of data externalities. The empirical literature thus far has focused on this direct cost-benefit assessment, examining how privacy regulations have affected various market outcomes. However, an increasing body of theory work emphasizes externalities related to data flows. These externalities, both positive and negative, suggest benefits to the targeted regulation of digital privacy. Chapter 3 investigates whether increasing privacy salience enhances user trust and engagement, or creates unintended consequences. Through a large-scale field experiment on Alipay involving over 8,000 users, we find that informing users about privacy tools causally increases direct visits to these tools while boosting overall platform trust and engagement. However, the information does not alter subsequent data consent decisions for third-party apps, suggesting these choices are contextual and distinct from platform-level trust. The engagement increase is driven by intrinsically privacy-sensitive users, while privacy tool usage increase is concentrated among low-knowledge users. Overall, these results indicate that platforms can strategically use information to enhance user trust and engagement without necessarily impacting contextual data sharing in their ecosystem. This dissertation contributes to the digital privacy literature by exploring its dynamics through the integrated lenses of an economic framework, large-scale field evidence on state dependence, and a field experiment on information provision.
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 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 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 ».