Evaluating the Contextual Integrity of False Positives in Algorithmic Travel Surveillance
本文评估算法旅行监控中误报对情境完整性的影响,通过对芬兰成年人口的全国代表性调查(N=1550)及新提出的阈值估计方法,发现即使误报数量很高也被视为合法,并讨论了基于个人权利的监控合法化方法可能忽视大规模监控的系统性特征。
2025-05-30 cs.CY
Viral Privacy: Contextual Integrity as a Lens to Understand Content Creators' Privacy Perceptions and Needs After Sudden Attention
本文以语境完整性框架分析内容创作者突然走红后隐私需求的动态变化,为多方隐私系统设计提供理论依据。
2023-12-18 cs.CY cs.SI
Integrating Differential Privacy and Contextual Integrity
本研究提出首个整合差分隐私(DP)与语境完整性(CI)的框架,实现DP的语境化参数调优与CI的应用范围拓展,并以美国人口普查局的DP应用为案例验证价值。
2024-01-28 cs.CR cs.CY
Stop the Spread: A Contextual Integrity Perspective on the Appropriateness of COVID-19 Vaccination Certificates
我们提出了一个实证研究,探讨隐私如何影响接受疫苗接种证书(VC)部署在不同的现实使用场景。该研究采用了上下文完整性的隐私框架,该框架已被证明在捕捉人们在不同上下文中的隐私期望方面特别有效。我们使用一个小插曲的方法,我们有选择地操纵显着的上下文参数,以了解他们是否以及如何影响人们对风险投资的态度。我们调查了890名来自美国人口统计学分层样本的参与者,以评估对可能的VC部署的接受程度和总体态度,以执行疫苗接种任务和VC可能需要的不同信息流。作为本研究的一部分,收集的结果进行分析,以获得一般的规范性意见不同的可能的风险投资的做法,并提供指导,在不同的情况下可能部署的风险投资。
2022-05-19 cs.CR cs.CY cs.HC
When PETs misbehave: A Contextual Integrity analysis
本文运用情境完整性理论分析匿名凭证、客户端扫描和同态加密三类 PETs,揭示其将隐私窄化为保密性所带来的局限、滥用风险及隐私侵犯后果。
2023-12-05 cs.CR cs.CY cs.IT
When Disability Disclosure Travels: Memory, Privacy, and Contextual Integrity in Conversational AI
Carnegie Mellon University(卡内基梅隆大学);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校)
本研究通过访谈12位美国残障用户,揭示其在对话式AI中按需披露残障、面临双重接收者规范冲突及记忆功能导致信息漂移,提出需增强情境控制以保护隐私。
2026-09-22 cs.CY cs.HC
Implicit Contextual Integrity in Online Social Networks
Liverpool John Moores University(利物浦约翰摩尔斯大学);Lancaster University(兰卡斯特大学)
许多真实事件表明,在线社交网络的用户需要通过提高对在线社交网络中共存的不同上下文的认识来帮助他们管理他们的交互的机制,并防止他们在这些上下文中交换不适当的信息或将敏感信息从某些上下文传播到其他上下文。上下文完整性是一种隐私理论,它根据信息共享的上下文来概念化信息共享的适当性。情境完整性的计算模型假设存在定义明确的情境,在情境中,个体扮演预定义的角色,信息共享由一组明确的规范管理。然而,在线社交网络中的上下文是已知的是隐含的,未知的先验和不断变化的;用户关系是不断发展的;和信息共享规范是隐含的。这使得当前的上下文完整性模型不适合在线社交网络。本文提出了隐式上下文完整性的第一个计算模型,提出了一个信息模型和一个信息辅助Agent,该信息辅助Agent利用信息模型学习隐式上下文、关系和信息共享规范,以帮助用户避免不适当的信息交换和不期望的信息传播。通过实验评估,我们验证了信息辅助代理的特性,这些特性表现为:即使只有一小部分用户遵循信息共享规范,并且存在恶意用户,也能推断出信息共享规范;在只看到系统和用户收发信息的部分情况下,有助于减少不适当信息的交换和敏感信息的传播;并最大限度地减少用户发出不必要警报的负担。
2015-07-06 cs.AI cs.CR cs.CY
Web Privacy based on Contextual Integrity: Measuring the Collapse of Online Contexts
本研究将情境完整性理论操作化,通过爬取七个情境下700个热门网站并构建网络图,系统测量了第三方Cookie和JS指纹识别导致的持久用户识别在在线情境内外的扩散,揭示了网络追踪造成的情境崩溃,为浏览器存储容器构建提供依据,开创了情境化网络隐私研究新途径。
