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
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
Two-Faced Social Agents: Context Collapse in Role-Conditioned Large Language Models
University of Cincinnati(辛辛那提大学)
本研究测试三款前沿大语言模型在不同社会经济角色下的任务表现,发现认知负荷下模型易出现语境崩塌、角色保真度不足,仅在低认知约束的情感任务中保留角色差异,为社会模拟与调查数据应用提供参考。
2025-11-19 cs.CY
Position: Ensuring mutual privacy is necessary for effective external evaluation of proprietary AI systems
Department of Engineering Science, University of Oxford(牛津大学工程科学系);Blavatnik School of Government, University of Oxford(牛津大学布拉瓦尼克政府学院)
本文指出在AI系统外部评估中确保开发者与评估者双方“相互隐私”的必要性,形式化了该问题并探讨了基于密码学和硬件的潜在解决方案。
2025-03-03 cs.AI cs.CR cs.CY
Beyond The Text: Analysis of Privacy Statements through Syntactic and Semantic Role Labeling
New York University(纽约大学)
本文制定了一个新的任务,从隐私政策中提取隐私参数,通过上下文完整性,一个既定的社会理论框架推理隐私规范的镜头。由律师撰写的隐私政策篇幅冗长,往往包含不完整和模糊的陈述。在本文中,我们表明,传统的NLP任务,包括最近提出的基于加密的解决方案,不足以解决隐私参数提取问题,并提供较差的精度和召回率。我们描述了4种不同类型的传统方法,可以部分地适应于解决不同程度的成功的参数提取任务:隐马尔可夫模型,BERT微调模型,依赖类型解析(DP)和语义角色标注(SRL)。基于对36个现实世界的主要企业的隐私政策的详细评估,我们证明了一个解决方案,结合语法DP加上特定类型的SRL任务提供了最高的准确性,从隐私声明中检索上下文隐私参数。我们还观察到,结合特定领域的知识对于实现高精度和召回率至关重要,从而激发了新的NLP研究来解决隐私领域的这一重要问题。
2020-10-01 cs.CL cs.CY