2025-02-27 cs.CR cs.CY cs.HC
Understanding Privacy Norms Around LLM-Based Chatbots: A Contextual Integrity Perspective
研究通过调查300名ChatGPT用户发现,用户虽视聊天机器人对话为高度敏感且拒绝为改善服务共享个人数据,但其行为与担忧存在脱节;数据共享规范主要受知情同意等传输因素影响,而非接收者或目的等情境因素。
2025-08-09 cs.CY
Automating Governing Knowledge Commons and Contextual Integrity (GKC-CI) Privacy Policy Annotations with Large Language Models
University of Chicago(芝加哥大学);Colgate University(科尔盖特大学)
本文提出用大型语言模型自动完成隐私政策的GKC-CI参数标注,通过微调50个模型实现90.65%的专家级准确率,并规模化应用于456份政策。
2024-12-10 cs.CL cs.CY cs.LG
Privacy Bias in Language Models: A Contextual Integrity-based Auditing Metric
York University(约克大学);University of Waterloo(滑铁卢大学)
本文提出基于情境完整性的方法,用于评估语言模型的隐私偏误,探讨其影响因素及评估方法。
2025-12-19 cs.AI cs.CR cs.CY
The Five Safes as a Privacy Context
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学);Rutgers University(罗格斯大学)
该研究将“五大安全”框架与语境完整性理论关联,通过参数映射论证前者是后者的具体化,并探讨二者互补以强化隐私相关理论与实践。
2026-09-02 cs.CR cs.CY
Fairness in Contextual Resource Allocation Systems: Metrics and Incompatibility Results
USC Center for AI in Society(南加州大学人工智能社会中心);Stanford University(斯坦福大学)
我们研究分配稀缺资源以满足基本需求的关键系统,例如提供住房的无家可归者服务。这些系统往往支持不成比例地受到系统性种族,性别或其他不公正影响的社区,因此在设计这些系统时考虑到公平因素至关重要。为了解决这个问题,我们提出了一个框架,用于评估公平性的上下文资源分配系统的启发公平性度量在机器学习。这个框架可以应用于评估历史政策的公平性,以及在新的(反事实)分配政策的设计中施加约束。我们的工作最终与一组不兼容的结果,调查我们提出的不同的公平性指标之间的相互作用。值得注意的是,我们证明:1)分配的公平性和结果的公平性通常是不相容的; 2)基于脆弱性分数的优先级排序的政策通常会导致不同群体之间的不平等结果,即使分数是完全校准的; 3)使用背景信息的政策超出了描述基线风险和治疗效果所需的范围,其结果可能比仅使用基线风险和治疗效果的政策更公平;以及4)考虑到所有可用的信息,除了基线风险和治疗效果之外,还使用群体状态的政策尽可能公平。我们的框架可以帮助指导利益相关者之间的讨论,以决定在分配稀缺资源时实施哪些公平性指标。
2022-12-04 cs.CY cs.LG
Crowdsourced, Actionable and Verifiable Contextual Informational Norms
一方面,可编程隐私框架与另一方面,计算机系统用户不断变化的隐私期望之间经常存在根本的不匹配。基于上下文完整性(CI)的理论,我们的论文解决了这个问题,提出了一个隐私框架,将用户的隐私期望(规范)转化为一组可操作的隐私规则,植根于CI的语言。这些规范,然后编码使用数据流逻辑规范开发一个信息系统,能够验证信息流是否是适当的,从而保护用户的隐私。我们的框架的一个特别的好处是,它可以自动适应用户的隐私期望随着时间的推移而变化。为了评估我们提出的框架,我们进行了一项广泛的调查,涉及450多名参与者和1400个问题,以得出一套隐私规范的教育背景下。基于众包的响应,我们证明了我们的框架可以得到一个紧凑的Datasheet编码的隐私规范,原则上可以直接用于执行隐私的信息流在这种情况下。此外,我们的框架可以自动检测个人用户的隐私期望和派生的隐私逻辑之间的逻辑不一致。
2016-02-19 cs.CY
Adapting University Policies for Generative AI: Opportunities, Challenges, and Policy Solutions in Higher Education
University of Birmingham(伯明翰大学)
本文探讨了生成式AI在高等教育中的机遇与挑战,提出通过重新设计评估、加强培训及多层执行机制等政策方案,以在提升生产力的同时捍卫学术诚信与公平。
2025-06-27 cs.AI cs.CY cs.HC